基于LSSVM-DACPSO模型的物流需求预测

发布时间：2018-07-27 18:01

【摘要】：最小二乘支持向量机(LSSVM)的推广与应用依赖于核函数中参数的选择。文章针对LSSVM在物流需求预测中参数选择的随意性、耗时性等问题,将LSSVM与动态加速系数粒子群优化(DACPSO)算法结合,提出一种基于LSSVM-DACPSO的物流需求预测模型。该模型首先利用DACPSO算法的寻优能力选择LSSVM最优参数,然后运用LSSVM的非线性运算能力对物流需求量进行预测。利用我国的物流数据进行实例分析,结果表明,相比于TVACPSO算法、PSO算法和交叉验证法,DACPSO算法优化的LSSVM具有更高的预测精度和更快的建模速度,该模型具有一定的推广与应用价值。
[Abstract]:The extension and application of least squares support vector machine (LSSVM) depends on the selection of parameters in kernel function. In order to solve the problem of random and time-consuming parameter selection in logistics demand prediction by LSSVM, this paper proposes a logistics demand forecasting model based on LSSVM-DACPSO by combining LSSVM with (DACPSO) algorithm with dynamic acceleration coefficient particle swarm optimization. In this model, the optimization ability of DACPSO algorithm is used to select the optimal parameters of LSSVM, and then the nonlinear computing ability of LSSVM is used to predict the logistics demand. The results show that compared with the TVACPSO algorithm and the cross validation algorithm, the optimized LSSVM has higher prediction precision and faster modeling speed, and the model has certain popularization and application value.
【作者单位】： 石家庄铁道大学经济管理学院;石家庄铁道大学学生处;
【基金】：河北省高等学校青年拔尖人才计划项目(BJ2014097) 河北省软科学研究计划项目(15456106D;13456119D)
【分类号】：F252;TP181

