基于GA―SVM模型长江干线港口集装箱需求量预测.docVIP

基于GA―SVM模型长江干线港口集装箱需求量预测 　　【摘 要】 为寻求更高精度的预测方法预测长江经济带未来一段时间的集装箱需求量，从经济总量水平、产业结构、国际国内贸易发展等方面提取长江干线港口集装箱需求预测的主要影响因素，构建基于遗传算法-支持向量机（GA-SVM）的预测模型对长江干线港口集装箱需求量进行预测，提高货运量预测精确度。结果表明：此模型对长江干线港口集装箱需求量的预测具有较强的实用性，可为长江干线港口集装箱需求预测提供一种新的途径和方法。 　　【关键词】 长江干线；集装箱；需求预测；遗传算法；GA-SVM模型 　　0 引 言 　　?过近年来的迅猛发展，长江经济带已经成为内陆与沿海地区进行经济贸易往来的重要通道，长江集装箱运输业的不断茁壮成长，在很大程度上加速了区域间资源流通及流域经济发展。同时，长江经济带集装箱货运量亦在迅速增加，因此寻求更高精度的预测方法，预测我国长江经济带在未来一段时间内的集装箱需求量具有较高的现实意义。 　　杜桂玲[1]提出长江沿线外贸集装箱生成量影响因素包括政治、经济和自然条件在内的许多因素；靳廉洁等[2]提出为准确判断长江三角洲港口集装箱运输市场的增长空间及发展趋势，采用多因素动态系数法预测外贸集装箱生成量；阮俊虎[3]为了弥补支持向量机模型中参数选取上不能够量化的缺陷，引入了遗传算法改进支持向量机理论；孙涵等[4]分析了支持向量回归机预测模型在能源需求预测方面的优势，确定了输入量集合和输出量集合，构建了基于Matlab软件技术的支持向量回归机能源需求预测模型。 　　本文在现有研究理论的基础上，引入基于遗传算法-支持向量机（GA-SVM）的预测模型对长江干线港口集装箱需求量展开研究，与传统向量机结果进行比对，结果表明该模型具有较高的精度，为今后研究长江干线港口集装箱需求预测提供一种参照方法。 　　1 GA-SVM模型构建 　　1.1 基本思路 　　与传统方法相比，遗传算法具有很多特有的优点，突出表现在全局最优性和自身潜在的并行性。利用遗传算法的寻优特点来改进传统的支持向量机模型。支持向量机模型的核函数采用的是径向基函数（RBF），编码方式采用实数来编码，再利用遗传算法的全局寻优能力来对参数进行遗传编码及搜索，经过寻优过程，将最后得到的最优惩罚系数C和核参数 作为最终预测模型参数。 　　1.1.1 支持向量机模型的参数编码 　　支持向量机模型要获取较高的预测精度，就需要得到最优的惩罚系数C及核参数 。为避免二进制编码反复进行译码、编码等问题，本文选用实数编码。 　　对于某一确定的足够大的C， 过大或过小均会对模型的精度造成一定的影响，这里讨论两种极值情况：当 →0时就会导致“过学习”现象，模型的泛化能力会变得极差；当 →∞时会导致“欠学习”现象，所有的训练样本将会被分到样本数较大的那一类。 　　对RBF核函数K（x，x）=exp进行分析，发现 值与|| x x ||2关系密切：若 远小于训练样本的最小距离，则 →0；若 远大于训练样本的最小距离，即达到 →∞的效果。因此，确定 的搜索空间为[min（|| x xj ||2 ?？0 2），max（|| x xj ||2 ?？10 2）]。在这个区间上，根据分类结果可对搜索区间进行放缩，最后可以得到满意结果。 　　约束拉格朗日因子a要借助于C来进行制约，当C超过某限度后就会丧失此功能，导致支持向量机的复杂会趋向数据子空间能够允许的最大值。可用以下方法来确定C的搜索区间： 　　0 ≤ ai，ai* ≤ （i=1，2，…，l） 　　当C≥0时，先选定某一足够大C值，运行训练支持向量机模型，解出ai （i=1，2，…，n），其中n是训练样本总数，令C1=max（ai ），如果C1C，则将C1作为C的搜索区间上界，如果C1≥C，则表示C仍然对ai 起着约束作用，需取一个更大的C来训练支持向量机的模型，直到C1 C为止，故确定C的搜索区间为（0，C1）。 　　1.1.2 遗传算法的适应度函数选取 　　最终选择的遗传算法适应度函数为 　　F（ ，C）=（1） 　　式中： RError表示支持向量机在训练样本上的错分率， RError越小则对应的改组参数的染色体适应度会更大。 　　1.1.3 遗传操作 　　（1）选择。基于排序的适应度分配原则，对种群内部个体进行适应度的排序，之后依据公式来明确个体被选取的Pi为 　　Pi=r （1 r）i 1（2） 　　式中： i表示个体序号； r表示排第一个体的被选取的概率，并且r仅取决于在种群中个体所在的序位。 　　（2）交叉。可以采取线性组合方式，如果对两条染色体x1和x2以某概率采用交叉操作形式，则可采取如下方式： 　　x1=ax1+（1 a）x2（3）