基于支持向量机的物流需求预测模型研究

分析港口物流中的文献评述

一、引言

建国以来，我国港口建设发展迅速，截至2014年底，我国已拥有国内巷道通航里程12.63万公里，港口拥有生产用码头泊位31，705个。在转型升级的大背景之下，“一路一带”战略的实施必将会带来新一轮的港口投资建设热潮。准确把握未来港口物流需求无疑是合理规划港口建设的重要前提。

二、文献评述

从目前的研究来看，大致可以分为使用单一预测方法预测和使用组合模型进行预测两类。单项预测方法主要包括时间序列预测法、回归预测法和人工智能算法预测法三种。

（一）单一预测方法

1、时间序列预测法。如王再明、王宏波（2005）应用灰色系统预测理论，以GM（1，1）和残差修正GM（1，1）模型对武汉港货物吞吐量和集装箱吞吐量进行了中短期的预测，并对集装箱吞吐量的预测结果进行残差检验和残差修正。发现修正后的预测精度可达到最优的精度等级。张世良、黄跃华（2014）采用GM（1，1）扩展模型对天津港进出船舶数量进行了预测。陈宁、朱美琪等（2005）采用二次指数平滑对某港口的吞吐量进行了预测，发现二次指数平滑模型比较适合快速成长的港口进行吞吐量定量预测。李增蔚、叶俊（2015）以宁波-舟山港为例，利用三次指数平滑法对宁波-舟山港的货物吞吐量进行了预测。张家善（2015）认为集装箱吞吐量是反映一个港口生产经营状况的主要数量指标，并基于趋势曲线预测理论，以香港为例，通过建立三次曲线趋势预测模型，对香港港口集装箱吞吐量进行了预测并取得了较好的预测结果。

时间序列预测法仅仅利用预测目标历年数据进行预测，因此预测过程相对简单，历史数据的收集整理工作相应减少。但是，时间序列预测方法仅仅将时间作为影响预测目标的因素，忽视了其他真实影响预测目标的因素，亦无法有效揭示各影响因素之间的关系。

2、回归预测法。陈其超（2013）以重庆市港口为例，分析了社会经济总量与物流需求之间的关系，利用重庆市生产总值与重庆港港口吞吐量建立一元线性回归模型，对重庆市港口物流需求进行了预测。王小萃（2007）以上海市为例，选取国内生产总值、第一产业总值、第二产业总值、第三产业总值、零售总额、外贸总额和货物运输量建立多元统计回归模型，对上海市物流需求进行了预测研究。彭湖、何民（2015）基于云南省统计数据，建立主成分回归模型对云南省物流需求进行了预测。匡海波（2009）在分析我国沿海港口货物吞吐构成及其影响的基础上，建立向量自回归（VAR）模型来对我国沿海港口吞吐量进行了预测，提高了预测的精度和准确度。

生产过程中的物料预测模型

在制造业中，物料预测模型是一个非常重要的组成部分。预测需要使用多种数据、算法和模型来准确估计生产物料的需求和趋势。这种预测的准确性对公司的生产和经济效益都有着重要的影响。

现在让我们来了解一些有关生产过程中物料预测模型的更多信息。

1. 预测模型的基本原理

首先，我们需要了解预测模型是如何工作的。预测模型的基本原理是通过分析历史数据来预测未来生产物料的需求和趋势。这些数据可以包括过去几个月或几年的销售数量、库存水平、供应链事件、工厂运营状况等信息。

通过对这些数据进行分析并使用统计学方法和机器学习算法，预测模型可以有效地识别销售趋势、季节性因素、特殊事件等，并将其用于生产计划中。预测模型的目标是尽可能准确地估计未来的需求，以确保生产线材料的及时供应和无需过多的库存。

2. 物料预测模型的类型

物料预测模型可以分为时间序列模型和回归模型两种类型。 时间序列模型基于历史数据和时间的关系进行预测。这种模型可以检测到季节性变化、长期趋势和特殊事件等，并在此基础上预测未来的需求。常见的时间序列模型包括ARIMA、ETS等。

回归模型是基于历史数据和其他外部因素的关系进行预测。这种模型考虑了多个因素，如经济发展、市场需求、促销和天气等，以预测未来的需求。常见的回归模型包括线性回归、决策树、支持向量机等。

3. 物料预测模型的应用

物料预测模型的应用范围非常广泛。在制造业中，预测物料需求是确保生产线材料订单及时满足的关键，以避免生产中断和开销过大。同时，预测模型还可以优化供应链，减少过多的库存和浪费性消耗。

除了制造业，预测模型还广泛应用于其他行业，如零售、销售、物流等。预测模型可以帮助商家预测消费者需求，提前采购和运输货物，并确保库存水平合理。在物流和运输行业中，预测模型可以帮助贸易公司控制货物需求和货物流动，提高运输效率和减少成本。

4. 物料预测模型的挑战

虽然物料预测模型有很多好处，但也存在一些挑战。其中一个主要的挑战是正确的数据选择。模型的准确性高度依赖于可用的历史数据和特别的事件。如果数据不足或不完整，则模型的准确性将受到影响。

