CN107704969A - 一种基于加权朴素贝叶斯算法的物流需求预测方法 - Google Patents
一种基于加权朴素贝叶斯算法的物流需求预测方法 Download PDFInfo
- Publication number
- CN107704969A CN107704969A CN201710968876.9A CN201710968876A CN107704969A CN 107704969 A CN107704969 A CN 107704969A CN 201710968876 A CN201710968876 A CN 201710968876A CN 107704969 A CN107704969 A CN 107704969A
- Authority
- CN
- China
- Prior art keywords
- particle
- value
- data
- training data
- logistics
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于加权朴素贝叶斯算法的物流需求预测方法,包括步骤:对训练数据预处理;利用加权朴素贝叶斯算法对训练数据计算获得每个属性值的先验和后验概率;随机初始化粒子群的位置和速度,获得历史最优位置和全局最优粒子值;利用粒子群优化算法对训练数据搜索得到数据所属属性的权值,并由每个粒子对训练数据分类预测,计算分类正确率作为每个粒子适应值;更新每个粒子的历史最优位置、全局最优粒子值、速度,并确定最终权值以构建得到预测模型;利用预测模型对选定时间内的物流数据进行预测,获得所对应的属性。本发明利用了粒子群算法简单且搜索速度快的优点,具有稳定的分类效率,对可能缺失的数据不敏感,适合用于长期的物流需求预测。
Description
技术领域
本发明涉及一种基于加权朴素贝叶斯算法的物流需求预测方法,属于物流工程模拟的技术领域。
背景技术
物流业在快速发展、物流需求迅速增长的同时,物流规划的一些弊端也逐渐显现。传统的物流设施跟不上城市多样化的需求,缺乏系统性、协调性和前瞻性,物流基础设施重复且不均衡,导致物流业供需不平衡。导致这样的问题,很大一部分原因是因为在物流分析与预测方面很少有实际可行的方法来实现,从而无法对各类新型物流业态的需求空间进行合理应对和引导。
为了解现有技术的发展状况,对已有的论文和专利进行了检索、比较和分析,筛选出如下与本发明相关度比较高的技术信息:
如在专利号为CN104766193A的《低干线物流运输需求预测方法》专利中,该发明公开了一种干线物流运输需求预测方法,其包括有以下步骤:1)获取目标时间之前的多个时间节点内的运输参数,运输参数包括有运输里程、运输时间以及运输价格;2)对步骤1)中的多个时间节点内的运输参数依次赋予参照权数,其中,每一个时间节点内运输参数的参照权数的大小随时间节点与目标时间之间的间隔增加而减小;3)基于多个时间节点的运输参数及其参照权数,对目标时间的运输需求进行预测处理;采用上述技术方案的干线物流运输需求预测方法,其可通过对于目标时间之前的多个时间节点的综合分析,形成数据模型对于目标时间的运输需求进行预测,可有效降低人为因素对于预测过程的不定性影响,从而有效改善了预测的精度。
而在另外一名称为一条主线物流运输需求预测方法的文献中,该方法首先在目标时间之前在多个时间节点获取运输参数,其中运输参数包括运输里程,运输时间和运输价格;其次,使用参考权重顺序地赋予第一步中的时间节点中的传送参数,其中每个时间节点中的传输参数的参考权重的值减小,同时时间节点与目标时间之间的间隔增加;第三,根据时间节点的运输参数和运输参数的参考权重来预测目标时间的运输需求。由于采用技术方案,通过主线物流运输需求预测方法,通过对目标时间之前的时间节点进行综合分析,形成目标时间的运输需求预测数据模型,可以有效降低人为因素对预测过程的不确定影响,有效提高预测精度。
尽管如此,现有的预测方法在预测中无法考虑数据属性不全和电商平台不定期的促销活动如天猫双十一等可能影响物流资源分配而对预测结果造成影响,且无法在预测中兼顾各个属性之间独立性要求高的问题,使得预测的准确率降低。
发明内容
本发明所要解决的技术问题在于克服现有技术的不足,提供一种基于加权朴素贝叶斯算法的物流需求预测方法,解决现有方法无法考虑数据属性不全和电商平台不定期的促销活动影响物流资源分配而对预测结果造成影响,且无法在预测中兼顾各个属性之间独立性要求高的问题,通过基于粒子群优化的加权朴素贝叶斯算法进行分类预测,提高预测准确率。
本发明具体采用以下技术方案解决上述技术问题:
一种基于加权朴素贝叶斯算法的物流需求预测方法,包括以下步骤:
步骤1、对含有属性和类标号属性的训练数据预处理;
步骤2、利用加权朴素贝叶斯算法对步骤1预处理后的训练数据计算获得每个属性值的先验概率和后验概率;
步骤3、随机初始化粒子群的位置和速度,获得每个粒子的历史最优位置和全局最优粒子值;
