基于storm的支持向量机在物流航运指数预测中的原型系统的研究与实现

发布时间：2017-08-19 04:07

  本文关键词：基于storm的支持向量机在物流航运指数预测中的原型系统的研究与实现

  更多相关文章： 支持向量机 在线学习 物流航运指数 预测 Storm

【摘要】：近年来,信息技术呈现出飞速化得发展,现代物流产业也进入了信息化时代。国际航运指数BDI(Baltic Dry Index)包含了航运业的干散货交易量的转变并且结合了未来的经济活动,是航运业指示全球需求联系的领先指标。然而影响BDI变化的因素非常复杂,传统预测方法以精确数学模型为基础但是其效果却并不理想。由于运价指数存在内在规律并且受到外在的影响非常多,因此在对这些因素进行深入研究的基础上,以机器学习为基础开发出新的预测模型来对运价指数进行预测是我们把握物流市场、规避风险的有效手段。所以本文在对BDI预测模型研究的现状进行了研究,分析了因影响BDI变化的因素,主要从支持向量机SVM(support vector machine)方法的研究和其在BDI预测中的应用相结合的角度出发,对支持向量机的在线学习、并行化方法以及在BDI预测中的应用进行了系统的研究和实现。首先,本文提出了一种改进的在线支持向量机回归学习算法IOSVR(An improved on-line support vector machine regression learning algorithm)。传统的数据挖掘正在面临知识不断增长问题引发的挑战,而IOSVR以支持向量机为基础,减少重复迭代的同时运用了动态自适应调整方法,优化迭代训练过程,能够在动态学习的过程中自适应调整训练参数,取得了更好的泛化能力和预测精度。并且通过仿真表明,IOSVR不仅保证了训练精度,在学习时间上和分类错误率上都明显减少,因此,IOSVR更加适合实际过程的建模。其次,本文在研究航运指数BDI特征的基础上,提出基于支持向量机的BDI在线预测方法。结合中国市场的特点对国际航运的供需市场进行深入分析,探讨了影响BDI变动的特征影响因素,选取BDI的主要特征变量和潜在特征变量。在此基础上,提出了基于支持向量机的的BDI的在线预测模型,将IOSVR应用在BDI建模上,该模型对运价指数的变动性进行了充分的考虑。通过实验表明该模型能更好得预测BDI,能够更好刻画BDI的变化趋势,更适用于对BDI进行行预测。最后,本文结合storm的并行机制,在storm平台上研究和实现了IOSVR的并行化。在数据不断增加的情况下,为了解决单机支持向量机算法存在的数据处理能力不足及运行效率低的问题,结合storm并行机制的基础上在storm平台上实现了IOSVR的并行化,有效整合了各节点的并行化计算优势,不仅解决了训练时间过长和内存占用大的问题,而且提供了可靠的数据处理和存储能力,在此基础上完成了BDI预测系统的原型实现,为物流管理人员提供了一个有力的预测工具。
【关键词】：支持向量机 在线学习 物流航运指数 预测 Storm
【学位授予单位】：南京邮电大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP181;F252;F551
【目录】：

• 摘要4-5
• Abstract5-9
• 专用术语注释表9-10
• 第一章 绪论10-14
• 1.1 研究背景与意义10-11
• 1.2 国内外研究及应用现状11-12
• 1.3 论文的主要研究内容12
• 1.4 论文的结构安排12-14
• 第二章 相关理论及技术14-23
• 2.1 Storm平台介绍14-17
• 2.1.1 Storm的核心技术和基本组成15-16
• 2.1.2 Storm的关键特征16
• 2.1.3 集群介绍16-17
• 2.2 数据挖掘概述17-20
• 2.2.1 数据挖掘技术18-19
• 2.2.2 数据挖掘过程19-20
• 2.3 国际航运指数概述20-22
• 2.4 本章小结22-23
• 第三章 支持向量机在线学习优化算法研究23-41
• 3.1 支持向量机理论简述23-27
• 3.1.1 支持向量机23-25
• 3.1.2 支持向量机回归25-27
• 3.2 改进的在线支持向量机回归算法27-38
• 3.2.1 IOSVR的KKT条件28-31
• 3.2.2 IOSVR的算法思想31-33
• 3.2.3 IOSVR的参数选择33-38
• 3.3 算法仿真及分析38-40
• 3.4 本章小结40-41
• 第四章 基于在线支持向量机的航运指数预测41-52
• 4.1 BDI的特征变量41-45
• 4.1.1 主要特征变量42-44
• 4.1.2 潜在特征变量44-45
• 4.2 BDI预测的建模过程45-50
• 4.2.1 数据收集45-46
• 4.2.2 数据预处理46
• 4.2.3 特征选择46-49
• 4.2.4 选取比较模型49-50
• 4.3 仿真及结果分析50-51
• 4.4 本章小结51-52
• 第五章 基于Storm的支持向量机的设计和实现52-64
• 5.1 基于Storm的支持向量机算法的并行化53-57
• 5.1.1 Storm的并行机制53-54
• 5.1.2 基于Storm的IOSVR的设计54-55
• 5.1.3 基于Storm的IOSVR的实现55-57
• 5.2 测试环境的搭建57-59
• 5.2.1 硬件环境58
• 5.2.2 软件环境58
• 5.2.3 集群配置58-59
• 5.3 测试结果与分析59-61
• 5.4 预测系统的原型设计及应用61-63
• 5.5 本章小结63-64
• 第六章 总结与展望64-66
• 6.1 论文工作总结64
• 6.2 未来工作展望64-66
• 参考文献66-70
• 附录1 攻读硕士学位期间撰写的论文70-71
• 致谢71

