港口需求預(yù)測模型研究范文
本站小編為你精心準備了港口需求預(yù)測模型研究參考范文，愿這些范文能點燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。
利用最小二乘支持向量機方法進行港口備件需求預(yù)測，首先要確定影響備件需求的主要因素。以往關(guān)于備件需求影響因素的研究主要集中在航空、艦艇、武器裝備等領(lǐng)域，楊美等在研究航空備件時，將飛機架數(shù)、飛行小時、飛行起落作為航空備件需求影響因素；馮楊等將裝備的開機時間、站位人員誤操作次數(shù)、惡劣天氣持續(xù)時間、特殊任務(wù)持續(xù)時間、裝備檢修次數(shù)、故障率和壽命期作為艦艇備件需求影響因素；趙建忠等將自然損耗量、氣候條件、通電時間、戰(zhàn)備值班時間、人為因素、拆卸次數(shù)、掛機飛行時間以及重大任務(wù)次數(shù)作為導(dǎo)彈備件消耗影響因素。港口備件具有不同于以上領(lǐng)域備件的特點，由于港口企業(yè)處于沿海地區(qū)，設(shè)備所處環(huán)境惡劣，港口設(shè)備通常連續(xù)作業(yè)，作業(yè)量巨大，設(shè)備維護人員的技術(shù)管理水平也不同，因此，備件更換的原因主要受到作業(yè)任務(wù)、設(shè)備、環(huán)境、人為和意外情況等多因素的影響。為了將這些因素量化為模型的輸入，經(jīng)過對港口資產(chǎn)管理系統(tǒng)中備件歷史數(shù)據(jù)的分析以及參考專家的意見，本文用設(shè)備的作業(yè)臺時和機械作業(yè)量來反映作業(yè)任務(wù)因素；設(shè)備的故障臺時和維修臺時來反映人為因素；設(shè)備的故障率來綜合反映由于環(huán)境、意外情況以及設(shè)備本身帶來的設(shè)備因素。最終，確定本模型中備件需求量的影響變量有：（1）設(shè)備的作業(yè)臺時。指裝卸設(shè)備參加實際作業(yè)的臺時，即從開始裝卸作業(yè)時起，至作業(yè)完畢為止的全部時間。設(shè)備的作業(yè)臺時越長，備件發(fā)生故障的可能性越大。（2）設(shè)備的機械作業(yè)量。設(shè)備的機械作業(yè)量越大，備件發(fā)生故障的可能性越大。（3）設(shè)備的故障臺時。為故障維修工單的完成日期與開始日期的差。（4）設(shè)備的維修臺時。為計劃維修工單的完成日期與開始日期的差。（5）設(shè)備故障率。設(shè)備故障率越高，需要備件的可能性越大。
2港口備件需求預(yù)測模型的建立
2.1港口備件需求預(yù)測模型的建立步驟利用最小二乘支持向量機算法進行港口備件需求預(yù)測，實質(zhì)上是對備件歷史數(shù)據(jù)有用知識的挖掘，從而預(yù)測未來將產(chǎn)生的需求。因此，本文采用數(shù)據(jù)挖掘的步驟來描述港口備件需求預(yù)測模型的建立過程，系統(tǒng)框架如圖1所示。（1）數(shù)據(jù)準備。根據(jù)港口備件需求預(yù)測的需要，從港口EAM系統(tǒng)中，利用查詢功能，導(dǎo)出與備件影響因素相關(guān)的歷史數(shù)據(jù)。（2）數(shù)據(jù)清理。對所選數(shù)據(jù)進行預(yù)處理，檢查數(shù)據(jù)的完整性與一致性，消除噪聲，過濾冗余數(shù)據(jù)，對丟失數(shù)據(jù)利用統(tǒng)計等方法進行填充。根據(jù)預(yù)測的需要，將數(shù)據(jù)樣本劃分為訓(xùn)練集和測試集，為后面數(shù)據(jù)挖掘做準備。（3）數(shù)據(jù)挖掘，建立模型。首先根據(jù)所研究問題確定數(shù)據(jù)挖掘的任務(wù)—備件需求預(yù)測，確定挖掘任務(wù)后，需要確定采用的算法。本文采用基于自適應(yīng)變異粒子群參數(shù)尋優(yōu)方法的最小二乘支持向量機算法，將備件需求影響因素作為LS-SVM的輸入變量，備件需求量作為輸出變量，建立AMPSO-LSSVM模型。（4）數(shù)據(jù)驗證。利用測試集來驗證模型預(yù)測的精度。