步骤4、利用粒子群优化算法对训练数据搜索得到数据所属属性的权值,并由每个粒子对训练数据进行分类预测,计算分类的正确率作为每个粒子的适应值;设置的粒子群迭代次数,对每个粒子的适应值及历史最优位置进行迭代,当每个粒子当前位置大于每个粒子的历史最优位置时,更新每个粒子的的历史最优位置为当前位置;当每个粒子的适应值大于全局最优粒子值时,更新该每个粒子的适应值作为全局最优粒子值,并根据该全局最优粒子值对每个粒子的速度更新,并确定最终权值以构建得到预测模型;
步骤5、利用步骤4构建的预测模型对选定时间内的物流数据进行预测,获得选定时间内的物流数据所对应的类标号属性。
本发明采用上述技术方案,能产生如下技术效果:
本发明提出一种基于加权朴素贝叶斯算法的物流需求预测方法,通过改进的粒子群算法为物流资源的各个属性添加权值,再通过加权朴素贝叶斯算法根据各个属性的权值进行分类预测。本发明通过改进的粒子群算法和加权朴素贝叶斯算法,使用改进的粒子群优化算法利用了粒子群算法简单且搜索速度快的优点,同时也解决了普通粒子群算法容易陷入局部最优的问题;使用加权朴素贝叶斯算法利用了朴素贝叶斯算法稳定的分类预测效率,同时也解决了其各个属性之间独立性要求高的问题。
并且,本发明使用朴素贝叶斯算法具有稳定的分类效率,对可能缺失的数据不敏感,适合用于长期的物流需求预测。
附图说明
图1为本发明中加权朴素贝叶斯算法的原理示意图。
图2为本发明中训练数据的元组结构示意图。
具体实施方式
下面结合说明书附图对本发明的实施方式进行描述。
如图1所示,本发明提供了一种基于加权朴素贝叶斯算法的物流需求预测方法,通过基于粒子群优化的加权朴素贝叶斯算法进行分类预测,提高预测准确率。具体地,本发明方法包括以下步骤:
步骤1、对含有属性和类标号属性的训练数据X预处理。
由于物流数据作为的训练数据种类多种多样,从计算机的表示层面来说,有整型、浮点型、字符型等,这些是数据在计算机内的存储格式。对于数值型数据,有连续型和离散型之分,因此需要先对物流数据做预处理。将数据处理成如图2所示的元组结构,便于进行分类操作。其中,A1~Ak表示属性,k是属性的个数,C表示类标号属性。属性和类标号属性合起来表示了一个元组的结构。在这种结构中能够清楚地表示数据的特性。通常训练数据同时含有属性和类标号属性,分类器在知道元组的类属情况下进行学习,这就是有监督的训练。而进行预测的数据不含有类标号属性C,通过分类算法可以预测其值。
步骤2、利用加权朴素贝叶斯算法对步骤1预处理后的训练数据X计算获得每个属性值的先验概率和后验概率。
步骤3、随机初始化粒子群的位置xi和速度vi,获得每个粒子的历史最优位置xi和全局最优粒子值gbest=1;
步骤4、利用粒子群优化算法对训练数据搜索得到数据所属属性的权值,并由每个粒子对训练数据进行分类预测,计算分类的正确率作为每个粒子的适应值;设置的粒子群迭代次数,对每个粒子的适应值及历史最优位置进行迭代,当每个粒子当前位置大于每个粒子的历史最优位置时,更新每个粒子的的历史最优位置为当前位置;当每个粒子的适应值大于全局最优粒子值时,更新该每个粒子的适应值作为全局最优粒子值,并根据该全局最优粒子值对每个粒子的速度更新,并确定最终权值以构建得到预测模型。具体如下:
步骤41、令weighti=xi,weighti指通过粒子群优化算法得到的权值,并对weighti进行标准化。每个粒子对样本数据集分类,进行预测,计算分类的正确率,即计算每个粒子的适应值Eval。
步骤42、用每个粒子的适应值Eval与其上一步的最优值进行比较,如果Eval(xi)>pbestgbest那么pbest=Eval(xi)且pbest=xi。
步骤43、用每个粒子的适应值Eval(xi)与全局最优值pbestgbest进行比较,如果Eval(xi)>pbestgbest,那么gbest=i。
步骤44、每个粒子的速度根据公式进行更新:
vi=vi+c1r1(pbestxi-xi)+c2r2(pbestxgbest-xi)。
其中,c1、c2是学习因子,为正的常数,r1、r2是0到1之间的随机数。
步骤45、更新每个粒子的当前位置:xi=xi+vi。
步骤46、重复执行步骤3到步骤45,直至粒子群达到最大迭代次数或收敛。
步骤5、通过以上的训练过程,就可以得到所需要的权值,利用步骤4构建的预测模型对选定时间内的物流数据进行预测,获得选定时间内的物流数据所对应的属性。
本发明列举一实例进行验证说明:
根据上述方法建立关于1997-2015年的属性值和货运量值的贝叶斯分类器,并通过粒子群优化算法得出属性的最优权值以确定预测模型。之后由2016年的属性值,预测2016的货运量值。再跟实际的2016年的货运量值作比较,验证准确性。
综上,本发明提出一种基于加权朴素贝叶斯算法的物流需求预测方法,通过改进的粒子群算法为物流资源的各个属性添加权值,再通过加权朴素贝叶斯算法根据各个属性的权值进行分类预测。本发明通过改进的粒子群算法和加权朴素贝叶斯算法,使用改进的粒子群优化算法利用了粒子群算法简单且搜索速度快的优点,同时也解决了普通粒子群算法容易陷入局部最优的问题;使用加权朴素贝叶斯算法利用了朴素贝叶斯算法稳定的分类预测效率,同时也解决了其各个属性之间独立性要求高的问题。并且,本发明使用朴素贝叶斯算法具有稳定的分类效率,对可能缺失的数据不敏感,适合用于长期的物流需求预测。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (1)
