CN109492812A - 基于支持向量机、属性约简和遗传算法的物流货运需求预测方法 - Google Patents
基于支持向量机、属性约简和遗传算法的物流货运需求预测方法 Download PDFInfo
- Publication number
- CN109492812A CN109492812A CN201811340174.7A CN201811340174A CN109492812A CN 109492812 A CN109492812 A CN 109492812A CN 201811340174 A CN201811340174 A CN 201811340174A CN 109492812 A CN109492812 A CN 109492812A
- Authority
- CN
- China
- Prior art keywords
- data
- attribute
- reduction
- support vector
- prediction
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Genetics & Genomics (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于支持向量机、属性约简和遗传算法的物流货运需求预测方法。该方法包括以下步骤:1)构建区域物流货运需求预测的预测指标体系;2)将所述预测指标体系的各个预测指标的数据进行标准化处理;3)利用粗糙集可辨识矩阵属性约简的方法将标准化处理后的数据进行约简,提取重要指标;4)将约简得到的重要指标的标准化数据带入到支持向量机中,对支持向量机进行训练,得出初步的支持向量机模型;5)应用遗传算法对初步的SVM预测模型进行参数寻优,得到最佳参数;6)利用最佳参数对训练集进行训练得到最终的支持向量机模型,通过该支持向量机模型得到物流货运需求的预测结果。本发明能够有效地实现物流货运需求预测。
Description
技术领域
本发明属于信息技术、物流技术领域,具体涉及一种基于支持向量机、属性约简和遗传算法的物流货运需求预测方法。
背景技术
属性约简是决策粗糙集理论的核心内容,它的目的就在于删除其中不相关或冗余的属性,从而简化决策表。基于差别矩阵的属性约简算法(Attribution ReductionAlgorithm,ARA)是最常用且最容易求出简约与核的算法。支持向量机(Support VectorMachine,SVM)是一种二类分类模型。其基本模型为定义在特征空间上的间隔最大的线性分类器,间隔最大使它有别于感知机。支持向量机还包括核技巧,使它成为实质上的非线性分类器。支持向量机的学习策略就是间隔最大化,形式的化为求解凸二次规划问题,也等价于正则化的和业务损失函数的最小化问题。
区域物流是指在一定的区域范围中,以大型或大中型城市为中心,基于区域经济的规模和范围,并且结合区域物流有效的辖射范围,使区域中的各类物资从供应地向接收地进行实际流动,服务区域经济的高速发展,以提高所在区域物流活动的效率和收益。
现有技术方案存在以下问题:
(1)支持向量机算法对大规模训练样本难以实施。由于支持向量机是借助二次规划来求解支持向量,而求解二次规划将涉及m阶矩阵的计算(m为样本的个数),当m数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间。
(2)用支持向量机解决多分类问题存在困难。经典的支持向量机算法只给出了二类分类的算法。
目前针对问题(1)的主要改进,可以采用序列最小优化算法,针对问题(2)在数据挖掘的实际应用中,一般要解决多类的分类问题,可以采用多个二类支持向量机的组合,但都不能很好地解决上述问题。
发明内容
本发明针对上述问题,提供一种基于支持向量机、属性约简和遗传算法(GeneticAlgorithm,GA)的物流货运需求预测方法。
本发明采用的技术方案如下:
一种物流货运需求预测方法,包括以下步骤:
1)构建区域物流货运需求预测的预测指标体系;
2)将所述预测指标体系的各个预测指标的数据进行标准化处理;
3)利用粗糙集可辨识矩阵属性约简的方法将标准化处理后的数据进行约简,提取重要指标;
4)将约简得到的重要指标的标准化数据带入到支持向量机中,对支持向量机进行训练,得出初步的支持向量机模型;
5)应用遗传算法对初步的支持向量机模型进行参数寻优,得到最佳参数;
6)利用最佳参数对训练集进行训练得到最终的支持向量机模型,通过该支持向量机模型得到物流货运需求的预测结果。
进一步地,所述预测指标体系以货运量作为目标函数,以其他指标作为因变量,所述其他指标包括:区域生产总值、第一产业产值、第二产业产值、第三产业产值、区域社会消费品零售总额、区域人均消费支出、区域进出口总额、区域快递业务量。
进一步地,步骤1)将各个指标的数据中每一年的相同属性的数据与上一年的数据对比,并求出增长率,数据不全的用历年平均值补。
进一步地,步骤1)计算增长率得分Sij,用1,2,3,4分别代表增长率的达到(-∞,-5%),(-5%,5%),(5%,15%),(15%,+∞)这四种水平。
