基于遗传算法优化支持向量机的物流需求预测研究

高 青

安徽理工大学经济与管理学院，安徽淮南,232001

基于遗传算法优化支持向量机的物流需求预测研究

高 青

安徽理工大学经济与管理学院，安徽淮南,232001

为提升物流需求预测的准确度，以建立物流需求指标为基础，构建了一种遗传算法(GA)优化支持向量机的物流需求预测模型(GA-SVM)。首先对物流数据进行归一化处理，然后利用GA-SVM刻画物流需求量与其影响因素间的非线性关系，并通过遗传算法优化选择SVM参数，选取1998-2014年安徽省物流数据对模型进行测试。结果表明，GA-SVM在很大程度上提高了物流需求预测的准确性，能够精确地表征物流需求量的变化趋势，其预测精度和相对误差均优于对比模型，是一种较好的物流需求预测方法。

物流需求；支持向量机；遗传算法

物流系统的规划和设计必须立足于准确的物流需求预测，准确的物流需求预测可以帮助行业企业设计科学的物流系统，分配有限的资源，协调物流的供需关系，进而提高区域经济发展水平[1]。国内外对物流需求预测方法的研究拥有很长的历史，早期的预测方法主要有时间序列法、指数平滑法和回归分析法等[2]。这几种方法适合解决时间序列和线性数据，但对于具有非线性关系或高维的物流数据预测效果不理想。同时，此类方法主要是集中在对数据本身规律的回归分析上，忽略了对物流需求量与其影响因素之间联系的分析，存在严重的数据失真现象[3]。近年来，神经网络在物流需求量的预测中被广泛运用，虽然神经网络能够很好地模拟非线性系统，但仍存在局部最优和过度拟合等缺点，进而影响了预测的精确度。

支持向量机是建立在统计学习理论基础上的统计学习方法，它有效地克服了神经网络的缺点，很好地解决了非线性和高维数据，很大程度上避免维灾难和过度学习等问题[4]。但和其他学习算法一样，支持向量机训练参数的选择对模型预测效果有很大的影响[3]。因此，在实践中，选择契合的参数成为获得较优模型的关键。

本文将遗传算法与支持向量机相结合，提出了遗传算法优选支持向量机参数的方法，得到最优的物流需求预测模型。以安徽省1998-2014年物流需求量作为试验数据进行研究，结果表明，相比于粒子群优化支持向量机和普通支持向量机模型，GA-SVM模型的准确度最高，误差最小，更有效地预测了物流需求量。

1 物流需求指标选取

孙启鹏等从下面几个方面定量描述了物流需求量，主要包括物流和区域经济发展的关系、物流作业内容以及物流本源需求规模的大小等[5]。黄虎认为，区域经济整体水平和规模、区域经济产业结构和产品结构、区域经济的空间网络布局、物流设施和服务、物流费用的变动、技术创新、区域地理位置等影响区域物流需求[6]。林荣天等选取GDP、区域零售总额、人均消费水平等指标，创立了系统的物流需求预测指标体系[7]。李隽波等采用GDP、产业结构比例、人口数量等指标，利用多元线性回归模型预测了冷链物流需求量，取得了较准确的预测结果[8]。杨波等使用重庆空港物流园的相关数据，如空港货物吞吐量、GDP、工业总产值、进出口总产值作为预测参数，采用组合预测方法，较准确地预测了2020年重庆空港物流园的物流需求量[9]。彭湖等运用主成分回归分析方法，利用云南省2001-2013年物流数据，取得了较精确的预测结果，为云南省物流行业的发展提供了借鉴[10]。

总而言之，关于选择预测对象和预测指标，学术界没有建立统一的标准。总的来看，度量物流需求指标体系主要有实物量体系和价值量体系两类。由于缺失必要的统计数据，在使用价值量体系时，只能凭借经验预测物流需求量，所以本文在实物量体系中选择货运量来表示物流需求量。

从以往的研究来看，大多数学者认为，物流需求和区域物流影响因素存在着一定的函数联系，因此，本文利用物流影响因素来预测物流需求，并且借鉴已有的研究成果，兼顾数据资料的易得性，选取以下指标作为区域物流影响因素指标：GDP，固定资产，第一、二、三产业产值，进出口贸易总额，居民消费水平，货运量和货物周转量等