1.一种基于加权朴素贝叶斯算法的物流需求预测方法,其特征在于,包括以下步骤:
步骤1、对含有属性和类标号属性的训练数据预处理;
步骤2、利用加权朴素贝叶斯算法对步骤1预处理后的训练数据计算获得每个属性值的先验概率和后验概率;
步骤3、随机初始化粒子群的位置和速度,获得每个粒子的历史最优位置和全局最优粒子值;
步骤4、利用粒子群优化算法对训练数据搜索得到数据所属属性的权值,并由每个粒子对训练数据进行分类预测,计算分类的正确率作为每个粒子的适应值;设置的粒子群迭代次数,对每个粒子的适应值及历史最优位置进行迭代,当每个粒子当前位置大于每个粒子的历史最优位置时,更新每个粒子的的历史最优位置为当前位置;当每个粒子的适应值大于全局最优粒子值时,更新该每个粒子的适应值作为全局最优粒子值,并根据该全局最优粒子值对每个粒子的速度更新,并确定最终权值以构造预测模型;
步骤5、利用步骤4构建的预测模型对选定时间内的物流数据进行预测,获得选定时间内的物流数据所对应的属性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710968876.9A CN107704969A (zh) | 2017-10-18 | 2017-10-18 | 一种基于加权朴素贝叶斯算法的物流需求预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710968876.9A CN107704969A (zh) | 2017-10-18 | 2017-10-18 | 一种基于加权朴素贝叶斯算法的物流需求预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107704969A true CN107704969A (zh) | 2018-02-16 |
Family
ID=61182644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710968876.9A Pending CN107704969A (zh) | 2017-10-18 | 2017-10-18 | 一种基于加权朴素贝叶斯算法的物流需求预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107704969A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116738415A (zh) * | 2023-08-10 | 2023-09-12 | 北京中超伟业信息安全技术股份有限公司 | 基于粒子群优化加权朴素贝叶斯入侵检测方法及装置 |
CN117077064A (zh) * | 2023-10-13 | 2023-11-17 | 云南滇能智慧能源有限公司 | 一种风电设备的故障检测方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101526814A (zh) * | 2009-02-03 | 2009-09-09 | 东北大学 | 湿法冶金浸出过程浸出率预测与优化操作方法 |
CN104778508A (zh) * | 2015-04-02 | 2015-07-15 | 杭州电子科技大学 | 一种基于多源数据融合的公共自行车租借预测方法 |
CN104900235A (zh) * | 2015-05-25 | 2015-09-09 | 重庆大学 | 基于基音周期混合特征参数的声纹识别方法 |
CN105897616A (zh) * | 2016-05-17 | 2016-08-24 | 腾讯科技(深圳)有限公司 | 一种资源分配的方法及服务器 |
-
2017
- 2017-10-18 CN CN201710968876.9A patent/CN107704969A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101526814A (zh) * | 2009-02-03 | 2009-09-09 | 东北大学 | 湿法冶金浸出过程浸出率预测与优化操作方法 |
CN104778508A (zh) * | 2015-04-02 | 2015-07-15 | 杭州电子科技大学 | 一种基于多源数据融合的公共自行车租借预测方法 |
CN104900235A (zh) * | 2015-05-25 | 2015-09-09 | 重庆大学 | 基于基音周期混合特征参数的声纹识别方法 |
CN105897616A (zh) * | 2016-05-17 | 2016-08-24 | 腾讯科技(深圳)有限公司 | 一种资源分配的方法及服务器 |
