连锁零售企业应急需求预测——基于粗糙集和支持向量机.pdfVIP

连锁零售企业应急需求预测 ——基于粗糙集和支持向量机 郑作文 薛 红 张鹏 李伟男 (北京工商大学计算机与信息工程学院，北京100048) 摘要：突发事件发生时，如何提高应急物流能力是连锁零售企业亟待解决的问题。将粗糙集理论引入连锁 零售企业应急需求的预测中，建立基于粗糙集与支持向量机的连锁零售企业应急需求预测模型。首先利用粗糙 集约减数据，剔除冗余信息，然后把它们作为支持向量机的输入矢量来预测应急需求。结果表明，与传统支持向 量机模型相比，新的模型预测精度更高，更能有效预测应急需求。 关键词：粗糙集；支持向量机；应急需求预测；连锁零售企业 中图分类号：F25 文献标识码：A O引言 持向量机算法的运算速度，导致训练消耗更多的时间。 连锁零售企业的需求预测是指对消费者所需购买 为了将SVM算法应用于对实时性要求较高的连锁零 的商品数目进行预测。当实际上需要的商品数目和预 售企业应急需求预测这个课题上，由于粗糙集算法具 测数目有较大差异时，连锁零售企业供应链会受到极 有属性约简的特点，本文引入粗糙集算法用于对与连 大扰动，并且会提高成本，竞争力会降低。如果产品受 锁超市应急物资需求量相关的各种历史数据进行约 季节、广告和特卖活动等其他因素影响较大时，精确快 简，把和决策信息关系不大的属性消除，极大地减少了 速的物资需求可以高效提示企业产品需求量的变化， SVM的输入变量，因此使得SVM算法速度更快，预测 这能够显著减少零售企业的库存量，使成本更低，企业 结果更准确。 在市场中的竞争力有效提高。所以当发生了突发事件 1基于粗糙集与支持向量机的预测模型 时，如何能够快速精确预测连锁零售企业应急物资需 1．1粗糙集属性约简 求量对于企业供应链的稳定和优化具有重大意义。 由粗糙集理论可得，把客观世界简化成一个信息 现在国内外对物资需求预测的方法主要包括回归 系统，用A一W，Q，V，f来表示它，其中：W一 分析法和时间序列法，对它们的研究已经比较成熟，由 (Xl，X2，…，x。)是论域；Q—SUD是属性有限集，上式 于能够快速得到结果，所以很多研究员都喜欢这种方 法，可是由于它们的模型一般不够复杂，且假定实验条 {Vl，V2，…，v。)是属性的值域集，上式中vi是属性Ci 件相对理想，仅考虑了小部分影响因素，因此预测出来 的值域：f：W×S—V为信息函数，由上式可得出论域 的结果精度不高，效果不够理想。除此以外，还有部分 W与条件属性集S到值域集V的映射。一个决策属 研究员利用人工神经网络、专家系统模型等其他方法 性的决策表的一般表达形式如表1所示，下表中f(Xi， 进行预测，其中通过人工神经网络建立模型来进行预 测，最后的结果更加精确，所以越来越多的学者开始利 属性Si相对应，vi的值和对象Xi与决策属性d相对 用人工神经网络来对物资需求进行预测。但是由概率 应。 统计学可得，神经网络学习算法仅仅是根据经验风险 表1决策表的一般表达形式 riskminimization)来进行学习， 最小化原理(empirical 但没有有效降低期望风险；除此以外，由于没有准确的 理论知识来对神经网络结构进行确定，它只能通过多 次试验得出的经验来确定。 最近贝尔实验室的Vapnik等提出了支持向量机 vector (supportmachine，SVM)，它是一种新的机器学 习算法。SVM不仅能将结构风险减至最小，而且还最 假定B是Q的随便一个属性子集，可得下式的等 大化地缩小了VC维和经验风险之间的界限，与神经 aE 网络学习方法相比较，它的预测效果更好，