基于PSOSVR模型的煤炭铁路物流需求预测.pdfVIP

第 13卷 第 l2期 Vo1．13，No．12 2O13焦 12月 December， 2013 基于PSO-SVR模型的煤炭铁路物流需求预测 陈培友 ，刘 璐 (黑龙江科技大学 1．经济管理系；2．研究生学院，哈尔滨 150027) 摘要 ：在煤炭铁路物流需求预测 中，存在历史样本量较小和非线性强的特点，从而致使预测精度较低 。将支持 向量 回归 机 (supportvectorregression，SVR)与粒子群算法(ParticleSwarmOptimization，PSO)相结合 ，提 出适用于小样本量学 习的PSO—SVR模型。选取 1995—2Ol1年 的煤炭铁路货运量及其影响因素作为学习样本 ，利用粒子群算法对支持 向量 e 机参数进行优化 ，通过训练、测试得到具有 良好学习与推广能力的煤炭铁路货运量预测模型。建立 BP神经网络模型， 科 愀并将二者的预测值进行对 比，结果表明在解决我国煤炭铁路物流需求预测这种小样本，非线性及高维模式识别问题 中 T 技 PSO—SVR模 型预 测精度优 于BP神 经 网络模型 。 肿关键词：煤炭铁路物流需求预测；支持向量回归机 ；粒子群算法 和 中图分类号：F252．8：U294．1+3 文献标志码 ：A 文章编号：1671—1807(2013)12—0051—06 y 产 煤炭是我国重要的基础能源 ，在一次商品能源消 性 ，以及我国煤炭的分布与消费的地理差距的制约， 业费中约占7O ，并在未来相当长的时期 内仍是支撑 所以在集散 、转运和配送过程中的主要技术在运输方 我国经济高速增长的主要能源保障。我 国煤炭资源 面 。 y 西多东少 ，北富南贫的不均匀分布决定 了中国煤炭物 煤炭的运输可分为铁路运输 、公路运输 、水路运 流的基本格局，即 “北煤南运，西煤东送”。长期 以来， 输三种主要运输方式 。三者 的区别见表 1。由表 1 由于煤炭运能与实际运量的突出矛盾 ，使得运输瓶颈 知，我国的煤炭 60 以上依靠铁路运送 。虽然我 国 一 直都是煤炭产业发展 中最为严重 的制约因素。本 在铁路运输的生产效率指标上处于领先地位 ，但由于 文通过结合我 国煤炭物流发展现状 ，将支持向量 回归 缺乏及时的沟通交流和明确的统筹规划 ，缺乏相应的 机引入煤炭铁路物流需求预测 中，对我国煤炭铁路货 投入与建设，使得煤炭运输体系存在很多的问题，如 运量的影响因素进行分析 ，以便于政府合理规划 、建 铁路运输通道建设严重滞后 ，煤炭需求与铁路运能之 设铁路煤炭通道物流基础设施 ，改进煤炭物流供给系 间存在着结构性矛盾 ，需求大 的东南地区缺少运力 ， 统 。 而运力比较充足的西北地 区相对缺少需求 。通过对 1 煤炭物流及运输现状 煤炭铁路货运量主要影响因素的有效把握，借助于定 煤炭物流是一个系统物流，它存在于煤炭产品的 性和定量的分析手段预测比较精确的需求量 ，为政府 开发准备 、生产过程和销售活动 的全过程之 中，是生 提供制定铁路煤炭通道发展规划的重要依据。 产煤炭产品以及组织煤炭销售等一系列物料实体的 表 1 铁路、水路和公路运输的区别Ⅲ 运送搬运等动态流转过程 。如 图 1所示 的煤炭物流 铁路 水路 公路 网络体系结构模型。由图 1¨1可知，煤炭物流是集生