CN114595890A - 基于bp-svr组合模型的船舶备件需求预测方法及系统 - Google Patents
基于bp-svr组合模型的船舶备件需求预测方法及系统 Download PDFInfo
- Publication number
- CN114595890A CN114595890A CN202210234017.8A CN202210234017A CN114595890A CN 114595890 A CN114595890 A CN 114595890A CN 202210234017 A CN202210234017 A CN 202210234017A CN 114595890 A CN114595890 A CN 114595890A
- Authority
- CN
- China
- Prior art keywords
- model
- svr
- ship
- prediction result
- spare part
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000010845 search algorithm Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 49
- 238000012360 testing method Methods 0.000 claims description 39
- 238000012545 processing Methods 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 210000004205 output neuron Anatomy 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于BP‑SVR组合模型的船舶备件需求预测方法及系统,涉及船舶备件需求预测技术领域。本发明首先基于BP模型和SVR模型分别对船舶备件历史消耗数据进行横向和纵向预测,以获取横向预测结果和纵向预测结果,然后基于上述横向预测结果和纵向预测结果利用网格搜索算法确定BP‑SVR组合模型中BP模型和SVR模型的最优权重占比,最后基于最优权重占比的BP‑SVR组合模型进行船舶备件需求预测。本发明利用不同单个模型在预测时处理数据不同特点时的优势,可从船舶备件历史消耗数据的不同角度获取船舶备件需求预测结果,其最终的综合预测结果相比于单个模型更加精准。
Description
技术领域
本发明涉及船舶备件需求预测技术领域,具体涉及一种基于BP-SVR组合模型的船舶备件需求预测方法及系统。
背景技术
船舶行业的快速发展,让中国船舶制造业在市场中所占的比重也明显提升,同时也衍生出一系列问题,船舶相关的装备备件库存控制问题是船舶制造业中一个比较常见的问题。备件库存控制的一个基本要素是精准的备件需求预测,船舶备件需求预测的优劣将会对装备备件维修保障费用和战备完好性产生显著影响。然而由于船舶备件需求的非线性、灰色性特点,致使船舶备件消耗的量化非常复杂。
目前,一方面,舰船备件供应商通常根据经验确定备件需求,然而这种基于主观经验的方法是一个随机的、盲目的过程,其预测结果不准确;另外,也有利用各种数学模型对舰船备件进行预测的方法,但是,船舶备件需求存在非线性、灰色性等复杂特点,使得现有的基于单个模型进行舰船备件预测的预测结果并不理想。
舰船备件实际消耗量低于预期会导致大量备件积压;而关键舰船备件短缺又会导致船舶制造工作的正常开展,而解决这些问题的关键是准确预测备件需求。所以,亟需一种具有较高预测精度的舰船备件需求预测技术来解决现实存在的问题。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于BP-SVR组合模型的船舶备件需求预测方法及系统,解决了现有技术中船舶备件需求预测结果不准确的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
第一方面,本发明首先提出了一种基于BP-SVR组合模型的船舶备件需求预测方法,该方法包括:
