基于GA.docVIP

基于GA 　　基于GASVM的物流园区物流需求预测及分析 物流园区是构造良好物流环境的重要基础设施，物流园区的需求预测是物流园区规划体系中十分关键的环节，它是进行物流园区功能布局研究的前提和补充。国内外学者对物流需求预测方法研究大致分为以下两个阶段：第一阶段主要采用的方法是基于传统统计学的预测方法，主要包括：灰色模型[1]、线性回归模型[2]及时间序列模型[3]等。第二阶段在第一阶段的方法中引入人工智能技术，以改善预测模型的性能，主要包括：神经网络模型[4]和支持向量机模型[5]等。 　　在实际应用过程中，第一阶段的预测模型在处理高维度、非线性数据时，无法获得优质结果；而神经网络模型在学习样本数量有限时，学习过程误差易收敛于局部极小点，预测精度难以保证；学习样本变量很多时，又容易陷入维数灾难。由于影响机制复杂，考虑到支持向量机是建立在结构化风险最小化原则之上，可以有效地减少经验风险带来的影响，不仅对小样本数据表现出良好的拟合精度，还对独立的测试集表现出较小的误差，在一定程度上对学习机的泛化能力有所提升，而且支持向量机算法是一个凸优化问题，在物流需求预测方面具有较明显的优势，本文采用基于支持向量机学习理论的物流园区需求预测方法对成都市货运量进行预测。 　　支持向量机参数的选取直接影响模型的预测精度，传统的网格搜索参数组合已经无法满足对区域物流需求预测的精度要求，本文采用遗传算法对支