进一步地,所述标准化处理是将样本数据缩至[-1,1]之间,以消除量纲对样本数据可比性的影响。
进一步地,步骤3)包括:
第一步:计算决策表的可辨识矩阵;
第二步:对于差别矩阵的所有非空元素,建立相应的布尔函数析取表达式;
第三步:将所有的布尔函数析取表达式做合取,得到合取表达式;
第四步:利用交集与并集的运算性质将合取表达式转化为布尔函数析取范式:
第五步:将析取范式中的每一项中的条件属性组成一个属性约简,这些约简过后的条件属性就是属性集的核。
进一步地,步骤4)将属性矩阵作为支持向量机的输入向量,将目标向量作为训练的目标向量,并且用前一年的指标数据去训练和测试后一年的目标变量,通过对比核函数的预测效果得出一个最优的核函数,进而得出一个初步的支持向量机模型。
本发明的有益效果如下:
本发明能够有效地实现物流货运需求预测,可以对市场需求的变动趋势进行分析,设定区域物流发展的总体思路,并且分析在未来一段时间内可能会出现的种种有利与不利的情况,对区域经济进行全面系统的分析和预见,制定未来发展的战略目标与思路。
附图说明
图1是区域物流需求预测的预测指标体系示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面通过具体实施例和附图,对本发明做进一步详细说明。
1.SVM模型的区域物流需求预测
区域物流是指在一定的区域范围中,以大型或大中型城市为中心,基于区域经济的规模和范围,并且结合区域物流有效的辖射范围,使区域中的各类物资从供应地向接收地进行实际流动,服务区域经济的高速发展,以提高所在区域物流活动的效率和收益。
物流需求从宏观层面来讲是指消费者对于物流服务总量的需求,是指在一定时期内社会经济活动对原材料、半成品、成品及废弃物等材料的配置作用而产生的对物品在空间、时间和效率方面的各个需求。
区域物流需求预测的作用总体来说体现在以下几个方面:
区域物流需求预测是实施区域物流管理的重要手段区域经济发展过程中,如果合理的物流需求总量可以预测到,就可以及时的调整经济战略,以应对需求的变化。例如,如果可以预测到下个月或下个季度某种商品的市场需求量将会大幅度的上涨,那么该生产企业就可以调整自己的原材料库存策略,以应对生产的需求,避免出现由于供应不及时而失去市场的机会。
区域物流需求预测是制定物流发展战略的重要前提通过适当合理的物流需求预测,可以对市场需求的变动趋势进行分析,设定区域物流发展的总体思路,并且分析在未来一段时间内可能会出现的种种有利与不利的情况,对区域经济进行全面系统的分析和预见,制定未来发展的战略目标与思路。
区域物流需求预测是实施区域物流管理的重要环节,管理活动按一般意义来讲可以分为计划、组织、指挥、协调、控制,这是管理的五大职能,这五大职能同样适用于物流管理的活动当中。无论是计划还是做决策,决策者首先应该做到心中有数。所以,物流管理中的一切活动,都是先从对信息数据的分析预测入手。然而,预测只是管理的重要环节,并不是最终目的,最终目的在于通过预测进行合理的资源配置,进而对生产经营活动进行调节,使有限的资源产生更多的价值,使资源价值最大化,使企业产生更多的收益。
2.预测指标的建立
预测指标的建立需要考虑以下因素:
考虑区域总体货运情况的指标:货运量;
考虑区域经济情况的指标:区域生产总值GDP;
考虑区域产业结构的情况的指标:第一产业产值、第二产业产值、第三产业产值;
考虑社会居民消费情况的指标:区域社会消费品零售总额,区域人均消费支出;
考虑对外贸易情况的指标:区域进出口总额;
考虑到区域居民对基本物流服务的需求指标:区域快递业务量。
将区域总体货运量作为物流需求总量进行预测,将货运量作为目标函数,将剩余的其他指标作为因变量来建立一个预测指标体系,如图1所示。
3.基于差别矩阵的属性约减算法
属性约简是决策粗糙集理论的核心内容,它的目的就在于删除其中不相关或冗余的属性,从而简化决策表。基于差别矩阵的属性约简算法是最常用且最容易求出简约与核的算法。
设(U,A)为决策表系统,其中U={X1,X2,...Xn,}为论域,A=CUD是属性集合,C={α1,α2,...αn,}是条件属性集合,D={d}是决策属性集合,用αi(xi)表示对象xi关于属性αi的属性值。
构造矩阵CD=(CD(i,j))n*n,其中对于i,j=1,2,...,n有
这里定义的矩阵CD称为决策表的差别矩阵。在差别矩阵中,当两个对象的决策属性相同时,矩阵对象线的元素取0值;当两个对象的决策属性的值不同时,再根据某些不同条件的属性进行再一次区分。当两个对象的决策属性不同,条件属性完全相同的,对角线的元素为空集。
现在引入一个布尔函数,以这种布尔函数为基础进行差别矩阵的属性约简,我们称布尔函数为差别函数(discernibility function),用数学符号Δ来表示。差别函数定义为:选择任意一个布尔函数变量a,如果δ(x,y)={a1,,a2,...ak}≠φ,得到一个布尔函数为a1∨a2∨...∨ak,用∑δ(x,y)表示;如果δ(x,y)=φ,那么布尔函数为常量1。差别函数可以定义为