基于BP模型和SVR模型分别对获取的船舶备件历史消耗数据进行船舶备件需求预测以获取BP模型预测结果和SVR模型预测结果;
基于所述BP模型预测结果和SVR模型预测结果,利用网格搜索算法确定BP-SVR组合模型中BP模型和SVR模型的最优权重占比;
基于所述最优权重占比的BP-SVR组合模型进行船舶备件需求预测。
优选的,所述基于BP模型和SVR模型分别对获取的船舶备件历史消耗数据进行船舶备件需求预测以获取BP模型预测结果和SVR模型预测结果包括:
S11、获取近T年内每个月的船舶备件历史消耗数据;
S12、基于BP模型训练集对所述BP模型进行训练,并基于BP模型测试集利用训练好的BP模型得到所述BP模型测结果;基于SVR模型训练集对所述SVR模型进行训练,并基于SVR模型测试集利用训练好的SVR模型得到SVR模型预测结果;
其中,将近(T-1)年的不同年份的相同月份的所述船舶备件历史消耗数据作为所述BP模型训练集,将第T年的不同年份的相同月份的所述船舶备件历史消耗数据作为所述BP模型测试集;
将近(T-1)年相同年份的不同月份的所述船舶备件历史消耗数据作为所述SVR模型训练集,将第T年相同年份的不同月份的所述船舶备件历史消耗数据作为所述SVR模型测试集。
优选的,所述基于所述BP模型预测结果和SVR模型预测结果,利用网格搜索算法确定BP-SVR组合模型中BP模型和SVR模型的最优权重占比包括:
S21、利用网格搜索算法获取所述BP-SVR组合模型中所述BP模型和所述SVR模型的所有权重取值组合,将所有所述权重取值组合依次代入所述BP-SVR组合模型中分别获取每个所述BP-SVR组合模型预测的第t个月的船舶备件预测量,t∈T;
S22、选择均方误差最小时的权重组合作为最优权重占比。
优选的,所述均方误差用公式可表示为:
第二方面,本发明还提出了一种基于BP-SVR组合模型的船舶备件需求预测系统,该系统包括:
单个模型预测结果获取模块,用于基于BP模型和SVR模型分别对获取的船舶备件历史消耗数据进行船舶备件需求预测以获取BP模型预测结果和SVR模型预测结果;
组合模型权重确定模块,用于基于所述BP模型预测结果和SVR模型预测结果,利用网格搜索算法确定BP-SVR组合模型中BP模型和SVR模型的最优权重占比;
船舶备件需求预测模块,用于基于所述最优权重占比的BP-SVR组合模型进行船舶备件需求预测。
优选的,所述单个模型预测结果获取模块基于BP模型和SVR模型分别对获取的船舶备件历史消耗数据进行船舶备件需求预测以获取BP模型预测结果和SVR模型预测结果包括:
S11、获取近T年内每个月的船舶备件历史消耗数据;
S12、基于BP模型训练集对所述BP模型进行训练,并基于BP模型测试集利用训练好的BP模型得到所述BP模型测结果;基于SVR模型训练集对所述SVR模型进行训练,并基于SVR模型测试集利用训练好的SVR模型得到SVR模型预测结果;
其中,将近(T-1)年的不同年份的相同月份的所述船舶备件历史消耗数据作为所述BP模型训练集,将第T年的不同年份的相同月份的所述船舶备件历史消耗数据作为所述BP模型测试集;
将近(T-1)年相同年份的不同月份的所述船舶备件历史消耗数据作为所述SVR模型训练集,将第T年相同年份的不同月份的所述船舶备件历史消耗数据作为所述SVR模型测试集。
优选的,所述组合模型权重确定模块基于所述BP模型预测结果和SVR模型预测结果,利用网格搜索算法确定BP-SVR组合模型中BP模型和SVR模型的最优权重占比包括:
S21、利用网格搜索算法获取所述BP-SVR组合模型中所述BP模型和所述SVR模型的所有权重取值组合,将所有所述权重取值组合依次代入所述BP-SVR组合模型中分别获取每个所述BP-SVR组合模型预测的第t个月的船舶备件预测量,t∈T;
S22、选择均方误差最小时的权重组合作为最优权重占比。
优选的,所述均方误差用公式可表示为:
(三)有益效果
本发明提供了一种基于BP-SVR组合模型的船舶备件需求预测方法及系统。与现有技术相比,具备以下有益效果:
1、本发明基于BP-SVR组合模型的船舶备件需求预测方法及系统,首先基于BP模型和SVR模型分别对获取的船舶备件历史消耗数据进行横向和纵向预测,以获取BP模型的横向预测结果和SVR模型的纵向预测结果,然后基于上述横向预测结果和纵向预测结果利用网格搜索算法确定BP-SVR组合模型中BP模型和SVR模型的最优权重占比,最后基于最优权重占比的BP-SVR组合模型进行船舶备件需求预测。本发明利用不同单个模型在预测时处理数据不同特点时的优势,可从船舶备件历史消耗数据的不同角度获取船舶备件需求预测结果,其最终的综合预测结果相比于单个模型更加精准。
2、本发明中利用网格搜索算法对BP-SVR组合模型中BP模型和SVR模型的权重占比进行寻优,可以更加精准地找到组合模型的最优权重组合方案,从而进一步提高了BP-SVR组合模型对于船舶备件需求预测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中基于BP-SVR组合模型的船舶备件需求预测方法的流程图;
图2为本发明实施例中基于BP-SVR组合模型的船舶备件需求预测过程的逻辑图;
图3为本发明实施例中基于BP神经网络横向预测的示意图;
图4为本发明实施例中基于SVR模型进行纵向预测的示意图;
图5为本发明实施例中BP神经网络的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请实施例通过提供一种基于BP-SVR组合模型的船舶备件需求预测方法及系统,解决了现有技术中船舶备件需求预测结果不准确的问题,实现了科学合理解决船舶备件积压问题的目的。
本申请实施例中的技术方案为解决上述技术问题,总体思路如下:
为了通过科学、合理的方式准确预测船舶备件的需求,本发明基于近几年船舶备件历史消耗数据统计时的横向(月份)和纵向(年份)分布特点,利用反向传播(BP)神经网络模型和支持向量机回归(SVR)模型分别对船舶备件需求进行预测,并通过网格搜索算法确定BP-SVR组合模型中BP模型和SVR模型的最优权重,最后利用具有最优权重的BP-SVR组合模型对船舶备件需求进行预测。本发明利用不同单个模型在预测时处理数据不同特点时的优势,可从船舶备件历史消耗数据的不同角度获取船舶备件需求预测结果,最终根据最优权重的占比分配获取船舶备件需求综合预测结果,解决了现有技术中船舶备件需求精准度差的问题。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例1:
BP神经网络(Back Propagation Neural Network)是一种采用误差BP算法训练的多层前馈网络,是一种应用广泛的神经网络模型。BP神经网络预测的基本原理是通过不断修改网络权重和校正阈值来找到映射关系,直到满足给定的精度。BP神经网络一般由输入层(Input layer)、隐含层(Hidden layer)和输出层(Output layer)三层组成。该方法从输出层开始,误差按照梯度下降法修正各层的权值,然后依次传播到隐层和输入层。通过连续信息前向传播和误差BP,不断调整每一层的权值。反向传播(BP)神经网络有很强的非线性映射能力,可以映射任意复杂的非线性关系,还能有较高的预测精度。
支持向量机回归(Support Vector Machine Regression,SVR)是为了找到给定数据样本T={(x1,y1),(x2,y2),...,(xn,yn)},(i=1,2,...,n),其中xi∈Rn是输入变量,yi∈R是输出变量。回归分析根据模型的性质进行分类,线性预测得到形式为y=f(x)=ωx+b的回归模型,使得f(x)的值与y尽可能接近,其中ω为权重向量,b为偏差。对于非线性预测模型,可将数据样本从原始空间映射到一个更高维的特征空间,使得数据样本在这个高维特征空间内相当于是线性预测。支持向量机回归有很好的泛化性,不容易过拟合,在样本量较小时也能取得好的性能。
第一方面,本发明首先提出了一种基于BP-SVR组合模型的船舶备件需求预测方法,参见图1-2,该方法包括:
S1、基于BP模型和SVR模型分别对获取的船舶备件历史消耗数据进行船舶备件需求预测以获取BP模型预测结果和SVR模型预测结果;
S2、基于所述BP模型预测结果和SVR模型预测结果,利用网格搜索算法确定BP-SVR组合模型中BP模型和SVR模型的最优权重占比;