中国市场第４３期总第７５８期　产业经济８７　

基于支持向量机在重工业经济领域　

预测研究枣　

石茂林李洪友　

摘要：提出了一种基于支持向量机预测重工业经济月度同比增长率的方法。利用２００２年　

以来，我国６年的重工业月度同比增长率数据，建立支持向量机预测模型，并对预测结　

果和实际值进行了比较分析，表明该方法用于经济预测和经济分析是有效的。　

关键词：支持向量机；重工业；经济预测　

中图分类号：Ｆ２０１　

一、引言　

重工业在我国经济发展中占有重要地位，是我　

国工业、特别国防工业发展的基础　。重工业发展　

趋势预测是一项重要而复杂的工作。准确的预测可　

以使政府、相关企业及其他有关部门更好地把握未　

来经济运行状况，从而做出有效的经济决策和发展　

策略。影响重工业发展的因素比较多，例如能源产能、　

交通物流、资本环境、环境保护以及地方政策改变等，　

它们之间相互影响叉相互制约，最终使得重工业经　

济系统呈现复杂性、开放性、时态性、非线性等特　

点。近年来，国内外对于经济预测给出了许多方法。　

从预测基础体系而言，经济预测方法大体分为两类：　

基于历史数据预测方法和经济理论定性分析预测方　

法。基于历史数据预测方法主要有回归分析法、投　

入产出法、时间序列分析法、遗传算法、动态规划　

法等；经济理论定性分析预测方法有：层次分析法、　

市场调查法、销售人员估计法等。此外科研工作者　

亦开发了多种基于上述方法组合和改进的预测方法。　

然而，由于经济发展越来越趋于全球化和多维性，　

现代重工业经济发展已经是一种综合性发展，传统　

预测方法已经满足不了实际预测需求，需要一种兼　

顾历史数据内部关系及经济基础理论的方法才能够　

进行准确地预测。　

支持向量机（ＳＶＭ）最早发展于分类，２Ｏ世纪　

９Ｏ年代Ｖａｐｎｉｋ等将支持向量机首次应用于回归问　

题，是一种介于定量预测与定『生分析之间的分类预　测方法，在解决小样本、高维度及非线性问题上优　

势明显　。ＳＶＭ方法在许多领域已经取得了广泛应　

第３２卷第６期　物探化探计算技术　２０１０年１１月　

文章编号：ｌＯ０１一Ｉ７４９（２０１０）Ｏ６—０６３６—０５　

基于主成份分析和支持向量机的ＰＣＡ—ＳＶＭ　

储层识别模型研究　

王　众　，张　肖楠　一，匡建超２，罗　鑫２　

（１．油气藏地质及开发工程国家重点实验室成都理工大学，四川成都６１００５９；　２．成都理工大学能源学院，四川成都６１００５９）　

摘要：储层识别是油气勘探开发中所面临的关键问题和难点之一。针对传统储层识别方法预　测精度较低这一问题，提出了基于主成份分析和支持向量机的ＰＣＡ—ＳＶＭ储层识别模型，较好　地解决了传统学习方法在非线性预测中的小样本、过学习、局部极小点等问题，同时消除了出入　变量之问的多重相关性，减少了输入变量的个数，提高了预测精度和收敛速度。通过对长庆中部　气田马五　段储层的实例应用，ＰＣＡ—ＳＶＭ模型的预测精度达到１００％，优于ＳＶＭ模型　（９３．６％）和Ｆｉｓｈｅｒ判别模型（９６．３％）。这表明ＰＣＡ—ＳＶＭ模型具有更高的预测精度，为致密储　层的准确识别探索了又一新方法。　

关键词：主成份分析；支持向量机；ＰＣＡ—ＳＶＭ模型；储层识别　中图分类号：ＴＥ　１２２．２　文献标识码：Ａ　

０前言　

储层识别一直都是油气勘探与开发领域的一　项基本任务，其结果的正确性直接影响到油气田的　开发效果¨Ｊ。前人对此进行了大量研究，提出了　逐步回归　Ｊ、动态聚类　、模糊识别　、逐步判　别　等方法，并取得了一定成效。但由于储层识　别属于非线性预测问题，加之绝大部份油气田地质　条件复杂，所以上述模型对于致密储层的识别受到　多方面的限制，导致预测精度不高。针对上述问　题，有学者提出了利用神经网络来进行致密储层识　别，并在实践中取得不错效果　６　Ｊ。然而，普通神　经网络存在收敛速度慢，易陷入局部最优解等问　题　；此外，由于影响储层的因素多而复杂，使得　传统储层识别方法在实际应用过程中常遇到以下　问题：①输人参数过多，彼此相互关联，导致信息重　叠与数据冗余，影响模型的预测精度与计算速度；　②输人参数过少，难以全面准确反映与刻画储层的　全貌，导致预测精度降低¨’　。　支持向量机（Ｓｕｐｐｏｒｔ　Ｖｅｃｔｏｒ　Ｍａｃｈｉｎｅ，ＳＶＭ）是　近来广泛应用的一种新型机器学习方法，以结构风　险最小化原则代替神经网络的经验最小化原则，被　认为是目前针对小样本非线性分类和预测等问题　的最佳理论　Ｊ。基于此，作者将与ＳＶＭ与主成份　分析相集成，提出了ＰＣＡ—ＳＶＭ储层识别模型。　该模型不仅较好地解决了神经网络固有的过学习　以及局部极小点等问题，而且消除了输入变量问的　多重相关性，提高了储层识别的精度。