2.2最小二乘支持向量機對于給定的訓(xùn)練樣本集D={(x)}k,yk,k=1,2,…,N,輸入數(shù)據(jù)xk∈Rn，輸出數(shù)據(jù)yk∈R，N為訓(xùn)練樣本數(shù)目。根據(jù)Suykens的LS-SVM理論，利用非線性映射函數(shù)ϕ(•)將輸入空間Rn映射到一個高維的特征空間，以解決在原空間中線性不可分的問題。在高維特征空間中構(gòu)造最優(yōu)決策函數(shù)：由以上可以看出，在LS-SVM模型中，調(diào)整參數(shù)γ和徑向基函數(shù)的寬度參數(shù)σ的取值會直接影響預(yù)測結(jié)果的精度。利用粒子群算法對參數(shù)進行尋優(yōu)雖然可以避免人為選擇參數(shù)的盲目性，但可能會陷入到局部極值點，因此，本文將在粒子群優(yōu)化過程中加入自適應(yīng)粒子變異，即利用自適應(yīng)變異粒子群算法對LS-SVM模型參數(shù)尋優(yōu)，防止陷入局部最優(yōu)，從而得到最優(yōu)的γ和σ。
2.3自適應(yīng)變異粒子群算法
粒子群算法。粒子群優(yōu)化算法（PSO）是一種進化計算技術(shù)，由Eberhart博士和Kennedy博士于1995年提出，源于對鳥群捕食行為的研究。其方法是在群體規(guī)模內(nèi)初始化一組由n個隨機粒子組成的種群X=(X1,X2,…,Xn)，第i個粒子Xi為一個D維向量，Xi=(xi1,xi2,…,xiD)T,i=1,2,…n，第i個粒子的速度Vi=(Vi1,Vi2,…,ViD)T，個體極值Pi=(Pi1,Pi2,…,PiD)T，群體極值Pg=(Pg1,Pg2,…,PgD)T,g=1,2,…,n。每個解通過適應(yīng)度值函數(shù)來判別優(yōu)越性，按照速度更新公式（9）和個體更新公式（10）反復(fù)迭代，直至滿足終止條件為止。
2.4基于AMPSO-LSSVM算法的港口備件需求預(yù)測模型將以上描述港口備件需求影響因素的說明性變量，即備件需求驅(qū)動因子，作為LS-SVM的輸入，備件需求量作為輸出。通過對港口備件需求影響因素的分析，將港口備件需求量D的說明性變量設(shè)定為：設(shè)備的作業(yè)臺時T、機械作業(yè)量M、設(shè)備的故障臺時N、維修臺時P和故障率X，因此基于LS-SVM的港口備件需求量為：建立LS-SVM模型時，利用自適應(yīng)變異粒子群算法來確定參數(shù)γ和σ，港口備件需求預(yù)測的AMPSO-LSSVM算法過程如下：（1）初始化粒子群參數(shù)，包括種群規(guī)模、進化次數(shù)、加速因子和種群速度；將數(shù)據(jù)樣本分為訓(xùn)練集和測試集。（2）計算初始適應(yīng)度值，分別用每個粒子向量對應(yīng)的支持向量機模型對測試樣本進行預(yù)測，以測試集預(yù)測值的均方差為適應(yīng)度值，找到個體極值和群體極值。（3）利用公式（9）和（10）進行迭代尋優(yōu)，在此過程中加入了自適應(yīng)粒子變異，設(shè)定發(fā)生自適應(yīng)變異的概率以及變異操作。（4）將各粒子計算的適應(yīng)值與當(dāng)前最優(yōu)解的適應(yīng)值進行對比，小于的話就取代當(dāng)前的適應(yīng)值，達到更新個體和群體最優(yōu)解的目的。（5）所有粒子計算后，判斷是否滿足終止條件，不滿足則返回第3步，滿足則優(yōu)化結(jié)束，將具有最小適應(yīng)值的個體作為最優(yōu)解輸出，得到優(yōu)化后的參數(shù)γ和σ。（6）得到最優(yōu)參數(shù)γ和σ，建立LS-SVM預(yù)測模型，對預(yù)測樣本進行預(yù)測。
3實例分析
