基于ICSO-SVM模型的物流吞吐量研究①

劉蘭蘭

(安徽工商職業學院經濟貿易學院,安徽 合肥 230001)

0 引 言

在當今全球化和數字化的商業環境中,物流業的重要性愈發顯著[1]。隨著全球供應鏈的日益復雜和市場的不斷變化,物流吞吐量的準確預測和優化成為實現高效、可持續供應鏈管理的關鍵因素[2]。傳統的預測和優化方法往往無法充分應對多變的物流環境和不確定性,許多研究者對此提出解決方案[3]。曾勇等人針對港口物流發展現狀,提出以引入等維信息模型的改進灰色馬爾科夫模型為基礎的港口集裝箱吞吐量研究組合模型,從而提高了集裝箱吞吐量預測精度,為物流發展帶來新的契機[4]。于少強等人針對物流過程中港口集裝箱吞吐量預測不準確的問題,提出結合灰色關聯分析,遺傳算法以及神經網絡的吞吐量預測模型,從而提高預測精度,對港口物流的戰略規劃及發展具有一定的參考價值[5]。在此背景下,研究聚焦于結合改進的雞群優化算法(Improved Chicken Swarm Optimization, ICSO)和支持向量機(Support Vector Machine, SVM)的整合模型,以港口為主要對象,深入研究物流吞吐量問題,旨在為物流港口管理提供新的工具和方法,以應對不斷變化的全球物流需求。同時,研究引入非線性權重的自適應學習方式對雞群優化算法進行改進并結合SVM進行物流吞吐量預測的方法具有創新性。

1 融合改進雞群優化算法的ICSO-SVM模型

傳統的SVM中,一般采用網格搜索方法,雖然可以找到全局最優解,但在處理大量樣本數據時會導致計算冗余,使模型訓練速度變得緩慢。另外,搜索空間選擇過小則可能導致模型陷入局部最優解,從而影響模型的擬合效果。因此,研究引入改進的雞群優化算法解決問題[6]。雞群優化算法包含多種雞個體,分為公雞、母雞和小雞,其數量和類型根據適應度確定。每代中,雞群的等級制度保持不變,但會定期更新,以保持多樣性和避免陷入局部最優解。雞群中的每個個體在多維空間中尋找問題的最優解,模擬它們的行為。這個過程通過特定的位移公式來實現,不同類型的雞有不同的運動方式。公雞運動簡式如式(1)所示。

Pg=Pgold+Sg·Dg

(1)

式(1)中,Pg與Pgold表示公雞的新位置與舊位置,Sg與Dg分別表示隨機步長與隨機方向,二者都是隨機生成的值,用于探索搜索空間。母雞運動簡式如式(2)所示。

Ph=Phold+Pbest-Phnow

(2)

式(2)中,Ph,Phold,Pbest與Phnow分別表示母雞的新位置,舊位置,局部最優位置與當前位置,母雞傾向于向局部最優解移動,但仍然允許一定程度的隨機性。小雞運動簡式如式(3)所示。

Pc=Pcold+Sc·Dc+Pm-Pcnow

(3)

式(3)中,Pc,Pcold與Pcnow表示小雞的新位置,舊位置與當前位置,Sc,Dc表示隨機步長與隨機方向,Pm表示其雞媽媽的位置。小雞會傾向于跟隨雞媽媽,但同樣具有一定的隨機性,以增加搜索多樣性。

對于傳統雞群優化算法,其在解決優化問題上表現出有效性,但在處理某些復雜的優化問題時同樣可能會陷入局部最優解。研究提出兩種改進策略,首先為增加算法的多樣性,引入混沌理論,其次引入非線性權重的自適應學習方式使雞群優化算法靈活地適應不同問題和不同階段的搜索需求。研究采用帳篷映射作為混沌序列映射,如式(4)所示[7]。

(4)

