基于
GA
?/p>
SVM
的物流园区物流需求预测及分析
基于
GASVM
的物流园区物流需求预测及分析
物流园区是构造良好物流环
境的重要基础设施,物流园区的需求预测是物流园区规划体系中十分关键的?/p>
节,
它是进行物流园区功能布局研究的前提和补充?/p>
国内外学者对物流需求预?/p>
方法研究大致分为以下两个阶段?/p>
第一阶段主要采用的方法是基于传统统计学的
预测方法,主要包括:灰色模型、线性回归模型及时间序列模型等。第二阶段在
第一阶段的方法中引入人工智能技术,
以改善预测模型的性能?/p>
主要包括?/p>
神经
络模型和支持向量机模型等?/p>
在实际应用过程中?/p>
第一阶段的预测模型在处理高维度?/p>
非线性数据时?/p>
?/p>
法获得优质结果;
而神经络模型在学习样本数量有限时?/p>
学习过程误差易收敛于
局部极小点,预测精度难以保证;学习样本变量很多时,又容易陷入维数灾难?/p>
由于影响机制复杂?/p>
考虑到支持向量机是建立在结构化风险最小化原则之上?/p>
?/p>
以有效地减少经验风险带来的影响,不仅对小样本数据表现出良好的拟合精度?/p>
还对独立的测试集表现出较小的误差?/p>
在一定程度上对学习机的泛化能力有所?/p>
升,
而且支持向量机算法是一个凸优化问题?/p>
在物流需求预测方面具有较明显?/p>
优势?/p>
本文采用基于支持向量机学习理论的物流园区需求预测方法对成都市货?/p>
量进行预测?/p>
支持向量机参数的选取直接影响模型的预测精度,
传统的格搜索参数组合?/p>
经无法满足对区域物流需求预测的精度要求?/p>
本文采用遗传算法对支持向量机?/p>
行参数寻优,构建
GA-SVM
区域物流需求预测模型,并对成都市物流需求进行预
测,结果证明
GA-SVM
预测模型的预测精度要优于传统?/p>
SVM
预测模型?/p>
2 GA-SVM
预测模型的算法设?/p>
支持向量?/p>
支持向量机(
Support Vector Machine
?/p>
SVM
?/p>
,是
Vapnik
?/p>
20
世纪
90
?/p>
代中期以统计学为基础提出的一种新型机器学习方法,
作为统计学理论中比较?/p>
轻和实用的理论,
已经在实际应用中得到很大的发展,
尤其是在小样本?/p>
非线?/p>
及高维分类和回归问题中表现出了比较出色的效果?/p>
相较于多项式核函数和
Sigmoid
核函数,
径向基核函数在先验知识不足的?/p>
况下,拥有更好的预测精度。因此,本文
GA-SVM
预测模型采用径向基核函数?/p>
为预测模型的核函数?/p>
?/p>
SVM
模型的待优化参数有:
核函数参数?/p>
不敏感函数参