S3、基于所述最优权重占比的BP-SVR组合模型进行船舶备件需求预测。
可见,本实施例基于BP-SVR组合模型的船舶备件需求预测方法及系统,首先基于BP模型和SVR模型分别对获取的船舶备件历史消耗数据进行横向和纵向预测,以获取BP模型的横向预测结果和SVR模型的纵向预测结果,然后基于上述横向预测结果和纵向预测结果利用网格搜索算法确定BP-SVR组合模型中BP模型和SVR模型的最优权重占比,最后基于最优权重占比的BP-SVR组合模型进行船舶备件需求预测。本发明利用不同单个模型在预测时处理数据不同特点时的优势,可从船舶备件历史消耗数据的不同角度获取船舶备件需求预测结果,其最终的综合预测结果相比于单个模型更加精准。
下面结合附图1-5,以及对S1-S3具体步骤的解释,来详细说明本发明一个实施例的实现过程。
为了便于说明和阐述本发明机的技术方案,在本实施例中,我们选取最近五年内的船舶备件历史消耗数据,但实际操作时船舶备件历史消耗数据的采集可根据实际需要进行调整,即可选取近T年的船舶备件历史消耗数据,其中,T为正整数,且T≥2,理论上T的取值越大,本技术方案的预测精度越高。
S1、基于BP模型和SVR模型分别对获取的船舶备件历史消耗数据进行船舶备件需求预测以获取BP模型预测结果和SVR模型预测结果。
S11、获取近T年内每个月的船舶备件历史消耗数据。
采集近五年内船舶备件历史消耗数据,并将这些数据按照图3和图4的方式(横向为月份,纵向为年份)进行统计。
S12、基于BP模型训练集对所述BP模型进行训练,并基于BP模型测试集利用训练好的BP模型得到所述BP模型预测结果;基于SVR模型训练集对所述SVR模型进行训练,并基于SVR模型测试集利用训练好的SVR模型得到SVR模型预测结果。
用BP神经网络模型和支持向量机回归模型(SVR模型)分别进行预测时需要对同一历史数据分别从横向和纵向进行预测,因此需要针对BP模型和SVR模型分别划分训练集Ntrain和测试集Ntest,然后利用各自的训练集Ntrain和测试集Ntest分别对BP模型和SVR模型进行训练和预测。具体的:
1)划分训练集Ntrain和测试集Ntest。
将近(T-1)年的不同年份的相同月份的所述船舶备件历史消耗数据作为所述BP模型训练集,将第T年的不同年份的相同月份的所述船舶备件历史消耗数据作为所述BP模型测试集;
将近(T-1)年相同年份的不同月份的所述船舶备件历史消耗数据作为所述SVR模型训练集,将第T年相同年份的不同月份的所述船舶备件历史消耗数据作为所述SVR模型测试集。在本实施例中,令T=5。
2)模型训练和预测。
BP神经网络横向预测。即以不同年份的相同月份备件历史数据为输入神经元,对BP神经网络模型进行训练。在本实施例中将前四年的数据作为训练集Ntrain,将最后一年的数据作为测试集Ntest,数据集划分如图3所示,建立的神经网络模型由三层组成:输出层、隐藏层和输出层,如图5所示。对于训练好的BP神经网络模型,将测试集的样本作为输入,得到BP模型预测结果,记作BP神经网络横向预测,具体步骤包括:
(1)初始化网络结构,学习参数,如激励函数f(x)和学习速率η;
(2)输入训练样本,计算隐含层的输出Hj;
其中,式中:ωij为输入层到隐含层的权重,xi为输入层第i个节点的输入,αj为输入层到隐含层的偏置,f(x)为激励函数。
(3)正向传播,计算输出层的输出Ok;
其中,式中,ωjk为隐含层到输出层的权重,Hk为第k个隐含层的输出,bk为隐含层到输出层的偏置。
(4)误差计算,通过训练数据计算当前网络的实际输出,与网络的期望输出进行比较,计算误差
ek=Yk-Ok,k=1,2,...,m
式中:Yk为第k个输出神经元的期望输出,Ok为第k个输出神经元的输出。
(5)反向传播,根据误差,逐层修正神经网络的权重ωij,ωjk;
其中,η为学习速率。
(6)偏置的更新。根据误差,逐层修正偏置αj,bk;
支持向量机回归(SVR)纵向预测,即以年为步长,以相同年份的不同月份备件历史数据为输入单元,对SVR模型进行训练,在本实施例中将前四年的数据作为训练集Ntrain,将最后一年的数据作为测试集Ntest,数据集的划分如图4所示。对于训练好的SVR模型,将测试集Ntest的样本作为输入,得到SVR模型预测结果,记作SVR纵向预测,具体步骤包括:
