基于支持向量机的物流量预测——以成都市为例.pdfVIP

第42卷 第 l5期 交 通 标 准 化 Vo1．42 No．15 2014年8月 TransportationStandardization Aug． 2014 基于支持向量机的物流量预测 — — 以成都市为例 岳 辉 ，吴 波 ，单 翠 ，陈彦如 (1．中国中铁二院工程集团有限责任公司，四川 成都 610031；2．西南交通大学经济管理学院，四川 成都 610031) 摘要：考虑到支持向量机强大的泛化能力，运用支持向量机技术预测了成都市近期和中期物流量。研究表明， 随着样本数据的增加，支持向量机的预测值与实际值间的相对误差总体呈下降趋势，并且与多元线性回归方法 相比．支持向量机具有较高的预测精度，证明了支持向量机用于物流量预测的有效性。 关键词 ：物流量预测；支持向量机；多元线性回归；相对误差 中图分类号：U491．11 文献标识码 ：A 文章编号：1002—4786(2014)15-0087-05 LogisticsForecastingBasedonSupportVectorM achine： A CaseStudyofChengdu YUEHui．WUBo，SHANCui CHENYah—rH (1．ChinaRailwayEryuanEngineeringGroupCo．，Ltd．，Chengdu610031，China； 2．SchoolofEconomicsandManagement，SouthwestJiaotongUniversity，Chengdu610031，China) Abstract：BasedonthestronggeneralizationabilityofSupportVectorMachine(SVM)，thispaperpre· dictstheshort—term andmedium—term logisticsvolumeofChengdubyusingSVM technology．Theresult showsthattherelativeerrorbetweenpredictedvalueandactualvaluebecomessmallerwiththeincrease ofthesampledata．Andcomparedtomultiplelinearregressionmethod，SVM hashigherpredictionaccu— racy，whichdemonstratestheeffectivenessofthelogisticsforecastingbasedonSVM． Keywords：logisticsforecasting；SupportVectorMachine；multiplelinearregression；relativeerror 0 引言 优化模型(La0R模型)，该模型有效地降低了回归 物流量预测作为物流系统规划 的重要环节 ， 模型的期望风险，但模型的泛化能力差。管春燕 其预测精度直接影响到物流系统的分析建模 、规 等3[1以武汉市区域物流量预测为实例，采用逐步回 划布局等工作的科学性与有效性。因此 ，选取精 归法建立模型，将影响程度大的变量依次纳入模 度较高的预测方法，对提高物流规划质量和运行 型中，提高了模型的运算效率。随后ZhangG等 效率具有重要的意义。 将人工神经网络(ANN)用于预测，但人工神经网络 传统的物流量预测方法，主要采用统计学预 在解决复杂问题时容易陷入局部极小点。张晓磊 测方法 、人工智能技术以及组合预测方法 。武志 尝试引用可以处理非线性、高复杂系统的人工神 惠等…采用L