基于核主成分分析的PSO―SVR的煤炭物流需求量预测.docVIP

基于核主成分分析的PSO―SVR的煤炭物流需求量预测 　　摘要：利用核主成分分析法对煤炭物流需求影响因子进行特征提取，以获得的主成分作为支持向量机的特征向量建立支持向量机模型，利用粒子群算法对模型参数进行选择优化，从而构建出核主成分分析和粒子群优化支持向量机协同模型，并通过实例对模型的合理性和有效性进行验证。 　　关键词：核主成分分析；PSO-SVR；煤炭；物流需求预测 　　1.引言 　　煤炭是我国重要的基础能源，对其物流需求量进行科学预测，可以使煤炭物流供给与需求相匹配，从而避免物流基础设施的盲目投资，降低成本[1]。由于煤炭货运量在一定程度上能够反映煤炭物流需求规模变化，因此本文所研究的煤炭物流需求就是指煤炭的货运量。 　　本文利用支持向量回归机构建煤炭物流需求预测模型，并利用核主成分分析法与粒子群算法进行优化。通过预测我国的煤炭物流需求，为政府以及相关企业的决策提供参考，进而实现煤炭能源的可持续发展。 　　2.基于核主成分分析的PSO-SVR预测模型 　　2.1核主成分分析 　　设Rd为原始空间，其中有n个样本x1，x2，…，xn，构成数据矩阵X，通过非线性映射函数将其从Rd中映射到高维特征空间F中[2]。同时，将映射数据的均值设为0，即： 　　∑DDni=1DD）φxi）=0JY（1） 　　在特征空间F中，其协方差矩阵可以表示为： 　　CF=SX1nSX）∑DDnk=1DD）φxk）φxk）TJY（2） 　　对CF进行特征矢量分析，其特征矢量为V，特征值为λ，即λV=CFV。由定义矩阵K=[Ki，j]n×n，Ki，j=φxi）?φxj））可知，通过核函数可对其进行确定。设V的第k分特征矢量为Vk，通过归一化处理，VkVk=1，可得到特征矢量Vk中映射数据φx）的投影为： 　　[Vk?φx）]=∑DDni=1DD）αki[φxi）?φx）]JY（3） 　　综上推导是在映射数据均值为0的基础上开展的，而这一假设在实际中几乎不存在，因此，有必要对映射数据进行中心化，即用AKK-来代替K： 　　AKK-=K-InK-KIn+InKInJY（4） 　　其中，In是n×n的矩阵（n为样本数目），且满足Ii，j=1/n。因此，样本数据第k维非线性主成分为： 　　tk=VFTX-?φx）=∑DDni=1DD）αkiTX-[φxiTX-）?φx）TX-] 　　=∑DDni=1DD）αkiTX-AKK-xi?x）JY（5） 　　2.2PSO-SVR模型 　　支持向量机（SVR）是指将输入向量数据映射到高维特征空间中，建立最优决解函数，并利用原来核函数代替高维特征空间中点积运算，通过有限样本学习，搜索全局最优解[3]。支持向量机的估计函数为： 　　fx）=WTφx）+bJY（6） 　　应用不敏感损失因子ε转化估计函数为优化问题，即： 　　minDDXw，b，ξ，ξ*DD）SX12SX）WTW + C∑DDli = 1DD）ξi + C∑DDli = 1DD）ξ*i JY（7） 　　约束条件为： 　　JB{WTxi ） + b-yi ≤ε + ξi yi -WTxi ）-b≤ε + ξ*i JB），ξi ，ξ*i ≥0，i = 1，…lJY（8） 　　式中，b是偏置量，是松弛因子，C是惩罚因子。 　　利用对偶理论将式（8）转化为二次规划进行求解，其对偶式为： 　　minDDXα，αDD）SX12SX）α-α）TQα-α）+ε∑DDli=1DD）α+α）+∑DDli=1DD）yiα-α）JY（9） 　　约束条件为： 　　∑DDli=1DD）α-α）=0，0≤αi，αi≤C，i=1，…，lJY（10） 　　其中，Qi.j=Kxi?x）≡φxi）?φxj） 　　通过二次规划算法可得SVR回归预测模型为： 　　∑DDli=1DD）-α+α）Kxi?x）+bJY（11） 　　利用粒子群算法（PSO）对SVR的参数进行优化。PSO是全局优化算法中的一种，在一个D维搜索空间中，N个粒子构成一个群落，其中，每个粒子均表示一个候选解。同时，粒子还具有一个速度来决定其飞行的距离与方向。粒子们追随着当前最优粒子在D维空间中搜索极值，即全局极值与个体极值。找到这两个极值后，粒子根据式（12）和式（13）来更新其位置与速度[4]： 　　vk+1id=ω×vkid+c1r1pkid-xkid）+c2r2pkgd-xkid）JY（12） 　　xk+1id=xkid+vk+1idJY（13） 　　式中，vk+1id是第i个粒子在k+1代的飞行速度，vid∈[-vmax，vmax]，vmax是常数。ω为惯性权重，i=1，2，…，N，d=1，2，…，D；c1，c2为非负常数，称为加速因子，根据经验