初始化优化目标,在数学上可以表示为关于权ω和偏差b的表达式:
引入损失函数l∈,SVR希望所有的训练数据都在间隔内,当有点在间隔之外时,就会产生损失;
引入松弛变量ξ,使函数间隔要求变得相对放松,此时这些不在间隔内的点是被允许的;
由拉格朗日乘子函数取得极值点的条件得到拉格朗日乘子函数的对偶优化条件,得到SVR的线性解的形式为:
S2、基于所述BP模型预测结果和SVR模型预测结果,利用网格搜索算法确定BP-SVR组合模型中BP模型和SVR模型的最优权重占比。
由于组合预测模型的预测值是由两种算法组合预测得来,因此两种算法的权重之和为1。将两种算法的权重可能的取值进行排列组合,列出所有可能的权重组合结果形成“网格”。然后将各个组合进行预测,对预测结果进行评估。理论上,只要划分的网格足够细,就能获得精确的最优的权重比。
对上述步骤S1中分别得到的输出结果,采用网格搜索算法对权重进行组合,进行预测,将预测结果的均方误差(MSE)最小作为模型的最优准则,此时的权重即为组合模型的权重,确定组合预测模型的权重。
组合预测模型的最小预测均方误差应满足以下关系:
|min MSE|≤δ
其中,δ是预测值和实际值之间允许的最大均方误差值。
具体步骤包括:
用训练集的船舶备件消耗历史数据分别训练BP神经网络模型和SVR模型,用测试集对训练好的模型进行预测,得到第t个月的船舶备件预测结果和船舶备件第t个月的实际需求量为yt,选择均方误差(Mean Square Error,MSE),以MSE最小作为模型组合的最优准则,则:
其中,yt为第t个月的船舶备件实际需求量,为第t个月组合预测模型对船舶备件预测量;n=12表示一年的12个月。et表示船舶备件实际需求量与船舶备件预测量之间的误差;MSE越小则说明预测结果与实际值越接近,预测越准。
满足条件:
其中,ωti表示表示第t月两种算法预测值的权重,git表示表示第t月两种算法的预测值。
S3、基于所述最优权重占比的BP-SVR组合模型进行船舶备件需求预测。
利用已经训练好并获得最优权重的船舶备件需求组合预测模型进行回归预测。将船舶备件历史数据作为组合预测模型的输入,对历史数据进行训练,利用测试集进行回归预测,获取备件需求预测结果。用公式可表示为:
其中,表示BP-SVR组合模型对船舶备件需求的预测结果;表示BP模型对船舶备件需求的预测结果;表示SVR模型对船舶备件需求的预测结果;ωBP(i)表示BP-SVR组合模型中BP模型的权重占比;ωSVR(i)表示BP-SVR组合模型中SVR模型的权重占比。
至此,则完成了本发明一种基于BP-SVR组合模型的船舶备件需求预测方法的全部流程。
为了验证本发明基于BP-SVR组合模型的船舶备件需求预测方法的有效性,下面我们将本发明的BP-SVR组合模型针对船舶备件需求预测结果与单个BP模型或单个SVR模型针对船舶备件需求预测结果进行比较,具体预测结果如表1所示。
表1不同模型针对船舶备件需求预测的效果表
从表1中可以看出,BP-SVR方法的四种评价指标值均低于其余两种方法单独预测时的评价指标值,其中,相较于BP方法,BP-SVR将均方根误差(RMSE)降低3.2%,将平均绝对误差(MAE)降低了12.1%,将平均绝对百分比误差(MAPE)降低了17.6%,将正则化均方误差(NMSE)降低了6.1%,预测精度取得了不错的提升;而相较于SVR方法,BP-SVR将RMSE降低了36.1%,将MAE降低了43.3%,将MAPE降低了49.3%,将NMSE降低了59.1%,预测精度取得较大的提升。
可见,基于BP-SVR组合模型对船舶备件需求进行预测,相比于单个的BP模型或SVR模型,精度更高,结果更精准。
实施例2:
第二方面,本发明还提供了一种基于BP-SVR组合模型的船舶备件需求预测系统,该系统包括:
单个模型预测结果获取模块,用于基于BP模型和SVR模型分别对获取的船舶备件历史消耗数据进行船舶备件需求预测以获取BP模型预测结果和SVR模型预测结果;
组合模型权重确定模块,用于基于所述BP模型预测结果和SVR模型预测结果,利用网格搜索算法确定BP-SVR组合模型中BP模型和SVR模型的最优权重占比;