Non-Patent Citations (2)
Title |
---|
沈巍等著: "《基于复合知识挖掘的北京市人口膨胀趋势预测方法研究》", 31 March 2016, 知识产权出版社 * |
王辉著: "《网络内部威胁与防御技术》", 30 April 2015, 河南人民出版社 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116738415A (zh) * | 2023-08-10 | 2023-09-12 | 北京中超伟业信息安全技术股份有限公司 | 基于粒子群优化加权朴素贝叶斯入侵检测方法及装置 |
CN117077064A (zh) * | 2023-10-13 | 2023-11-17 | 云南滇能智慧能源有限公司 | 一种风电设备的故障检测方法、装置、设备及存储介质 |
CN117077064B (zh) * | 2023-10-13 | 2024-02-06 | 云南滇能智慧能源有限公司 | 一种风电设备的故障检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jie et al. | A CSA-based clustering algorithm for large data sets with mixed numeric and categorical values | |
CN103116762B (zh) | 一种基于自调制字典学习的图像分类方法 | |
CN111860989B (zh) | 一种基于蚁群算法优化的lstm神经网络短时交通流量预测方法 | |
CN103116766B (zh) | 一种基于增量神经网络和子图编码的图像分类方法 | |
CN102819772B (zh) | 电力配网建设物资需求预测方法及装置 | |
CN102831489B (zh) | 电力配网建设物资需求预测方法及装置 | |
CN113222463B (zh) | 基于数据驱动的神经网络代理辅助露天矿无人卡车调度方法 | |
CN113378913A (zh) | 一种基于自监督学习的半监督节点分类方法 | |
CN112685504B (zh) | 一种面向生产过程的分布式迁移图学习方法 | |
CN107506865A (zh) | 一种基于lssvm优化的负荷预测方法及系统 | |
CN102750286A (zh) | 一种处理缺失数据的新型决策树分类器方法 | |
Ma et al. | A multiobjective route robust optimization model and algorithm for hazmat transportation | |
CN111768622A (zh) | 一种基于改进灰狼算法的短时交通量预测方法 | |
CN113657671A (zh) | 一种基于集成学习的航班延误预测方法 | |
CN107704969A (zh) | 一种基于加权朴素贝叶斯算法的物流需求预测方法 | |
CN108596204B (zh) | 一种基于改进型scdae的半监督调制方式分类模型的方法 | |
Irawan et al. | A continuous location and maintenance routing problem for offshore wind farms: Mathematical models and hybrid methods | |
CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
Li et al. | Estimating waterway freight demand at Three Gorges ship lock on Yangtze River by backpropagation neural network modeling | |
CN109842614B (zh) | 基于数据挖掘的网络入侵检测方法 | |
Wang | A hybrid machine learning model for sales prediction | |
Teng et al. | A hybrid algorithm based on GWO and GOA for cycle traffic light timing optimization | |
CN101944358A (zh) | 基于蚁群聚类算法的码书分类方法及其码书分类装置 | |
CN115481844A (zh) | 基于特征提取和改进的svr模型的配网物资需求预测系统 | |
CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180216 |
|
RJ01 | Rejection of invention patent application after publication |