港口需求預測模型研究范文
本站小編為你精心準備了港口需求預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測，首先要確定影響備件需求的主要因素。以往關于備件需求影響因素的研究主要集中在航空、艦艇、武器裝備等領域，楊美等在研究航空備件時，將飛機架數、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、惡劣天氣持續時間、特殊任務持續時間、裝備檢修次數、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、戰備值班時間、人為因素、拆卸次數、掛機飛行時間以及重大任務次數作為導彈備件消耗影響因素。港口備件具有不同于以上領域備件的特點，由于港口企業處于沿海地區，設備所處環境惡劣，港口設備通常連續作業，作業量巨大，設備維護人員的技術管理水平也不同，因此，備件更換的原因主要受到作業任務、設備、環境、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，經過對港口資產管理系統中備件歷史數據的分析以及參考專家的意見，本文用設備的作業臺時和機械作業量來反映作業任務因素；設備的故障臺時和維修臺時來反映人為因素；設備的故障率來綜合反映由于環境、意外情況以及設備本身帶來的設備因素。最終，確定本模型中備件需求量的影響變量有：（1）設備的作業臺時。指裝卸設備參加實際作業的臺時，即從開始裝卸作業時起，至作業完畢為止的全部時間。設備的作業臺時越長，備件發生故障的可能性越大。（2）設備的機械作業量。設備的機械作業量越大，備件發生故障的可能性越大。（3）設備的故障臺時。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）設備故障率。設備故障率越高，需要備件的可能性越大。
2港口備件需求預測模型的建立
2.1港口備件需求預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測，實質上是對備件歷史數據有用知識的挖掘，從而預測未來將產生的需求。因此，本文采用數據挖掘的步驟來描述港口備件需求預測模型的建立過程，系統框架如圖1所示。（1）數據準備。根據港口備件需求預測的需要，從港口EAM系統中，利用查詢功能，導出與備件影響因素相關的歷史數據。（2）數據清理。對所選數據進行預處理，檢查數據的完整性與一致性，消除噪聲，過濾冗余數據，對丟失數據利用統計等方法進行填充。根據預測的需要，將數據樣本劃分為訓練集和測試集，為后面數據挖掘做準備。（3）數據挖掘，建立模型。首先根據所研究問題確定數據挖掘的任務—備件需求預測，確定挖掘任務后，需要確定采用的算法。本文采用基于自適應變異粒子群參數尋優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）數據驗證。利用測試集來驗證模型預測的精度。
2.2最小二乘支持向量機對于給定的訓練樣本集D={(x)}k,yk,k=1,2,…,N,輸入數據xk∈Rn，輸出數據yk∈R，N為訓練樣本數目。根據Suykens的LS-SVM理論，利用非線性映射函數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造最優決策函數：由以上可以看出，在LS-SVM模型中，調整參數γ和徑向基函數的寬度參數σ的取值會直接影響預測結果的精度。利用粒子群算法對參數進行尋優雖然可以避免人為選擇參數的盲目性，但可能會陷入到局部極值點，因此，本文將在粒子群優化過程中加入自適應粒子變異，即利用自適應變異粒子群算法對LS-SVM模型參數尋優，防止陷入局部最優，從而得到最優的γ和σ。
2.3自適應變異粒子群算法
粒子群算法。粒子群優化算法（PSO）是一種進化計算技術，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。其方法是在群體規模內初始化一組由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。每個解通過適應度值函數來判別優越性，按照速度更新公式（9）和個體更新公式（10）反復迭代，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的說明性變量設定為：設備的作業臺時T、機械作業量M、設備的故障臺時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，利用自適應變異粒子群算法來確定參數γ和σ，港口備件需求預測的AMPSO-LSSVM算法過程如下：（1）初始化粒子群參數，包括種群規模、進化次數、加速因子和種群速度；將數據樣本分為訓練集和測試集。（2）計算初始適應度值，分別用每個粒子向量對應的支持向量機模型對測試樣本進行預測，以測試集預測值的均方差為適應度值，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，在此過程中加入了自適應粒子變異，設定發生自適應變異的概率以及變異操作。（4）將各粒子計算的適應值與當前最優解的適應值進行對比，小于的話就取代當前的適應值，達到更新個體和群體最優解的目的。（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，滿足則優化結束，將具有最小適應值的個體作為最優解輸出，得到優化后的參數γ和σ。（6）得到最優參數γ和σ，建立LS-SVM預測模型，對預測樣本進行預測。
3實例分析
3.1數據選取和參數確定以港口某型備件2008年1月至2012年12月的歷史消耗數據及上述相關變量作為樣本集，每個月的數據作為一個樣本，共計60個樣本，其中前36個樣本為訓練樣本，后24個樣本為測試樣本。利用MATLAB環境下的LS-SVMlab1.8工具箱對模型進行仿真實驗。設置AMPSO-LSSVM算法的初始參數。LS-SVM的基本參數設置為γ∈0.1,1000，σ∈0.01,100；粒子群算法的基本參數為c1=1.5，c2=1.7，種群規模為30，進化次數為300，設定發生自適應變異的概率為50%。通過AMPSO算法尋優后得到的最小二乘支持向量機參數γ=1000，σ=12.6610。
3.2數據預測與分析為了檢驗本模型實際預測的效果，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）作為預測效果對比判斷的依據。一般認為，MSE越小，預測效果越好；MAPE的值低于10，則預測精度較高。MSE和MAPE的定義分別為：粒子群優化過程中適應度值隨進化次數變化曲線如圖3所示，適應度值迅速達到最優；加入自適應變異操作的適應度變化曲線如圖4所示，適應度經過幾次波折才達到最優，防止了早熟現象；測試樣本的預測結果同真實值的對比圖如圖5所示。AMPSO-LSSVM模型預測結果見表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模型的預測精度要大大優于LS-SVM模型；利用AMPSO-LSSVM模型預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，這是由于在正常的設備維護過程中，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，可以根據預測得到的備件數量來制定備件的合理儲備范圍。以該型備件為例，可設定儲備數量為預測得到的數量再加上5個，從而在保證備件供應的情況下，改善港口企業備件盲目過量儲備的問題。
4結束語
港口備件需求預測要找出備件需求量同影響因素之間的非線性關系，以建立預測模型，提高預測精度，為港口備件備提供決策依據。本文提出了最小二乘支持向量機方法同自適應變異粒子群算法結合的預測模型，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系，得到預測模型；自適應變異粒子群對LS-SVM的參數尋優，避免了參數選擇的盲目性和早熟現象，提高了模型的預測精度；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。由于港口現有數據庫中數據的限制，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，建立備件專門的數據倉庫，備件相關數據更趨于完善，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、使用環境等，并且可以根據這些因素對備件需求量的影響設立不同的權重，以期更好的描述備件需求同影響因素之間的關系，得到更精確的預測結果。
作者：宋之杰付贊王晗侯貴賓單位：燕山大學經濟管理學院秦皇島港股份有限公司