船舶备件需求预测模块,用于基于所述最优权重占比的BP-SVR组合模型进行船舶备件需求预测。
可选的,所述单个模型预测结果获取模块基于BP模型和SVR模型分别对获取的船舶备件历史消耗数据进行船舶备件需求预测以获取BP模型预测结果和SVR模型预测结果包括:
S11、获取近T年内每个月的船舶备件历史消耗数据;
S12、基于BP模型训练集对所述BP模型进行训练,并基于BP模型测试集利用训练好的BP模型得到所述BP模型测结果;基于SVR模型训练集对所述SVR模型进行训练,并基于SVR模型测试集利用训练好的SVR模型得到SVR模型预测结果;
其中,将近(T-1)年的不同年份的相同月份的所述船舶备件历史消耗数据作为所述BP模型训练集,将第T年的不同年份的相同月份的所述船舶备件历史消耗数据作为所述BP模型测试集;
将近(T-1)年相同年份的不同月份的所述船舶备件历史消耗数据作为所述SVR模型训练集,将第T年相同年份的不同月份的所述船舶备件历史消耗数据作为所述SVR模型测试集。
可选的,所述组合模型权重确定模块基于所述BP模型预测结果和SVR模型预测结果,利用网格搜索算法确定BP-SVR组合模型中BP模型和SVR模型的最优权重占比包括:
S21、利用网格搜索算法获取所述BP-SVR组合模型中所述BP模型和所述SVR模型的所有权重取值组合,将所有所述权重取值组合依次代入所述BP-SVR组合模型中分别获取每个所述BP-SVR组合模型预测的第t(t∈T)个月的船舶备件预测量;
S22、选择均方误差最小时的权重组合作为最优权重占比。
可选的,所述均方误差用公式可表示为:
可理解的是,本发明实施例提供的基于BP-SVR组合模型的船舶备件需求预测系统与上述基于BP-SVR组合模型的船舶备件需求预测方法相对应,其有关内容的解释、举例、有益效果等部分可以参照基于BP-SVR组合模型的船舶备件需求预测方法中的相应内容,此处不再赘述。
综上所述,与现有技术相比,具备以下有益效果:
1、本发明基于BP-SVR组合模型的船舶备件需求预测方法及系统,首先基于BP模型和SVR模型分别对获取的船舶备件历史消耗数据进行横向和纵向预测,以获取BP模型的横向预测结果和SVR模型的纵向预测结果,然后基于上述横向预测结果和纵向预测结果利用网格搜索算法确定BP-SVR组合模型中BP模型和SVR模型的最优权重占比,最后基于最优权重占比的BP-SVR组合模型进行船舶备件需求预测。本发明利用不同单个模型在预测时处理数据不同特点时的优势,可从船舶备件历史消耗数据的不同角度获取船舶备件需求预测结果,其最终的综合预测结果相比于单个模型更加精准。
2、本发明中利用网格搜索算法对BP-SVR组合模型中BP模型和SVR模型的权重占比进行寻优,可以更加精准地找到组合模型的最优权重组合方案,从而进一步提高了BP-SVR组合模型对于船舶备件需求预测的准确性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于BP-SVR组合模型的船舶备件需求预测方法,其特征在于,所述方法包括:
基于BP模型和SVR模型分别对获取的船舶备件历史消耗数据进行船舶备件需求预测以获取BP模型预测结果和SVR模型预测结果;
基于所述BP模型预测结果和SVR模型预测结果,利用网格搜索算法确定BP-SVR组合模型中BP模型和SVR模型的最优权重占比;
基于所述最优权重占比的BP-SVR组合模型进行船舶备件需求预测。
2.如权利要求1所述的方法,其特征在于,所述基于BP模型和SVR模型分别对获取的船舶备件历史消耗数据进行船舶备件需求预测以获取BP模型预测结果和SVR模型预测结果包括:
S11、获取近T年内每个月的船舶备件历史消耗数据;
S12、基于BP模型训练集对所述BP模型进行训练,并基于BP模型测试集利用训练好的BP模型得到所述BP模型测结果;基于SVR模型训练集对所述SVR模型进行训练,并基于SVR模型测试集利用训练好的SVR模型得到SVR模型预测结果;
其中,将近(T-1)年的不同年份的相同月份的所述船舶备件历史消耗数据作为所述BP模型训练集,将第T年的不同年份的相同月份的所述船舶备件历史消耗数据作为所述BP模型测试集;
