基于支持向量機的區域物流需求預測研究

呂雅麗

[摘 要]基于支持向量機的區域物流需求預測是在追求更高的預測精度下提出的，首先選取非線性回歸方法篩選影響區域物流需求的主要因子，然后用支持向量機模型對原始數據進行處理，并通過“影響區域物流需求因素”求解最優化的支持向量機核函數，最后構建影響區域物流需求的影響因子的非線性數據模型。結論表明，支持向量機模型相對多元線性回歸、BP神經網絡等，提高了區域物流需求的精確度，在之后的區域需求預測中將會有更加廣泛的應用。

[關鍵詞]支持向量機；區域物流需求；預測

[DOI]10.13939/j.cnki.zgsc.2018.02.144

1 引 言

在國家大力倡導物流政策的前提下，區域物流的需求數量將大幅上升，做到準確地預測區域物流需求數量就顯得格外重要，其準確度將決定區域物流的規劃是否合理。所以對區域物流規模的預測是所屬地區政府和企業都相當關心的問題。因此對區域物流的預測需求量進行研究具有十分重要的理論和現實意義，同時為當地政府建設物流基礎設施及制定物流產業規劃策略提供指導建議和理論的依據。

國外學者較早地對區域物流需求進行了預測，主要從預測運輸量入手對物流需求量進行估量。例如：Mudit Kulshreshtha等（2001）利用印度近35年的鐵路時間序列樣本構建了多元向量回歸模型對印度貨物需求的運輸量進行了估量，實證結果表明印度的鐵路運輸量極大地影響著當地的經濟發展。國內學者在21世紀初開始對物流預測的方法進行探究，其大多找尋物流需求量的原始數據帶入物流需求的預測模型中模擬未來的物流需求變化情況。[1]從區域物流的影響因素入手對區域物流需求量的多少做出預測的研究還很少，學者陳黎（2006）從影響物流需求變化的影響因素入手，選取了物流需求指標體系，采用灰色預測模型、回歸模型以及加權的組合模型，以湖北省為例對其物流需求量進行預測，實證結果表明，多種預測模型的結合可以較客觀描述物流需求量的變化趨勢[2]。綜上所述，可以發現各種方法均有優勢和缺陷。

支持向量機SVM能夠有效地克服以上傳統預測模型的種種問題，并且目前已成功地在函數逼近、模式的分類等實際問題中得到了廣泛的應用。[3]因此本文采用支持向量機的預測模型，從影響區域物流需求的影響因素入手，利用影響區域經濟的各項因素指標來計算區域物流的需求數量。

2 建模——物流需求預測的數學原理

物流需求預測采用一定的方法，借助于科學技術工具通過對以往歷史物流需求量的資料了解和對市場情況的估算，對將來物流需求量的多少進行相對科學以及準確的預估、分析、測算。物流需求預測對于物流的規劃、區域的發展有著極為重要的意義，它不僅有利于企業實時地了解市場需求的動態趨勢，而且為企業準確地把握市場動向提供了依據，以便企業在制訂計劃時可以選取適當的戰略和方法，從而達到利益的最大化。物流需求內涵很多種因素，是各種因素綜合的效果。

物流與各種影響因素之間潛在一種隱含的、存在于內部的數學映射關系，這種映射關系不是單純的多元線性關系，而是一種錯綜復雜的非線性關系，基本沒有簡單、準確的數學模型與之完全匹配，這就需要選用抽象、復雜的數學模型來描述影響因素及物流需求量之間的關系。

Y=X1X2，…，Xn（1）

其中，Y是物流需求，Xi是物流需求影響因素n，內含經濟、政治、科技、環境等多種影響因素。

從式（1）可以看出，影響物流的需求因素是很多因素的綜合結果，每種因素都有可能對Y物流的需求因素產生結果的變化，而且每一種因素的作用大小各不相同，所以綜上，這種交叉、復雜的潛在關系形成了物流需求量及其影響因素之間是一種非線性、多元的映射狀態，所以選取傳統的單純數學線性預測方法已經無法對其科學的預估和預測。[4]而支持向量機對于潛在非線性的關系預測較準確，滿足了本論文這種無法準確獲得影響因素信息，以及難度較大的區域物流需求的預測問題。所以本文選取支持向量機對未來物流需求進行預估。

