煤炭铁路物流需要预测模式概述.docVIP

　　煤炭铁路物流需要预测模式概述 1绪论 1.1问题的提出 中国是世界最大的煤炭生产和消费国。根据BP能源统计数据显示，2010年全球煤炭生产总量为72. 73亿吨，其中，中国煤炭产量35. 2亿吨，占世界煤炭产量的48. 4%; 2010年世界煤炭消费总量为35. 56亿吨油当量，其中，中国煤炭消费总量为17. 14亿吨油当量，占世界煤炭消费总量的48. 2%。煤炭作为我国重要的基础能源，在国民经济和人民日常生活中占有重要地位。从中国的一次能源生产和消费结构来看，如表1-1所示，2011年的原煤产量比重较2001年的73%上升了 4. 8个百分点，煤炭约占中国能源生产总量的78%。20世纪90年代，我国煤炭在一次能源消费中的比重约75%，进入21世纪以后，由于调整优化了能源结构，煤炭在一次能源消费中的比重略有下降，但是仍然占近70%。如表1-2所示，新能源和可再生能源正在迅速发展，我国的能源结构正悄然发生变化，但短时期内无法撼动煤炭在我国能源结构中所处的重要地位。鉴于我国是一个发展中国家，工业化的实现和我国富煤，贫油，少气的能源特点使得煤炭会在未来相当长的时期内仍是支撑我国经济高速增长的主要能源保障。作为连接煤炭生产与消费的桥梁和纽带，煤炭物流是煤炭产业中的关键一环，它存在于煤炭产品从开发、生产到销售等一系列的运送动态流转过程之中。如图1所示的煤炭物流结构图⑴。从图1中可以看到，煤炭物流是一个集生产，传输和消费为一个整体，包含物流，信息流和资金流，多学科、多节点、多通道、跨区域的复杂的动态网络系统。作为三类重要物流节点，煤炭集散、转运和配送中心是实施煤炭物流管理的重要平台。中国北煤南运，西煤东送的煤炭物流基本格局是由我国煤炭资源西多东少，北富南贫的不均勻分布所决定，所以在煤炭物流集散、转运和配送过程中的核心是运输。 . 1.2国内外研究现状 欧洲、美国等其他一些发达国家物流发展较早，也较成熟，大部分是利用物流需求历史数据本身对物流成本以及物流成本在GDP中的比重进行研究和需求预测其物流统计信息的可靠和准确，源于他们良好的法律制度、保障物流统计工作顺利实施的市场服务机制，负责物流数据统计的各级政府或者物流协会，以及现代化的信息技术和物流标准化。物流成本是这些国家在作相关需求预测使所使用的主要指标，因为这些指标可以很容易地收集，国外学者可以使用数学模型进行计算，并得到更精确的结果。在预测方法上，早已应用计量经济学的模型进行预测，Michael (1，1)和GM (3，1)，全面科学的分析了美国航空业服务的非线性特征[6]。在物流方面，考虑到国际上一些发达国家，如：欧美日，有着完善的统计体系制度。这些国家对机器学习(Machine Learning)用于预测模型的研究上有着很大兴趣。Lu Shan等（2007)建立支持向量机和时间序列法的组合预测模型对物流需求进行预测，通过与其他传统预测模型比较，表明该模型具有良好的预测精度。Real Charbonneau, Kevin Laframbois 等（2008)分析了神经网络、递归神经网络和支持向量机等自适应性的机器学习技术，与传统的方法对比预测出的物流需求量，发现递归神经网络和支持向量机的预测精确度要高于传统方法气Gao Meijuan，Feng Qian (2009)通过构建预测模型，用自适应调整参数算法对支持向量机参数进行选取，在收敛率和预测精度方面都得到了提高，通过模型求解证实了城市物流模型的有效性[9]。 2相关理论基础 2.1统计学习理论 统计学习理论引入VC维（Vapnik-Chervonenkis Dimension)作为评价学习过程中泛化能力的指标。VC维直接影响学习机器的推广性能。VC维越大则函数集越复杂，学习能力也越大_。对一个函数集，如果有z个数据样本能够被函数集中的函数按所有可能的2种形式分开，则称函数集能够把个数据样本打散。函数集的VC维就是A，即能打散的最大数据样本数目。若对任意数目的数据样本都有函数能将它们打散，则函数集的VC维是无穷大。在数据样本有限的情况下，VC维越高，复杂性越高，则置信范围越大，导致真实风险与经验风险之间可能的差别也就越大，这就是出现过学习现象的原因。基于数据的机器学习过程不但要使经验风险最小，还要使VC维尽量小，以缩小置信范围，才能取得较小的实际风险，即对未来数据样本有较好的推广性。基于经验风险最小化的神经网络，为了最佳拟合训练数据，通过增加算法的规模使得经验风险不断降低直至为0。然而，这会增加算法的复杂度，从而提高VC维，这将使实际的风险增加，导致过学习。 . 2.2支持向量回归机 20世纪90年代中期支持向量机由Vapnik等人提出，依据统计学习理论使经验风险和VC维同时取得最小这种思想而实现的新一代学习系统。作为克服维数灾