港口需求预测模型研究范文

本站小编为你精心准备了港口需求预测模型研究参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

1港口备件需求影响因素分析

利用最小二乘支持向量机方法进行港口备件需求预测，首先要确定影响备件需求的主要因素。以往关于备件需求影响因素的研究主要集中在航空、舰艇、武器装备等领域，杨美等在研究航空备件时，将飞机架数、飞行小时、飞行起落作为航空备件需求影响因素；冯杨等将装备的开机时间、站位人员误操作次数、恶劣天气持续时间、特殊任务持续时间、装备检修次数、故障率和寿命期作为舰艇备件需求影响因素；赵建忠等将自然损耗量、气候条件、通电时间、战备值班时间、人为因素、拆卸次数、挂机飞行时间以及重大任务次数作为导弹备件消耗影响因素。港口备件具有不同于以上领域备件的特点，由于港口企业处于沿海地区，设备所处环境恶劣，港口设备通常连续作业，作业量巨大，设备维护人员的技术管理水平也不同，因此，备件更换的原因主要受到作业任务、设备、环境、人为和意外情况等多因素的影响。为了将这些因素量化为模型的输入，经过对港口资产管理系统中备件历史数据的分析以及参考专家的意见，本文用设备的作业台时和机械作业量来反映作业任务因素；设备的故障台时和维修台时来反映人为因素；设备的故障率来综合反映由于环境、意外情况以及设备本身带来的设备因素。最终，确定本模型中备件需求量的影响变量有：（1）设备的作业台时。指装卸设备参加实际作业的台时，即从开始装卸作业时起，至作业完毕为止的全部时间。设备的作业台时越长，备件发生故障的可能性越大。（2）设备的机械作业量。设备的机械作业量越大，备件发生故障的可能性越大。（3）设备的故障台时。为故障维修工单的完成日期与开始日期的差。（4）设备的维修台时。为计划维修工单的完成日期与开始日期的差。（5）设备故障率。设备故障率越高，需要备件的可能性越大。

2港口备件需求预测模型的建立

2.1港口备件需求预测模型的建立步骤利用最小二乘支持向量机算法进行港口备件需求预测，实质上是对备件历史数据有用知识的挖掘，从而预测未来将产生的需求。因此，本文采用数据挖掘的步骤来描述港口备件需求预测模型的建立过程，系统框架如图1所示。（1）数据准备。根据港口备件需求预测的需要，从港口EAM系统中，利用查询功能，导出与备件影响因素相关的历史数据。（2）数据清理。对所选数据进行预处理，检查数据的完整性与一致性，消除噪声，过滤冗余数据，对丢失数据利用统计等方法进行填充。根据预测的需要，将数据样本划分为训练集和测试集，为后面数据挖掘做准备。（3）数据挖掘，建立模型。首先根据所研究问题确定数据挖掘的任务—备件需求预测，确定挖掘任务后，需要确定采用的算法。本文采用基于自适应变异粒子群参数寻优方法的最小二乘支持向量机算法，将备件需求影响因素作为LS-SVM的输入变量，备件需求量作为输出变量，建立AMPSO-LSSVM模型。（4）数据验证。利用测试集来验证模型预测的精度。

2.2最小二乘支持向量机对于给定的训练样本集D={(x)}k,yk,k=1,2,…,N,输入数据xk∈Rn，输出数据yk∈R，N为训练样本数目。根据Suykens的LS-SVM理论，利用非线性映射函数ϕ(•)将输入空间Rn映射到一个高维的特征空间，以解决在原空间中线性不可分的问题。在高维特征空间中构造最优决策函数：由以上可以看出，在LS-SVM模型中，调整参数γ和径向基函数的宽度参数σ的取值会直接影响预测结果的精度。利用粒子群算法对参数进行寻优虽然可以避免人为选择参数的盲目性，但可能会陷入到局部极值点，因此，本文将在粒子群优化过程中加入自适应粒子变异，即利用自适应变异粒子群算法对LS-SVM模型参数寻优，防止陷入局部最优，从而得到最优的γ和σ。

2.3自适应变异粒子群算法

粒子群算法。粒子群优化算法（PSO）是一种进化计算技术，由Eberhart博士和Kennedy博士于1995年提出，源于对鸟群捕食行为的研究。其方法是在群体规模内初始化一组由n个随机粒子组成的种群X=(X1,X2,…,Xn)，第i个粒子Xi为一个D维向量，Xi=(xi1,xi2,…,xiD)T,i=1,2,…n，第i个粒子的速度Vi=(Vi1,Vi2,…,ViD)T，个体极值Pi=(Pi1,Pi2,…,PiD)T，群体极值Pg=(Pg1,Pg2,…,PgD)T,g=1,2,…,n。每个解通过适应度值函数来判别优越性，按照速度更新公式（9）和个体更新公式（10）反复迭代，直至满足终止条件为止。