将近(T-1)年相同年份的不同月份的所述船舶备件历史消耗数据作为所述SVR模型训练集,将第T年相同年份的不同月份的所述船舶备件历史消耗数据作为所述SVR模型测试集。
3.如权利要求1所述的方法,其特征在于,所述基于所述BP模型预测结果和SVR模型预测结果,利用网格搜索算法确定BP-SVR组合模型中BP模型和SVR模型的最优权重占比包括:
S21、利用网格搜索算法获取所述BP-SVR组合模型中所述BP模型和所述SVR模型的所有权重取值组合,将所有所述权重取值组合依次代入所述BP-SVR组合模型中分别获取每个所述BP-SVR组合模型预测的第t个月的船舶备件预测量,t∈T;
S22、选择均方误差最小时的权重组合作为最优权重占比。
5.一种基于BP-SVR组合模型的船舶备件需求预测系统,其特征在于,所述系统包括:
单个模型预测结果获取模块,用于基于BP模型和SVR模型分别对获取的船舶备件历史消耗数据进行船舶备件需求预测以获取BP模型预测结果和SVR模型预测结果;
组合模型权重确定模块,用于基于所述BP模型预测结果和SVR模型预测结果,利用网格搜索算法确定BP-SVR组合模型中BP模型和SVR模型的最优权重占比;
船舶备件需求预测模块,用于基于所述最优权重占比的BP-SVR组合模型进行船舶备件需求预测。
6.如权利要求5所述的系统,其特征在于,所述单个模型预测结果获取模块基于BP模型和SVR模型分别对获取的船舶备件历史消耗数据进行船舶备件需求预测以获取BP模型预测结果和SVR模型预测结果包括:
S11、获取近T年内每个月的船舶备件历史消耗数据;
S12、基于BP模型训练集对所述BP模型进行训练,并基于BP模型测试集利用训练好的BP模型得到所述BP模型测结果;基于SVR模型训练集对所述SVR模型进行训练,并基于SVR模型测试集利用训练好的SVR模型得到SVR模型预测结果;
其中,将近(T-1)年的不同年份的相同月份的所述船舶备件历史消耗数据作为所述BP模型训练集,将第T年的不同年份的相同月份的所述船舶备件历史消耗数据作为所述BP模型测试集;
将近(T-1)年相同年份的不同月份的所述船舶备件历史消耗数据作为所述SVR模型训练集,将第T年相同年份的不同月份的所述船舶备件历史消耗数据作为所述SVR模型测试集。
7.如权利要求5所述的系统,其特征在于,所述组合模型权重确定模块基于所述BP模型预测结果和SVR模型预测结果,利用网格搜索算法确定BP-SVR组合模型中BP模型和SVR模型的最优权重占比包括:
S21、利用网格搜索算法获取所述BP-SVR组合模型中所述BP模型和所述SVR模型的所有权重取值组合,将所有所述权重取值组合依次代入所述BP-SVR组合模型中分别获取每个所述BP-SVR组合模型预测的第t个月的船舶备件预测量,t∈T;
S22、选择均方误差最小时的权重组合作为最优权重占比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210234017.8A CN114595890A (zh) | 2022-03-09 | 2022-03-09 | 基于bp-svr组合模型的船舶备件需求预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210234017.8A CN114595890A (zh) | 2022-03-09 | 2022-03-09 | 基于bp-svr组合模型的船舶备件需求预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114595890A true CN114595890A (zh) | 2022-06-07 |
Family
ID=81817913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210234017.8A Pending CN114595890A (zh) | 2022-03-09 | 2022-03-09 | 基于bp-svr组合模型的船舶备件需求预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114595890A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116050600A (zh) * | 2022-12-28 | 2023-05-02 | 中国电子科技集团公司第三十八研究所 | 基于cnn-ga-bp的组合模型备件需求预测方法和系统 |