2 基于GA-SVM的物流需求预测模型

2.1 支持向量机

支持向量机(support vector machine，SVM)是基于统计学习理论中的VC维理论和结构风险最小化理论建立的统计学习方法[11]。支持向量机很好地解决了非线性和高维数据，很大程度上避免维灾难和过度学习等问题[11]。支持向量机已经成为一种备受关注的分类技术，它具有坚实的统计学理论基础，并广泛地应用于手写数字识别、文本分类和人脸图像识别等。

f(x)=ωTΦ(x)+b

(1)

其中，ω 表示权值向量，b表示偏置量。

为了使支持向量机在训练集上获得推广能力较好的模型，必须最小化经验风险，同时最大限度地降低预测模型的复杂度，即对下面函数进行优化求解的过程：

(2)

(3)

引入拉格朗日函数来解决凸二次优化问题，即：

(4)

经过计算得到SVM预测模型为

(5)

常用的非线性核函数主要有线性核函数、BRF核函数等。本文选择BRF核函数，其定义为：

(6)

支持向量机预测模型为：

(7)

由于本文的支持向量机采用BRF核函数，因此，参数σ、c对支持向量机模型的预测效果影响较大，为此，本文使用寻优能力较强的GA来优化SVM参数。

2.2 基于GA-SVM的物流需求预测流程

遗传算法(genetic algorithm，GA)是由Holland及其学生以达尔文的进化论和孟德尔的遗传学说为基础建立的随机搜索和优化算法[12]。大量研究表明，遗传算法是一种全局寻优能力强的群智化算法，具有简单、易于实现等特点。鉴于此，本文选择GA优化SVM参数，提高预测模型的精度，具体的GA-SVM物流需求预测过程如图1所示。

图1 基于GA-SVM模型参数优化流程图

2.3 预测模型对比模型与性能评价指标

为了衡量模型的预测性能，选择网络优化SVM和POS优化SVM(POS-SVM)模型作为对比，并使用均方根误差RMSE、平均绝对误差百分比MAPE和预测准确度AL来评价模型的拟合能力和泛化误差，具体定义如下。

均方根误差：

(8)

平均绝对误差百分比：

(9)

预测准确度：

(10)

3 实例分析

安徽省地处我国大陆东部，同经济发达的长三角毗邻，拥有发达的交通运输网络，具有连接南北、承东启西的地理优势。在中部发展战略崛起的背景下，安徽省的经济发展迎来了新契机，物流业作为促进经济发展的重要动力也拥有巨大的发展潜力。为能平衡物流需求与供应，统筹规划物流资源，对物流需求量进行准确的预测则显得尤为重要。

3.1 数据来源与处理

选取安徽省1998-2014年相关数据，以运货

表1 物流需求指标体系

续表1

年份社会消费品零售总额/(X6/万元)进出口贸易总额/(X7/亿美元)居民消费水平/(X8/元)货物周转量/(X9/万吨)邮电业务量/(X10/万元)1998924822322655723709179412573314.21999979139026489425239774992789178.4200010542618334689258810761170120139820011142819836199727391093210312245672002122871204181252988124986521434890200313312492594291331213557784176941020041503078672112137071450629822346662005176497539119713888156648022840149200620294001122486044411703005535580902007240373041592978527819889759446413020082965546420435296006584349425507520200935277844156352068296322004866248472010415151722427677823771536800300324420114900639631337821005584466179361614320125685555839325271097898315954405179220136481418845633751173411158962051339862014795703334927279129441350089155860055

注：数据来自《安徽省统计年鉴(1999-2015)》。

量衡量安徽省物流需求规模，并根据区域物流影响因素指标，建立物流需求指标体系(表1)。

为了提高支持向量机的数据处理速度和预测准确度，依据公式(11)对表1中的数据进行归一化处理，归一化后的数据如表2所示。

(11)