3 預測模型的應用

3.1 指標選取及數據來源

鑒于收集數據的可行性，以推測山東省的區域物流需求為案例，選擇貨物運輸量為區域物流需求指標。通過對影響山東物流需求的各因素進行研究，加之環境及行業的指標難以衡量，而且經濟因素又是推測區域物流多少的最根源因素，基于數據的可行性原則，對于物流需求量的預測本文選擇各經濟指標進行衡量，如人均消費水平，第一、二、三產業的產值，區域外貿總額，區域零售總額等。特別地，對于山東省三大產業的產值量從兩個方面進行討論，一方面是經濟結構對物流需求量的作用；另一方面是區域經濟的總量情況；同時，區域物流需求量的重要組成部分還有商業流通的多少，由于山東是東部沿海地區，有對外貿易港口，港口物流占了物流需求很大的比例，所以區域外貿總額也是必不可少的（資料來自2000-2015年山東省的統計年鑒）。

3.2 數據處理

便于對SVM中的各系數進行準確的選擇同時考慮到計算的難易程度，對文章的每一指標數據均采用X′ij=Xij/Xmaxj的方法進行歸一化變形。其中：X′ij為第i個指標的第j個數據歸一化后的結果；Xij是第i個指標的第j個數據的原始數據；Xmaxj是第i個指標里所有數據中的最大數值。下面把2000—2010年的數據指標為訓練樣本，2010—2015年的數據指標是測試樣本，進行結果的模擬。

上面已經對“影響因素區域物流需求”的SVM預測模型進行了基本的闡述，針對模型，在MATLAB環境下在DOS窗口中進行試驗的模擬與仿真測試。本文采取ε-SVM，對于核函數用。由于SVM模型需要設定參數，因為參數不同導致的結果也不盡相同，通常采用的方法是經過鎖定參數空間中的一定范圍，借此尋找和優化參數的定值，因此尋找最佳參數也成了SVM試驗中最浪費時間的一步。通常SVM的參數選定與核函數的確定是經過交叉試驗法進行選擇優化的，實驗結果總體上說，推測的結果滿足了試驗的需求，擬合程度較高。

4 結論及其展望

通過以上對區域物流需求影響因素的綜述表明，區域物流的影響因素不止受到單一因素的影響，其實質是一種多元非線性的復雜結構，傳統的數據模型不能對實際各區域的物流需求量進行準確的預測，由于BP神經網絡的原理是經驗風險的最低原則，雖然其對非線性的數據推算能力較強，對于樣本量不足的原始數據，計算機的學習算法的泛化能力也會變弱。

本文根據支持向量機模型的特點，將其用到區域物流需求預測的研究中去，找到影響區域經濟的因素指標與區域物流需求預測之間的聯系，構建“影響區域物流需求因素”的支持向量機模型，將多項式核函數以及損失函數應用到其中，對于預測區域物流的需求量有很大的成效，取得了較為理想的成果。實證結果表明支持向量機的“影響區域物流需求因素”模型具備傳統模型無法比擬的優勢，它能夠很快收斂于一個狹窄的范圍，學習性能強，精確度較高，且對于不同樣本的適應性強，證明了該模型是科學客觀的。但是從未來支持向量機的學術領域來看，在參數的選擇以及核函數和損失函數的確定比例上存在較大的不確定性，主要靠人為的主觀經驗性，而且不能求得整個問題的最優解，只能找到滿意解，以后還要對此問題進行深度探究。

參考文獻：

[1]耿立艷，趙鵬，張占福.基于二階振蕩微粒群最小二乘支持向量機的物流需求預測[J].計算機應用究，2012，7（1）：2-11.

[2]陳黎.我國區域物流發展預測[J].統計與決策，2006（12）：127-129.

[3]陳海英，張萍，柳合龍.人工魚群算法優化支持向量機的物流需求預測模型研究[J].數學的實踐與認識，2016（2）：69-75.

[4]Adrangi B， Chatrath A， Raffiee K.The Demand for US Air Transport Service：A Chaos and Nonlinearity Investigation[J].Transportation Research Part E Logistics & Transportation Review， 2015，37（5）： 37-53.endprint