式(4)中,ti表示混沌變量,a∈(0,1)表示映射系數,研究選取a的值為0.7,此時生成的序列具有不錯的混沌性與遍歷性。帳篷映射在經過多次迭代后分布更加均勻,數據分布特征更加穩定,相比之下,隨機數的分布散亂、跨度較大,容易集中在某一區域,這增加了陷入局部最優解的風險。因此,帳篷映射生成的混沌變量用來替代原來在種群生成和雞群移動時使用的隨機數。

在式(3)中,小雞移動主要受其先前的位置和雞媽媽位置影響,如果雞媽媽陷入局部最優解,則小雞也會受到同樣的影響,這可能導致算法過早停止迭代。因此,研究引入自學習系數,改進小雞的移動方式,如式(5)所示。

Pc=Pcold+r·(Pcnow-Pm)+F·ω·(ψ-Pcnow)

(5)

式(5)中,r表示一個隨機數,F表示權重,ω是非線性慣性權重即自學習系數,用于平衡全局搜索和局部搜索,ψ代表與跟隨公雞移動相關的系數。這個改進的策略允許小雞根據自身適應度與群體平均適應度的差異來調整ω的大小,從而靈活地選擇是更加強調全局搜索還是局部搜索。這有助于增強算法的全局搜索能力,同時保持局部搜索的精確性。與此同時,ψ也會用混沌變量代替,以增加算法的隨機性。此時,研究構建的ICSO-SVM模型理論成型。

在模型訓練過程中,研究首先對物流吞吐量數據進行清洗、歸一化等預處理操作,然后,設置SVM和ICSO的初始參數,使用ICSO初始化雞群的種群,包括公雞、母雞和小雞,并分配它們的初始位置。通過計算每個雞個體的適應度來評估其性能,并在每次迭代中尋找最佳個體。最后,使用SVM模型以當前雞群的位置為基礎來進行港口吞吐量的預測,并驗證數據的真實性。

2 針對ICSO-SVM模型的對比實驗與港口物流吞吐量預測研究

2.1 ICSO-SVM模型擬合結果與對比實驗

為了全面評估ICSO-SVM模型的性能,研究首先評估模型對物流吞吐量數據的擬合能力。研究選取了某市港口2000年-2014年的物流吞吐量數據對模型進行訓練,為了獲得最佳的SVM預測模型參數,采用了ICSO算法進行機器訓練。ICSO算法的迭代尋優過程用于調整模型參數以提高預測性能。算法尋優過程與ICSO-SVM模型最終擬合結果如圖1所示。

圖1 算法尋優過程與ICSO-SVM模型最終擬合結果

由圖1(a)可知,在尋優過程中,經歷100次迭代,ICSO算法的平均適應度值持續波動,未呈現出明顯趨勢。但在算法后期仍然持續更新,導致平均適應度值發生顯著變化,表明ICSO算法避免了陷入局部最優解的問題,有效地增加了種群多樣性。此外,ICSO算法達到最佳平均適應度值0.0632僅迭代大約20次,顯示出快速的尋優速度和低訓練誤差。由圖1(b)可知,ICSO-SVM模型在擬合結果方面表現出色,與真實值之間的差距非常小。唯一的異常出現在2006年,有輕微的誤差。這一結果強化了ICSO-SVM模型在物流吞吐量預測中的可靠性和準確性。

為了驗證ICSO-SVM模型的優越性,研究進行對比試驗。研究另選6個模型,3個基礎模型分別是SVM,長短時記憶網絡(Long Short-Term Memory, LSTM)與反饋神經網絡(Backpropagation Neural Network, BPNN),3個融合模型分別是未改進的 CSO-SVM 模型,粒子群算法優化支持向量機模型(Particle Swarm Optimization-Support Vector Machine Model, PSO-SVM)與遺傳算法優化后反饋神經網絡(Genetic Algorithm-Backpropagation Neural Network, GA-BPNN)。研究使用2015年-2019年的數據作為檢驗集,各個模型的預測結果與均方誤差(Mean Absolute Error, MAE),平均絕對百分比誤差(Mean Absolute Percentage Error, MAPE)以及均方根誤差(Root Mean Square Error, RMSE)計算結果如圖2所示。