布尔函数是应用了分配定律和吸收定律约简属性的,得到关于布尔函数Δ的析取范式。布尔函数性质如下:布尔函数极小的析取范式的合取式是关于属性集A的所有属性约简。也就是说,差别矩阵的属性约简可以区分所有差别矩阵对象的属性极小子集。如果说满足条件P∩a(x,y)≠φ,的极小集,那么P就是关于属性集A的一个约简。通过布尔函数以及差别矩阵,就可以对决策表(最终预测的数据指标)进行属性约简,具体步骤如下:
第一步:计算决策表的可辨识矩阵CD;
第二步:对于差别矩阵的所有非空元素,建立相应的布尔函数析取表达式:
Lij=∨{ai|ai∈Cij}Lij=∨{ai|ai∈Cij}
第三步:将所有的布尔函数析取表达式做合取,可以得到合取表达式:
L=∧{Lij|Cij≠0,Cij≠φ}
第四步:利用交集与并集的运算性质将合取表达式转化为布尔函数析取范式:
L'=∨{Li|i}
第五步:析取范式L’中的每一项中的条件属性组成一个属性约简,这些约简过后的条件属性就是属性集的核。
4.支持向量机回归与遗传算法寻优算法
选用MATLAB软件中的LIBSVM软件包进行支持向量机算法的实现并利用该软件包中的gaSVMcgForRegress函数来实现遗传算法寻优的过程。
使用MATLAB软件的LIBSVM软件包的步骤:
按照软件包中数据的格式要求准备数据集。
将数据进行归一化处理。
通过对比预测效果,选择一种恰当的核函数。
通过遗传算法代码函数来进行支持向量机算法的参数寻优,找出合适的参数。
利用最佳的参数对整个训练集进行训练来获得一个有效的支持向量机模型。
利用该模型来进行最终结果的预测。
LIBSVM软件包包含了支持向量机算法的各种函数,介绍两种最基本的函数:模型训练函数svmtrain和模型预测函数svmpredit。
svmtrain实现对训练数据集的训练,并且获得SVM的模型,用法如下:
Model=svmtrain(train_label_vector,train_instance_matrix,[‘libsvm_option’])其中train_label_vector是目标变量的标签,是n*1的列向量,n代表样本个数train_instance_matrix是训练集自变量矩阵,是n*m的矩阵,n代表样本的个数,m代表属性的个数,也就是矩阵的维数。
[‘libsvm_option’]是参数选项:
-s是SVM类型,其中0,1,2,3,4分别代表C-SVC,oneclass-SVM,e-SVR,V-SVR。
-t是核函数选项,其中1,2,3分别代表多项式核函数、RBF核函数于Sigmoid核函数
-d是多项式核函数的degree设置
-g是RBF核函数与Sigmoid核函数的gamma值
-r是多项式核函数与Sigmoid核函数中的傅里叶级数的设置
-c是设置支持向量函数的惩罚参数
svmpredit是对整个预测数据集合进行回归预测,用法如下:
[predited_label,accurary,decision_values]=svmpredict(test_label_vector,test_instance_matrix,model,[‘libsvm_option’])
其中test_label_vector是测试集变量的标签,是n*1的列向量,n代表样本个数。test_instance_matrix是测试集变量矩阵,是n*m的矩阵,n代表样本的个数,m代表属性的个数,也就是矩阵的维数。[‘libsvm_option’]是参数选项,该参数与svmtrain中的参数选项是一致的。
关于支持向量机参数寻优的遗传算法函数,选用gaSVMcgForRegress函数,该函数的样本与参数的设置与支持向量机算法相似。
5.SVM模型实现的步骤
1)构建指标
构建一个区域物流预测指标体系,并找出相关指标的数据,并用X1,X2,X3,X4,X5,X6,X7,X8来表示,目标项用Y来表示。
2)求出增长率
将数据中每一年的相同属性的数据与上一年的数据来对比,并求出增长率(或下降率),数据不全的用历年平均值补,对原始数据做相应处理之后得到增长率得分Sij,并用1,2,3,4分别代表增长率的达到(-∞,-5%),(-5%,5%),(5%,15%),(15%,+∞)这四种水平。
3)标准化数据
由于各个预测指标的单位不同以及各指标值的巨大差异,在用SVM模型训练之前,需要将原始数据进行标准化处理,本发明将样本数据缩至[-1,1]之间,这样就消除了量纲对样本数据可比性的影响,因此采用比例转化法去标准化数据。
式中X代表原始数据,Xmin代表指标最小值,Xmax代表指标最大值,T为标准化数据,标准化后的指标用X”1,X”2,...X”n来表示。
4)属性约简
利用粗糙集可辨识矩阵属性约简的方法将标准化处理过后的数据进行约简,提取重要指标属性,记做X’1,X'2,...X’n。
5)SVM训练与预测
将约简得到的重要指标的标准化数据带入到支持向量机中,将属性矩阵作为支持向量机的输入向量,将目标向量作为训练的目标向量,并且用前一年的指标数据去训练和测试后一年的目标变量,然后使用不同的支持向量机核函数去测试哪一种核函数更适合本本发明的模型。通过对比三种核函数得出一个最优的核函数,进而得出一个初步的支持向量机模型。
6)结果对比
