基于storm的支持向量机在物流航运指数预测中的原型系统的研究与实现-物流工程专业论文.docxVIP

南京邮电大学学位论文原创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。 尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过 的研究成果，也不包含为获得南京邮电大学或其它教育机构的学位或证书而使用过的材料。 与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。 本人学位论文及涉及相关资料若有不实，愿意承担一切相关的法律责任。 研究生签名： 日期： 南京邮电大学学位论文使用授权声明 本人授权南京邮电大学可以保留并向国家有关部门或机构送交论文的复印件和电子文 档；允许论文被查阅和借阅；可以将学位论文的全部或部分内容编入有关数据库进行检索； 可以采用影印、缩印或扫描等复制手段保存、汇编本学位论文。本文电子文档的内容和纸质 论文的内容相一致。论文的公布（包括刊登）授权南京邮电大学研究生院办理。 涉密学位论文在解密后适用本授权书。 研究生签名： 导师签名： 日期： 摘要 近年来，信息技术呈现出飞速化得发展，现代物流产业也进入了信息化时代。国际航运 指数 BDI(Baltic Dry Index) 包含了航运业的干散货交易量的转变并且结合了未来的经济活 动，是航运业指示全球需求联系的领先指标。然而影响 BDI 变化的因素非常复杂，传统预测 方法以精确数学模型为基础但是其效果却并不理想。由于运价指数存在内在规律并且受到外 在的影响非常多，因此在对这些因素进行深入研究的基础上，以机器学习为基础开发出新的 预测模型来对运价指数进行预测是我们把握物流市场、规避风险的有效手段。所以本文在对 BDI 预测模型研究的现状进行了研究，分析了因影响 BDI 变化的因素，主要从支持向量机 SVM （support vector machine）方法的研究和其在 BDI 预测中的应用相结合的角度出发，对支持向 量机的在线学习、并行化方法以及在 BDI 预测中的应用进行了系统的研究和实现。 首先，本文提出了一种改进的在线支持向量机回归学习算法 IOSVR（An improved on-line support vector machine regression learning algorithm）。传统的数据挖掘正在面临知识不断增长 问题引发的挑战，而 IOSVR 以支持向量机为基础，减少重复迭代的同时运用了动态自适应调 整方法，优化迭代训练过程，能够在动态学习的过程中自适应调整训练参数，取得了更好的 泛化能力和预测精度。并且通过仿真表明，IOSVR 不仅保证了训练精度，在学习时间上和分 类错误率上都明显减少，因此，IOSVR 更加适合实际过程的建模。 其次，本文在研究航运指数 BDI 特征的基础上，提出基于支持向量机的 BDI 在线预测方 法。结合中国市场的特点对国际航运的供需市场进行深入分析，探讨了影响 BDI 变动的特征 影响因素，选取 BDI 的主要特征变量和潜在特征变量。在此基础上，提出了基于支持向量机 的的 BDI 的在线预测模型，将 IOSVR 应用在 BDI 建模上，该模型对运价指数的变动性进行 了充分的考虑。通过实验表明该模型能更好得预测 BDI，能够更好刻画 BDI 的变化趋势，更 适用于对 BDI 进行行预测。 最后，本文结合 storm 的并行机制，在 storm 平台上研究和实现了 IOSVR 的并行化。在 数据不断增加的情况下，为了解决单机支持向量机算法存在的数据处理能力不足及运行效率 低的问题，结合 storm 并行机制的基础上在 storm 平台上实现了 IOSVR 的并行化，有效整合 了各节点的并行化计算优势，不仅解决了训练时间过长和内存占用大的问题，而且提供了可 靠的数据处理和存储能力，在此基础上完成了 BDI 预测系统的原型实现，为物流管理人员提 供了一个有力的预测工具。 关键词: 支持向量机，在线学习，物流航运指数， 预测，Storm I Abstract In recent years, with the rapid development of information technology, modern logistics industry has entered the era of information technology. International shipping index BDI(Baltic Dry Index) is the economic indicator of the shipping industry, which contains the shipping industrys dry bulk trading volume change and com