圖2 各模型預測結果與誤差

由圖2(a)可知,ICSO-SVM模型效果最佳,與真實值趨勢吻合。未改進的CSO-SVM和基礎SVM次之。LSTM偏高,BPNN偏低。PSO-SVM和GA-BPNN的預測值較接近,但趨勢不準確。由圖2(b)可知,ICSO-SVM模型在MAE,MAPE和RMSE三個誤差指標下均表現出最佳的預測準確度,分別為762.2,1.05%和814.7,顯示出了ICSO-SVM模型的出色性能。

2.2 ICSO-SVM模型對物流吞吐量的預測實驗與分析

為了評估 ICSO-SVM模型的有效性,研究對某港口的物流吞吐量進行預測研究。ICSO-SVM模型的預測實驗與分析在不同經濟發展階段的應用具有重要意義,包括經濟基準發展、低速發展和高速發展三種情境。因此,研究為評估ICSO-SVM模型在各種經濟條件下的適用性和準確性,對2024年-2028年間的經濟基準發展、低速發展和高速發展情況下的物流吞吐量進行了預測,首先是三種情境下港口處各個指標的年均增長率如表1所示。

表1 三種情境下各個指標2024-2028年年均增長率

由表1可知,針對不同情境,2024-2028年的年均增長率有所不同。在高速發展情境下,GDP,人均GDP、人均消費和人均可支配收入增速最高,分別為6%,6%,6%和9.6%。相反,在低速發展情境下,這些指標的增速相對較低,分別為4%,4%,4%和7.6%。常住人口數、就業人數、碼頭數量和沿海泊位數量在高速發展情境下也呈現較高的增長率,而在低速發展情境下增速相對較低。經濟基準發展情境下的增速介于兩者之間。研究在ICSO-SVM 預測模型的基礎上運用情景分析法,得到物流吞吐量預測量,如圖3所示。

圖3 某港口2024-2028年物流吞吐量預測量

由圖3可知,在高速發展情境下,港口物流吞吐量增長速度最快,從2024年的72591達到2028年的79469,年均增長率為約1.2%。這表明,在高速發展經濟條件下,物流活動迅速擴大?；鶞拾l展情境下,港口物流吞吐量也穩步增長,盡管增速略低于高速發展情境。從2024年的72317增長到2028年的77228,年均增長率為約0.8%。低速發展情境下,港口物流吞吐量的增長相對較為緩慢。從2024年的71459增長到2028年的75444,年均增長率為約0.5%。預測結果提供了對不同發展情景下上海市港口吞吐量的洞察,符合真實發展趨勢,對于未來的港口規劃和物流戰略制定具有重要意義。

3 結 語

針對傳統方法預測物流吞吐量在應對多變的物流環境和不確定性方面存在局限性的問題,研究引入ICSO與SVM結合的整合模型ICSO-SVM模型,并對其優越性與有效性進行驗證。研究結果表明,CSO算法僅需大約20次迭代即達到最佳平均適應度值0.0632,在ICSO-SVM模型訓練中,除2006年出現輕微誤差,其余時間與真實值差距很小。ICSO-SVM模型的MAE、MAPE和RMSE三個誤差指標分別為762.2、1.05%和814.7,為對比算法中最低誤差。此外,在預測研究中,高速發展情境下,港口吞吐量增長最快,年均1.2%,基準發展情境下年均0.8%增長,低速發展情境下年均0.5%增長,符合真實發展趨勢?？偟膩砜?ICSO-SVM模型能夠更好地適應不同物流需求和發展情境,為物流的戰略規劃及發展提供有力支持。然而,研究對于一些因數據庫缺失和難以量化的定性因素還未考慮,未來可以填補這些空白,以構建更全面的因素體系。