2.4基于AMPSO-LSSVM算法的港口备件需求预测模型将以上描述港口备件需求影响因素的说明性变量，即备件需求驱动因子，作为LS-SVM的输入，备件需求量作为输出。通过对港口备件需求影响因素的分析，将港口备件需求量D的说明性变量设定为：设备的作业台时T、机械作业量M、设备的故障台时N、维修台时P和故障率X，因此基于LS-SVM的港口备件需求量为：建立LS-SVM模型时，利用自适应变异粒子群算法来确定参数γ和σ，港口备件需求预测的AMPSO-LSSVM算法过程如下：（1）初始化粒子群参数，包括种群规模、进化次数、加速因子和种群速度；将数据样本分为训练集和测试集。（2）计算初始适应度值，分别用每个粒子向量对应的支持向量机模型对测试样本进行预测，以测试集预测值的均方差为适应度值，找到个体极值和群体极值。（3）利用公式（9）和（10）进行迭代寻优，在此过程中加入了自适应粒子变异，设定发生自适应变异的概率以及变异操作。（4）将各粒子计算的适应值与当前最优解的适应值进行对比，小于的话就取代当前的适应值，达到更新个体和群体最优解的目的。（5）所有粒子计算后，判断是否满足终止条件，不满足则返回第3步，满足则优化结束，将具有最小适应值的个体作为最优解输出，得到优化后的参数γ和σ。（6）得到最优参数γ和σ，建立LS-SVM预测模型，对预测样本进行预测。

3实例分析

3.1数据选取和参数确定以港口某型备件2008年1月至2012年12月的历史消耗数据及上述相关变量作为样本集，每个月的数据作为一个样本，共计60个样本，其中前36个样本为训练样本，后24个样本为测试样本。利用MATLAB环境下的LS-SVMlab1.8工具箱对模型进行仿真实验。设置AMPSO-LSSVM算法的初始参数。LS-SVM的基本参数设置为γ∈0.1,1000，σ∈0.01,100；粒子群算法的基本参数为c1=1.5，c2=1.7，种群规模为30，进化次数为300，设定发生自适应变异的概率为50%。通过AMPSO算法寻优后得到的最小二乘支持向量机参数γ=1000，σ=12.6610。

3.2数据预测与分析为了检验本模型实际预测的效果，选取最小二乘支持向量机模型作为对比模型，模型参数通过交叉验证法得到，并采用均方误差（MSE）和平均绝对百分比误差（MAPE）作为预测效果对比判断的依据。一般认为，MSE越小，预测效果越好；MAPE的值低于10，则预测精度较高。MSE和MAPE的定义分别为：粒子群优化过程中适应度值随进化次数变化曲线如图3所示，适应度值迅速达到最优；加入自适应变异操作的适应度变化曲线如图4所示，适应度经过几次波折才达到最优，防止了早熟现象；测试样本的预测结果同真实值的对比图如图5所示。AMPSO-LSSVM模型预测结果见表1，同LS-SVM模型误差对比见表2。由表1和表2可以看出，AMPSO-LSSVM模型的预测精度要大大优于LS-SVM模型；利用AMPSO-LSSVM模型预测得到的备件需求量同实际值的误差最多不超过5个，并且大部分保持在3个以内，这是由于在正常的设备维护过程中，还存在着备件的使用寿命到期以及一些意外因素，因此，在实际备件储备时，可以根据预测得到的备件数量来制定备件的合理储备范围。以该型备件为例，可设定储备数量为预测得到的数量再加上5个，从而在保证备件供应的情况下，改善港口企业备件盲目过量储备的问题。

4结束语

港口备件需求预测要找出备件需求量同影响因素之间的非线性关系，以建立预测模型，提高预测精度，为港口备件备提供决策依据。本文提出了最小二乘支持向量机方法同自适应变异粒子群算法结合的预测模型，可以很好的达到以上目的。最小二乘支持向量机能够在小样本的情况下，描述出变量间非线性关系，得到预测模型；自适应变异粒子群对LS-SVM的参数寻优，避免了参数选择的盲目性和早熟现象，提高了模型的预测精度；通过对秦皇岛港某型备件的实例分析，验证了AMPSO-LSSVM模型的可行性和有效性。由于港口现有数据库中数据的限制，本文在确定影响变量时仅选取了五个变量，随着港口备件在管理上更趋于精细化，建立备件专门的数据仓库，备件相关数据更趋于完善，今后的研究可以考虑加入更多备件影响因素，例如备件剩余寿命、管理水平、使用环境等，并且可以根据这些因素对备件需求量的影响设立不同的权重，以期更好的描述备件需求同影响因素之间的关系，得到更精确的预测结果。

作者：宋之杰付赞王晗侯贵宾单位：燕山大学经济管理学院秦皇岛港股份有限公司