【参考文献】

相关期刊论文 前5条

1 庞明宝;谢玲;郝然;马宁;;基于偏最小二乘支持向量机回归区域物流量预测[J];河北工业大学学报;2008年02期

2 王娟;刘明治;;蚁群算法滚动优化的LS-SVM预测控制研究[J];控制与决策;2009年07期

3 梁毅刚;耿立艳;张占福;;基于核主成分-最小二乘支持向量机的区域物流需求预测[J];铁道运输与经济;2012年11期

4 陈如清;俞金寿;;基于粒子群最小二乘支持向量机的软测量建模[J];系统仿真学报;2007年22期

5 许桂梅;黄圣国;;应用LS-SVM的飞机重着陆诊断[J];系统工程理论与实践;2010年04期

【共引文献】

相关期刊论文 前10条

1 周欣然;滕召胜;蒋星军;;稀疏在线无偏置最小二乘支持向量机的预测控制[J];电子测量与仪器学报;2011年04期

2 谷云东;胡芳芳;;分区支持向量回归及其在负荷预测中的应用[J];电力系统及其自动化学报;2013年03期

3 龙文;张文专;;基于自适应粒子群算法的重油热解模型参数估计[J];重庆师范大学学报(自然科学版);2013年06期

4 王东蛟;夏国恩;马璐;;区域物流需求预测方法研究综述[J];东方企业文化;2015年05期

5 骆世广;叶赛;胡蓉;;基于多输出支持向量机的物流量预测研究[J];华东交通大学学报;2010年05期

6 张晓龙;尧世文;胡建杭;董人菘;王华;;铜冶炼节能参数优化学习模型研究[J];计算机与应用化学;2012年07期

7 熊伟丽;王肖;徐保国;;一种发酵过程的分阶段融合建模算法研究[J];计算机与应用化学;2013年12期

8 赵越;赵嵩正;;多样性PSO_SVR油气操作成本时间序列预测模型[J];计算机仿真;2014年01期

9 熊伟丽;姚乐;徐保国;;混沌最小二乘支持向量机及其在发酵过程建模中的应用[J];化工学报;2013年12期

10 郭长兴;马建伟;;神经网络预测及电力主变室多参数优化控制[J];计算机测量与控制;2014年04期

相关博士学位论文 前8条

1 郑斌;区域物流网络中心选址及线路优化研究[D];大连海事大学;2011年

2 谢春利;基于最小二乘支持向量机的非线性系统自适应控制方法的研究[D];大连理工大学;2011年

3 余艳芳;改进型支持向量回归机及其在过程建模与控制中的应用[D];华东理工大学;2010年

4 阎纲;基于最小二乘支持向量机的铝电解过程建模与控制研究[D];中南大学;2012年

5 陈进东;基于模糊在线支持向量回归的建模与预测控制研究[D];江南大学;2013年

6 周欣然;基于最小二乘支持向量机的在线建模与控制方法研究[D];湖南大学;2012年

7 刘蓉;城市住房价格PSO-LSSVR预测模型研究[D];重庆大学;2014年

8 熊国江;基于计算智能的电网故障诊断方法研究[D];华中科技大学;2014年

相关硕士学位论文 前10条

1 江丽鑫;区域物流规划中的物流量界定及测算方法探讨[D];辽宁师范大学;2011年

2 杨进伟;基于GM/BP神经网络组合预测模型的区域物流量预测研究[D];中南大学;2011年

3 赵会;基于支持向量机的烟气成分建模研究[D];河南科技大学;2009年

4 李万东;污水处理过程实时控制及软测量方法研究[D];北京工商大学;2010年

5 廖龙飞;多输出支持向量机及其应用研究[D];北京化工大学;2011年

6 贾岩;基于LabVIEW的污水处理控制系统及软测量建模研究[D];江南大学;2012年

7 孙浩;基于支持向量机的交通安全预测模型研究[D];合肥工业大学;2009年

8 任彦铭;城市道路交通安全的预测与评价方法研究[D];合肥工业大学;2010年

9 黄敏珍;区域货运总量预测方法及实例研究[D];西南交通大学;2012年

10 马雪倩;黑龙江省水资源可持续利用评价研究[D];东北农业大学;2013年

【二级参考文献】

相关期刊论文 前10条

1 何国华;;区域物流需求预测及灰色预测模型的应用[J];北京交通大学学报(社会科学版);2008年01期

2 关圣涛;楚纪正;邵帅;;粒子群优化算法在非线性模型预测控制中的研究应用[J];北京化工大学学报(自然科学版);2007年06期

3 庞明宝;谢玲;郝然;马宁;;基于偏最小二乘支持向量机回归区域物流量预测[J];河北工业大学学报;2008年02期

4 尹艳玲;;基于自适应神经网络的物流需求预测研究[J];河南理工大学学报(自然科学版);2010年05期

5 耿立艳;赵鹏;张占福;;基于二阶振荡微粒群最小二乘支持向量机的物流需求预测[J];计算机应用研究;2012年07期

6 杨荣英,张辉,苗张木;物流预测技术中的移动平均线方法[J];武汉理工大学学报(交通科学与工程版);2001年03期

7 宋莹;陈增强;袁著祉;;基于混沌优化的非线性预测控制器[J];控制理论与应用;2007年04期

8 许建华,张学工,李衍达;支持向量机的新发展[J];控制与决策;2004年05期

9 王定成,汪懋华;基于GA的SVMR预测控制研究[J];控制与决策;2004年09期

10 常玉清,邹伟,王福利,毛志忠;基于支持向量机的软测量方法研究[J];控制与决策;2005年11期

【相似文献】

相关期刊论文 前10条

1 吴洁明;李余琪;万励;;物流需求预测算法的仿真研究[J];计算机仿真;2011年09期

2 耿立艳;赵鹏;张占福;;基于二阶振荡微粒群最小二乘支持向量机的物流需求预测[J];计算机应用研究;2012年07期

3 司玲玲;王亚楠;徐贵军;;改进灰色模型在物流需求预测中的应用[J];计算机仿真;2012年06期

4 闫娟;李萍;;泊松分布灰色理论在物流需求预测中的应用[J];计算机仿真;2012年04期

5 李国祥;夏国恩;高荣;李毅;;基于属性约简的区域物流需求预测[J];计算机应用与软件;2013年11期

6 刘智琦;李春贵;陈波;;基于因子分析与神经网络的区域物流需求预测[J];计算机仿真;2012年06期

7 闫娟;;灰色神经网络模型在物流需求预测中的研究[J];计算机仿真;2011年07期

8 蒋梦莉;;包容性检验和PCA相融合的物流需求预测[J];计算机工程与应用;2013年15期

9 田丽;曹安照;王蒙;周明龙;王静;;基于SVM和神经网络组合预测模型物流需求预测[J];重庆工商大学学报(自然科学版);2012年09期

10 ;[J];;年期

相关会议论文 前5条

1 胡常伟;陈新;陈新度;;多品种小批量产品分销中的物流需求预测方法[A];全国生产工程第九届年会暨第四届青年科技工作者学术会议论文集（二）[C];2004年

2 史磊;李江宏;李智鹏;;乌鲁木齐市物流需求预测研究[A];地理学核心问题与主线——中国地理学会2011年学术年会暨中国科学院新疆生态与地理研究所建所五十年庆典论文摘要集[C];2011年

3 袁丽娜;周建勤;;基于滑动平均-灰色模型的物流需求预测研究[A];2012管理创新、智能科技与经济发展研讨会论文集[C];2012年

4 陈德良;王文科;;湖南省物流需求预测[A];《两型社会建设与湖南管理创新》论坛论文集[C];2008年

5 刘洪霞;鹿应荣;;非线性预测模型在粮食物流需求预测中的应用[A];农业系统工程理论与实践研究——全国农业系统工程学术研讨会论文集[C];2006年

相关硕士学位论文 前10条

1 陈云飞;物流需求预测在M公司的应用研究[D];苏州大学;2014年

2 黄丽;随机时间序列模型在物流需求预测中的应用[D];武汉大学;2004年

3 李自立;基于支持向量机的区域物流需求预测研究[D];武汉科技大学;2009年

4 黄永福;重庆市物流需求预测方法及应用研究[D];重庆交通大学;2009年

5 李娟;区域经济关联视角下河北省物流需求预测研究[D];燕山大学;2014年

6 何霞;基于灰色系统和神经网络的省级区域物流需求预测[D];长沙理工大学;2009年

7 文培娜;基于人工神经网络的区域物流需求预测及实证研究[D];北京物资学院;2010年

8 刘海波;赤峰市物流需求预测研究[D];吉林大学;2012年

9 万福来;天津港物流需求预测和物流发展策略研究[D];天津大学;2012年

10 余牛;基于组合预测法的城市物流需求预测研究[D];武汉科技大学;2011年

，

本文编号：2148696