应用遗传算法对初步得到的SVM预测模型进行参数寻优,得到最佳参数,并将寻优之后的预测效果与预测之前的预测效果作对比,将属性约简之前的预测效果与属性约简之后的约简效果作对比。利用最佳参数对训练集进行训练得到最终的支持向量机模型,通过该支持向量机模型得到物流货运需求的预测结果。
以上实施例仅用以说明本发明的技术方案而非对其进行限制,本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明的精神和范围,本发明的保护范围应以权利要求书所述为准。
Claims (8)
1.一种物流货运需求预测方法,其特征在于,包括以下步骤:
1)构建区域物流货运需求预测的预测指标体系;
2)将所述预测指标体系的各个预测指标的数据进行标准化处理;
3)利用粗糙集可辨识矩阵属性约简的方法将标准化处理后的数据进行约简,提取重要指标;
4)将约简得到的重要指标的标准化数据输入支持向量机中,对支持向量机进行训练,得出初步的支持向量机模型;
5)应用遗传算法对初步的支持向量机模型进行参数寻优,得到最佳参数;
6)利用最佳参数对训练集进行训练得到最终的支持向量机模型,通过该支持向量机模型得到物流货运需求的预测结果。
2.根据权利要求1所述的方法,其特征在于,所述预测指标体系以货运量作为目标函数,以其他指标作为因变量,所述其他指标包括:区域生产总值、第一产业产值、第二产业产值、第三产业产值、区域社会消费品零售总额、区域人均消费支出、区域进出口总额、区域快递业务量。
3.根据权利要求1所述的方法,其特征在于,步骤1)将各个指标的数据中每一年的相同属性的数据与上一年的数据对比,并求出增长率,数据不全的用历年平均值补。
4.根据权利要求3所述的方法,其特征在于,步骤1)计算增长率得分Sij,用1,2,3,4分别代表增长率的达到(-∞,-5%),(-5%,5%),(5%,15%),(15%,+∞)这四种水平。
5.根据权利要求1所述的方法,其特征在于,所述标准化处理是将样本数据缩至[-1,1]之间,以消除量纲对样本数据可比性的影响。
6.根据权利要求5所述的方法,其特征在于,采用比例转化法进行所述标准化处理:
其中,X代表原始数据,Xmin代表指标最小值,Xmax代表指标最大值,T为标准化数据。
7.根据权利要求1所述的方法,其特征在于,步骤3)包括:
第一步:计算决策表的可辨识矩阵;
第二步:对于差别矩阵的所有非空元素,建立相应的布尔函数析取表达式;
第三步:将所有的布尔函数析取表达式做合取,得到合取表达式;
第四步:利用交集与并集的运算性质将合取表达式转化为布尔函数析取范式:
第五步:将析取范式中的每一项中的条件属性组成一个属性约简,这些约简过后的条件属性就是属性集的核。
8.根据权利要求1所述的方法,其特征在于,步骤4)将属性矩阵作为支持向量机的输入向量,将目标向量作为训练的目标向量,并且用前一年的指标数据去训练和测试后一年的目标变量,通过对比核函数的预测效果得出一个最优的核函数,进而得出一个初步的支持向量机模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811340174.7A CN109492812A (zh) | 2018-11-12 | 2018-11-12 | 基于支持向量机、属性约简和遗传算法的物流货运需求预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811340174.7A CN109492812A (zh) | 2018-11-12 | 2018-11-12 | 基于支持向量机、属性约简和遗传算法的物流货运需求预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109492812A true CN109492812A (zh) | 2019-03-19 |
Family
ID=65695685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811340174.7A Pending CN109492812A (zh) | 2018-11-12 | 2018-11-12 | 基于支持向量机、属性约简和遗传算法的物流货运需求预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109492812A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915100A (zh) * | 2020-08-17 | 2020-11-10 | 北京交通大学 | 一种高精度的货运预测方法和货运预测系统 |
US11887045B2 (en) | 2020-02-12 | 2024-01-30 | Maersk A/S | Determining resource requirements |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050050087A1 (en) * | 2003-08-29 | 2005-03-03 | Milenova Boriana L. | Support vector machines in a relational database management system |