3.1數(shù)據(jù)選取和參數(shù)確定以港口某型備件2008年1月至2012年12月的歷史消耗數(shù)據(jù)及上述相關(guān)變量作為樣本集，每個月的數(shù)據(jù)作為一個樣本，共計60個樣本，其中前36個樣本為訓(xùn)練樣本，后24個樣本為測試樣本。利用MATLAB環(huán)境下的LS-SVMlab1.8工具箱對模型進行仿真實驗。設(shè)置AMPSO-LSSVM算法的初始參數(shù)。LS-SVM的基本參數(shù)設(shè)置為γ∈0.1,1000，σ∈0.01,100；粒子群算法的基本參數(shù)為c1=1.5，c2=1.7，種群規(guī)模為30，進化次數(shù)為300，設(shè)定發(fā)生自適應(yīng)變異的概率為50%。通過AMPSO算法尋優(yōu)后得到的最小二乘支持向量機參數(shù)γ=1000，σ=12.6610。
3.2數(shù)據(jù)預(yù)測與分析為了檢驗本模型實際預(yù)測的效果，選取最小二乘支持向量機模型作為對比模型，模型參數(shù)通過交叉驗證法得到，并采用均方誤差（MSE）和平均絕對百分比誤差（MAPE）作為預(yù)測效果對比判斷的依據(jù)。一般認為，MSE越小，預(yù)測效果越好；MAPE的值低于10，則預(yù)測精度較高。MSE和MAPE的定義分別為：粒子群優(yōu)化過程中適應(yīng)度值隨進化次數(shù)變化曲線如圖3所示，適應(yīng)度值迅速達到最優(yōu)；加入自適應(yīng)變異操作的適應(yīng)度變化曲線如圖4所示，適應(yīng)度經(jīng)過幾次波折才達到最優(yōu)，防止了早熟現(xiàn)象；測試樣本的預(yù)測結(jié)果同真實值的對比圖如圖5所示。AMPSO-LSSVM模型預(yù)測結(jié)果見表1，同LS-SVM模型誤差對比見表2。由表1和表2可以看出，AMPSO-LSSVM模型的預(yù)測精度要大大優(yōu)于LS-SVM模型；利用AMPSO-LSSVM模型預(yù)測得到的備件需求量同實際值的誤差最多不超過5個，并且大部分保持在3個以內(nèi)，這是由于在正常的設(shè)備維護過程中，還存在著備件的使用壽命到期以及一些意外因素，因此，在實際備件儲備時，可以根據(jù)預(yù)測得到的備件數(shù)量來制定備件的合理儲備范圍。以該型備件為例，可設(shè)定儲備數(shù)量為預(yù)測得到的數(shù)量再加上5個，從而在保證備件供應(yīng)的情況下，改善港口企業(yè)備件盲目過量儲備的問題。
4結(jié)束語
港口備件需求預(yù)測要找出備件需求量同影響因素之間的非線性關(guān)系，以建立預(yù)測模型，提高預(yù)測精度，為港口備件備提供決策依據(jù)。本文提出了最小二乘支持向量機方法同自適應(yīng)變異粒子群算法結(jié)合的預(yù)測模型，可以很好的達到以上目的。最小二乘支持向量機能夠在小樣本的情況下，描述出變量間非線性關(guān)系，得到預(yù)測模型；自適應(yīng)變異粒子群對LS-SVM的參數(shù)尋優(yōu)，避免了參數(shù)選擇的盲目性和早熟現(xiàn)象，提高了模型的預(yù)測精度；通過對秦皇島港某型備件的實例分析，驗證了AMPSO-LSSVM模型的可行性和有效性。由于港口現(xiàn)有數(shù)據(jù)庫中數(shù)據(jù)的限制，本文在確定影響變量時僅選取了五個變量，隨著港口備件在管理上更趨于精細化，建立備件專門的數(shù)據(jù)倉庫，備件相關(guān)數(shù)據(jù)更趨于完善，今后的研究可以考慮加入更多備件影響因素，例如備件剩余壽命、管理水平、使用環(huán)境等，并且可以根據(jù)這些因素對備件需求量的影響設(shè)立不同的權(quán)重，以期更好的描述備件需求同影響因素之間的關(guān)系，得到更精確的預(yù)測結(jié)果。
作者：宋之杰付贊王晗侯貴賓單位：燕山大學(xué)經(jīng)濟管理學(xué)院秦皇島港股份有限公司