表2 归一化后的物流需求指标体系

续表2

年份社会消费品零售总额/(X6/万元)进出口贸易总额/(X7/亿美元)居民消费水平/(X8/元)货物周转量/(X9/万吨)邮电业务量/(X10/万元)19980.0000.0000.0000.0000.00019990.0080.0080.0140.0050.04120000.0180.0230.0210.0130.11920010.0310.0290.0350.0140.12320020.0430.0410.0580.0260.16320030.0580.0780.0890.0350.22620040.0820.1050.1260.0420.31420050.1190.1460.1440.0520.42920060.1570.2120.1960.0620.56520070.2100.2910.2750.0850.73620080.2900.3870.3440.3910.93320090.3700.2840.4220.4291.14520100.4590.4680.5550.4960.46020110.5650.6180.7270.5980.57620120.6770.7880.8140.7080.65820130.7900.9230.8860.8140.86320141.0001.0001.0001.0001.000

3.2 预测结果分析

基于Matlab 7.0软件，以1998-2010年的样本数据作为训练集，用于建模与参数优化，以2011-2014年的数据作为测试集，用于检验模型的泛化能力。

分别使用GA-SVM、POS-SVM、SVM模型对训练集进行学习，各个模型对训练集的预测结果如图2所示。从图2可以看出,在上述三个模型中，GA-SVM的预测值曲线与训练集真实值的曲线基本一致，拟合结果最好，模型性能最优。

利用上面最优模型预测2011-2014年的物流需求量，得到如表3的所示物流需求量。分析表3可得，GA-SVM模型预测的结果相对误差最小，与真实值最为接近。

图2 三种模型对训练集的预测结果对比

将表3的数据绘制成散点图，如图3所示，可以发现GA-SVM的预测值与测试集的真实值更趋于一致，同时结合表4的GA-SVM模型预测精度，得知其预测精度达到了0.99983。

图3 三种模型对测试集的预测结果对比

表3 各模型对测试集的预测结果及相对误差

表4 GA-SVM模型预测精度

根据上述分析可知，GA-SVM模型能够精确地表征物流需求量的变化趋势，具有很高的实用性，是一种较好的物流需求预测方法。

4 结束语

物流是连接社会再生产过程中生产与消费的桥梁，物流的发展与区域经济的发展有十分密切关系，准确地预测物流需求，可以促进经济的快速发展。本文利用安徽省1998-2014年的统计数据资料作实证分析对象，由于物流需求量的非线性、不确定性等特点以及SVM参数优化问题，提出了GA-SVM物流需求预测模型。结果表明，该模型预测准确性很高，推广能力强，拥有较好的实用价值，在物流需求预测中有很好的运用前景。依据GA-SVM模型预测成果，可以描述安徽省物流需求量规律，为应对安徽省物流业的快速发展做好必要的准备。

[2]夏国恩.区域物流需求预测现状和发展研究[J].中国物流与采购,2010(4):68-69

[3]孙煦,陆化普,吴娟.基于蚁群优化支持向量机模型的公路客运量预测[J].合肥工业大学学报:自然科学版,2012,35(1):124-129

[4]顾亚祥,丁世飞.支持向量机研究进展[J].计算机科学,2011,38(2):14-17

[5]孙启鹏,丁海鹰.区域物流需求量预测理论及模型构建[J].物流技术,2004(10):27-30

[6]黄虎.区域物流需求预测模型研究[J].统计与决策,2008(17):62-64

[7]林荣天,陈联诚,李绍静,等.基于灰色神经网络的区域物流需求预测[J].价值工程,2007(2):92-94

[8]李隽波,孙丽娜.基于多元线性回归分析的冷链物流需求预测[J].安徽农业科学,2011,39(11):6519-6520,6523

[9]杨波,吴涵.基于组合预测模型的物流园区物流需求预测—以重庆空港物流园为例[J].数学的实践与认识,2015,45(20):16-25

[10]彭湖,何民.基于主成分回归的区域物流需求预测研究—以云南省为例[J].交通运输研究,2015,1(3):60-64

[11]丁世飞,齐丙娟,谭红艳.支持向量机理论与算法研究综述[J].电子科技大学学报,2011,40(1):2-10

[12]吉根林.遗传算法研究综述[J].计算机应用与软件,2004,21(2):69-73

(责任编辑：周博)

10.3969/j.issn.1673-2006.2016.12.009

2015-09-21

高青(1989-)，安徽蚌埠人，在读硕士研究生，主要研究方向:数据挖掘与风险决策研究。

TP391；F201

A

1673-2006(2016)12-0031-05