【相似文献】

中国期刊全文数据库 前10条

1 ;Global ionospheric TEC response to a strong magnetic storm[J];Science in China(Series E:Technological Sciences);2008年10期

2 Lühr H.;;Abnormal distribution of ionospheric electron density during November 2004 super-storm by 3D CT reconstructions from IGS and LEO/GPS observations[J];Science China(Technological Sciences);2012年05期

3 ;A tentative study for the prediction of the CME related geomagnetic storm intensity and its transit time[J];Science in China(Series E:Technological Sciences);2005年06期

4 ;Prediction method for October 2003 solar storm[J];Science in China(Series E:Technological Sciences);2006年05期

5 ANWAR Mohammad;RASUL Mohammad G.;KHAN Masud M.K.;;Green roofs for storm water management:a review[J];Journal of Chongqing University(English Edition);2012年01期

6 Richard Silvester;THE PULSATIONAL EFFECTS OF LITTORAL DRIFT AND ITS ENGINEERING CONSEQUENCES[J];天津大学学报;1984年01期

7 ;SEDIMENT TRANSPORT OF LOW CONCENTRATION IN PIPES[J];International Journal of Sediment Research;1991年02期

8 ;Multi-spacecraft observations of ULF waves during the recovery phase of magnetic storm on October 30, 2003[J];Science in China(Series E:Technological Sciences);2008年10期

9 ;Rainwater utilization and storm pollution control based on urban runoff characterization[J];Journal of Environmental Sciences;2010年01期

10 ;Multi-satellite observations on the storm-time enhancements of energetic outer zone electron fluxes driven by chorus waves[J];Science China(Technological Sciences);2011年08期

中国重要会议论文全文数据库 前10条

1 ;Modeling investigation of ionospheric storm effects over Millstone Hill during August 4-5,1992[A];中国科学院地质与地球物理研究所二○○四学术论文汇编·第四卷(新生代·地磁与空间电磁·工程地质与应用地球物理)[C];2004年

2 ;Evolution of a positive ionospheric storm observed by GPS network and incoherent scatter radar[A];第十二届全国日地空间物理学术讨论会论文摘要集[C];2007年

3 X.D.Zhao;A.M.Du;W.Y.Xu;;The magnetic local time distribution of ring current during the geomagnetic storm[A];中国科学院地质与地球物理研究所2013年度（第13届）学术论文汇编——地磁与空间物理研究室[C];2014年

4 ;Modeling the behavior of ionosphere above Millstone Hill during the September 21-27,1998 storm[A];中国科学院地质与地球物理研究所二○○四学术论文汇编·第四卷(新生代·地磁与空间电磁·工程地质与应用地球物理)[C];2004年

5 ;Ground magnetic characteristics of the storm-time ring current Asymmetry[A];中国科学院地质与地球物理研究所2008学术论文汇编[C];2009年

6 Ali Mamtimin;;Sand flux estimation during a sand-dust storm at Tazhong area of Taklimakan Desert,China[A];第28届中国气象学会年会——S14气候环境变化与人体健康[C];2011年

7 ;Real time numerical modeling system of dust storm in north China and its validations[A];大气气溶胶科学技术研究进展——第八届全国气溶胶会议暨第二届海峡两岸气溶胶科技研讨会文集[C];2005年

8 Yun Gong;Qihou Zhou;Shaodong Zhang;Nestor Aponte;Michael Sulzer;Sixto Gonzalez;;The F-region and topside ionosphere response to a strong geomagnetic storm at Arecibo[A];中国空间科学学会空间物理学专业委员会第十五届全国日地空间物理学研讨会摘要集[C];2013年

9 B.Zhao;W.Wan;J.Lei;Y.Wei;Y.Sahai;B.Reinisch;;Positive ionospheric storm effects at Latin America longitude during the superstorm of 20-22 November 2003:revisit[A];中国科学院地质与地球物理研究所2012年度（第12届）学术论文汇编——地磁与空间物理研究室[C];2013年

10 丁锋;;Large-scale traveling ionospheric disturbances observed by GPS total electron content during the magnetic storm of 29-30 October 2003[A];中国科学院地质与地球物理研究所2007学术论文汇编(第一卷)[C];2008年

中国硕士学位论文全文数据库 前8条

1 张慧;基于storm新闻推荐系统的研究与实现[D];华南理工大学;2015年

2 司徒少帅;基于Storm的交通信息实时处理系统的设计与实现[D];中山大学;2015年

3 曾文静;Storm在电力大数据分析平台中的研究与应用[D];华北电力大学(北京);2016年

4 刘召羽;基于Storm的实时营销监控与反欺诈平台设计与实现[D];东华大学;2016年

5 潘林;基于storm的支持向量机在物流航运指数预测中的原型系统的研究与实现[D];南京邮电大学;2016年

6 谈杰;基于storm的实时物流数据查询系统设计与实现[D];南京邮电大学;2016年

7 李劲松;一种基于Storm的分布式实时增量计算框架的研究与实现[D];电子科技大学;2015年

8 黄馥浩;基于Storm的微博互动平台的设计与实现[D];中山大学;2013年

，

本文编号：698548