JP2005189925A (ja) * | 2003-12-24 | 2005-07-14 | Toyota Motor Corp | 物流費予測装置と予測方法とそのためのプログラム |
JP2009223552A (ja) * | 2008-03-14 | 2009-10-01 | Osaka Prefecture Univ | 貨物物流費用最適化方法 |
CN102855457A (zh) * | 2012-08-06 | 2013-01-02 | 中国科学院自动化研究所 | 一种基于智能预测的门形rfid多天线部署系统及方法 |
US20130080066A1 (en) * | 2011-09-28 | 2013-03-28 | Saudi Arabian Oil Company | Reservoir properties prediction with least square support vector machine |
CN104298873A (zh) * | 2014-10-10 | 2015-01-21 | 浙江大学 | 一种基于遗传算法和粗糙集的属性约简方法及精神状态评估方法 |
-
2018
- 2018-11-12 CN CN201811340174.7A patent/CN109492812A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050050087A1 (en) * | 2003-08-29 | 2005-03-03 | Milenova Boriana L. | Support vector machines in a relational database management system |
JP2005189925A (ja) * | 2003-12-24 | 2005-07-14 | Toyota Motor Corp | 物流費予測装置と予測方法とそのためのプログラム |
JP2009223552A (ja) * | 2008-03-14 | 2009-10-01 | Osaka Prefecture Univ | 貨物物流費用最適化方法 |
US20130080066A1 (en) * | 2011-09-28 | 2013-03-28 | Saudi Arabian Oil Company | Reservoir properties prediction with least square support vector machine |
CN102855457A (zh) * | 2012-08-06 | 2013-01-02 | 中国科学院自动化研究所 | 一种基于智能预测的门形rfid多天线部署系统及方法 |
CN104298873A (zh) * | 2014-10-10 | 2015-01-21 | 浙江大学 | 一种基于遗传算法和粗糙集的属性约简方法及精神状态评估方法 |
Non-Patent Citations (2)
Title |
---|
钟映,黄鑫: "基于粗糙集和支持向量机理论的物流需求预测研究", 《工业工程》, vol. 18, no. 2, pages 28 - 33 * |
黄鑫: "基于DTRS-SVM模型的广东省物流需求预测研究", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》, no. 10, pages 145 - 36 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11887045B2 (en) | 2020-02-12 | 2024-01-30 | Maersk A/S | Determining resource requirements |
CN111915100A (zh) * | 2020-08-17 | 2020-11-10 | 北京交通大学 | 一种高精度的货运预测方法和货运预测系统 |
CN111915100B (zh) * | 2020-08-17 | 2024-04-05 | 北京交通大学 | 一种高精度的货运预测方法和货运预测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lee et al. | Predictive analytics in business analytics: decision tree | |
Schmitt | Deep learning in business analytics: A clash of expectations and reality | |
Tkáč et al. | Artificial neural networks in business: Two decades of research | |
Ping et al. | Neighborhood rough set and SVM based hybrid credit scoring classifier | |