-
2022
- 2022-03-09 CN CN202210234017.8A patent/CN114595890A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116050600A (zh) * | 2022-12-28 | 2023-05-02 | 中国电子科技集团公司第三十八研究所 | 基于cnn-ga-bp的组合模型备件需求预测方法和系统 |
CN116050600B (zh) * | 2022-12-28 | 2024-08-23 | 中国电子科技集团公司第三十八研究所 | 基于cnn-ga-bp的组合模型备件需求预测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Optimal forecast combination based on neural networks for time series forecasting | |
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
CN110245801A (zh) | 一种基于组合挖掘模型的电力负荷预测方法及系统 | |
CN113537600B (zh) | 一种全过程耦合机器学习的中长期降水预报建模方法 | |
CN110428175B (zh) | 一种基于深度学习的热轧带钢板凸度预报方法 | |
CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
CN110570034B (zh) | 一种基于多XGBoost模型融合的母线负荷预测方法 | |
CN111243045A (zh) | 一种基于高斯混合模型先验变分自编码器的图像生成方法 | |
CN113705877A (zh) | 基于深度学习模型的实时月径流预报方法 | |
CN112149879A (zh) | 一种计及宏观波动性分类的新能源中长期电量预测方法 | |
CN113822499B (zh) | 一种基于模型融合的列车备件损耗预测方法 | |
CN112381279B (zh) | 一种基于vmd和bls组合模型的风电功率预测方法 | |
CN114912077B (zh) | 一种融合随机搜索与混合分解误差订正的海浪预报方法 | |
CN112989711A (zh) | 一种基于半监督集成学习的工业过程软测量建模方法 | |
CN112650933A (zh) | 一种基于高阶聚合的图卷积融合多头注意力机制的会话推荐方法 | |
CN105184398A (zh) | 一种电力最大负荷小样本预测方法 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
CN115034473A (zh) | 一种电价预测方法、系统及装置 | |
CN109540089B (zh) | 一种基于贝叶斯-克里金模型的桥面高程拟合方法 | |
CN116050600A (zh) | 基于cnn-ga-bp的组合模型备件需求预测方法和系统 | |
CN114595890A (zh) | 基于bp-svr组合模型的船舶备件需求预测方法及系统 | |
CN110738363A (zh) | 一种光伏发电功率预测模型及其构建方法和应用 | |
Srivastava et al. | Weather Prediction Using LSTM Neural Networks | |
CN109061544B (zh) | 一种电能计量误差估计方法 | |
CN115454988B (zh) | 基于随机森林网络的卫星电源系统缺失数据补全方法 |
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 |