基于支持向量机区域物流需求预测模型研究.docVIP

基于支持向量机区域物流需求预测模型研究 　　 【摘要】本文针对区域物流需求问题，建立支持向量机预测模型。运用基于改进求核算法的属性约简方法筛选预测指标，以货运量为目标函数，建立预测指标体系;进行数据的归一化处理，利用Lagrange乘子法、径向基核函数，建立SVM基本模型，并简述SVM参数确定的两种方法：五折交叉验证法、人工鱼群算法，最终建立完整的区域物流需求预测模型。 　　 【关键词】支持向量机 属性约简法 区域物流 需求预测 　　一、引言 　　区域物流需求预测是物流系统发展的关键技术，可为上级管理部门规划和下级物流企业决策提供指导。目前，我国广大学者为准确预测区域物流需求未来变化趋势，曾提出多种物流需求预测方法，而随着计算机发展、人工智能技术不断成熟，BP神经网络、支持向量机（SVM）等新型预测方法也孕育而生。如何更为行之有效地进行区域物流需求预测，对整个区域内物流系统规划与管理、运行与决策具有重大意义。 　　二、预测指标体系 　　（一）基于属性约简法的预测指标筛选 　　根据国内经济物流发展情况与关系，初步确定区域物流需求八大预测指标：区域生产总值、第一产业产值、第二产业产值、第三产业产值、区域社会消费品零售总额、区域人均消费水平、区域进出口总额、区域快递业务量。货运量为物流需求的量化变量。 　　为减少计算量，选用属性约简法进行指标筛选。 　　1.属性约简方法的选择。属性约简[1-2]是粗糙集理论研究的核心内容之一。属性组合爆炸是致使最小属性约简成为NP-hard问题的原因，因此为得到一个最优或次优的约简集，常常运用启发式算法。 　　基于正区域算法的属性约简无需建立可分辨矩阵，时间与空间复杂度相对可分辨矩阵较小，更具优势。因此本文选用基于正区域算法的属性约简作为预测指标的筛选方法。 　　2.基于改进求核算法的属性约简。篇幅限制，不再赘述粗糙集理论，下面详细介绍基于正区域算法的属性约简。 　　在粗糙集理论中，往往需要求出核，再利用启发式信息进行约简。而核是通过正区域定义的，因此正区域的有效计算对整个属性约简至关重要。 　　目前最行之有效的算法之一是徐章艳等[3]设计的一种基于基数排序的改进的求核算法（正区域算法），时间复杂度为O（|C||U|），具体步骤如下： 　　Step1：基于基数排序的属性连续化 　　设决策表S={U，C，D，V，f}，条件属性集合C中元素α的最大、最小值分别为Mα、mα。 　　（1）取α最值间隔为1，根据包括首尾在内的间隔数建立相应数量的空队列; 　　（2）若？字存在于论域U中，将？字加至第f（？字，α）-m个队列中，修改该队列首尾的指针; 　　（3）count初始化为零; 　　（4）依次搜索队列，若为非空，则将该队列中所有元素在属性α上的值改为count，执行后count值自增1; 　　（5）得到在α上有序且值连续的新决策表S，其值域为[0，M’α]。 　　Step2：计算简化决策表S’ 　　其实质是删除决策表重复元素，定义如下： 　　决策表S={U，D，D，V，f}中，记U/C={[u’1]C，[u’2]C，…，[u’m]C}，U’={u’1，…u’m}; 　　设POSC（D）=[ui1’]CU…U[uis’]C，其中？坌uis’∈U’且uis’/D的绝对值等于1（s=1，…，t）;记U’pos={ui1’，…，uit’}，U’neg=U’-U’pos，则有简化决策表S’={U’，C，D，V，f}。 　　计算步骤如下： 　　（1）计算U/C={X1，X2，…，Xm}; 　　（2）对于？坌Xi∈U/C，若Xi/D的绝对值等于1，则任意取元素？字∈Xi，令x.is_pos=1，U’pos新增元素？字，反之？字.is+pos=0，U’heg新增元素？字。 　　Step3：基于简化决策表S’的改进求核算法 　　（1）初始i=0，当ilt;|C|时执行循环体，循环体每执行一次则i++，否则break; 　　（2）内部循环： 　　循环1： 　　若i≥0，则第i-1属性执行基数排序; 　　循环2：？字指向链表首地址; 　　循环3：若？字？埸？?I 　　循环3.1： 　　若f（？字，D≠f（x→link，D）且？字与？字→link同属正区域的同一等价类或分属正负区域的同一等价类， 　　则Core（C）=Core（C）U{ci}，break; 　　循环3.2： 　　若？字与？字→link非同一等价类，则？字为链表下一元素指针; 　　（3）得到原始决策表S的核Core（C）。 　　以上提出的算法是基于不相容决策表执行的，对于相容或不相容决策表均能实现求解，适应范围广。对于相容决策表，循环3.1执行条件可简化为f（？字，D）≠f（？字