Cho et al. | A hybrid approach based on the combination of variable selection using decision trees and case-based reasoning using the Mahalanobis distance: For bankruptcy prediction | |
Bae | Predicting financial distress of the South Korean manufacturing industries | |
Oyinbo et al. | The relationships of inflationary trend, agricultural productivity and economic growth in Nigeria | |
Pavlenko et al. | Development of entrepreneurial initiatives in agricultural business: a methodological approach | |
Xian-Yu | Travel mode choice analysis using support vector machines | |
Li et al. | Investigation in the influences of public opinion indicators on vegetable prices by corpora construction and WeChat article analysis | |
Amnur | Customer relationship management and machine learning technology for identifying the customer | |
CN109492812A (zh) | 基于支持向量机、属性约简和遗传算法的物流货运需求预测方法 | |
CN107908633A (zh) | 一种基于知识图谱的财经事件推理方法 | |
Lin | Innovative risk early warning model under data mining approach in risk assessment of internet credit finance | |
Ju et al. | An incentive-oriented early warning system for predicting the co-movements between oil price shocks and macroeconomy | |
Han et al. | Economic system forecasting based on temporal fusion transformers: Multi-dimensional evaluation and cross-model comparative analysis | |
Yusianto et al. | An Interpretive Structural Modeling (ISM) approach for institutional development in the Central Java potato agroindustry | |
CN107292433A (zh) | 基于双聚类挖掘及朴素贝叶斯和AdaBoost的股票交易行为预测方法 | |
Li et al. | Early warning systems for multi-variety and small batch manufacturing based on active learning | |
Sharma et al. | Analyzing sustainable food supply chain management challenges in India | |
CN104992233A (zh) | 一种基于svm的科技服务业产出预测方法 | |
Alborz et al. | Using Genetic Algorithm in optimizing decision trees for credit scoring of banks customers | |
Bassiouni et al. | Deep learning approaches to identify order status in a complex supply chain | |
Yu | Research and prediction of ecological footprint using machine learning: A case study of China | |
Hájek | Probabilistic neural networks for credit rating modelling |
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 |