支持向量机在企业冰箱订单需求中的应用

昆明理工大学质量发展研究院 李哲 肖汉杰 李红娟

1 引言

随着我国市场经济的不断发展，人民生活水平逐渐提高，制造业技术的改善，使得中国冰箱技术得到较大发展。目前，中国冰箱不论在制造技术上，还是在性能上都已达到、甚至超过国际水平。现如今，我国冰箱行业进入高速发展的新阶段，城市电冰箱市场面临由饱和向更新换代过渡，同时在国家宏观政策调控、以旧换新以及三下乡等政策的调节下，家电普及风暴在城市、农村全面启动。虽然，目前我国的电冰箱市场已经进入“巷战期”，冰箱产业格局愈加明显，如以海尔、海信等为中心的环渤海产业群，以美的为中心的珠三角产业群，以新飞为中心的中原产业群，以长虹为中心的西部产业群牢牢控制着我国市场，但随着外资企业不断进入，相信冰箱市场的竞争将趋于白热化[1]。

冰箱作为家庭常用电器，其品质、品牌以及售后服务受到人们极大关注，而冰箱需求量直接影响企业方方面面，较好的冰箱需求量能够带动企业生产规模、产品质量、资金管理以及售后服务等方面向好的方向发展。目前，研究需求方面的方法主要有神经网络、ARMA模型、支持向量机等。神经网络作为一种新的时间序列预测方法，表现出很高的预测精度，但神经网络存在训练速度慢、易陷入局部极小、学习率选择敏感等缺点；ARMA预测模型从时间序列自身出发建立模型，具有良好的线性拟合能力，但ARIMA模型能够处理线性问题，对非线性问题预测误差较大；与上述两个模型相比SVM是一种具有极严格的理论基础和数学基础的数学模型，与BP神经网络相比不存在局部最小问题，具有较强泛化能力的优势，与时间序列模型ARIMA相比具有处理非线性问题。

根据一组数据，2014上半年中国冰箱市场零售量、零销售同比下降10.5%，8.6%，冰箱需求市场乏力，使得冰箱企业之间竞争更为激烈。冰箱需求是受多方面因素影响的复杂系统，如季节性、价格、竞争、产品性能、售后服务等。根据各因素对订单需求影响的大小，最终选择需求趋势、市场份额、价格波动、订单缺货情况以及分销商的联合预测情况五个因素对冰箱需求进行预测。基于此，本文利用SVM，建立冰箱订单需求预测模型，可对供应商准确、及时了解订单需求提供支持。

2 相关概念

2.1 支持向量机

1995年，支持向量机由Corinna Cortes和Vapnik等首先提出[2]。支持向量机主要思想是建立一个分类平面作为决策曲面，使得正例和反例之间的隔离边缘被最大化，即支持向量机是结构风险最小化的近似实现。支持向量机具有鲁棒性好、计算简单、分类精度高等优点,因此已被广泛应用在社会经济各个领域。

2.2 产品市场份额

产品市场份额又称为市场占有率，是指某企业销售额在同类行业所有销售额中所占比重的大小，即企业对市场的控制能力，反映企业盈利能力以及竞争优势。众所周知，如果企业越多，单个企业所占份额的比重就会越小，企业之间竞争就越激烈，这样就可以打破垄断，反之如果企业数量较小，单个企业所占的份额就相对较大，企业间的竞争会相对较弱，企业垄断会为企业带来一定的利润以及竞争优势。

2.3 需求趋势

需求趋势是一种发展动向，是指顾客对产品需求相对于前一期增长还是递减的一种发展动向。产品的生命周期一定程度上可以对需求趋势进行描述，若产品处于成长期，那么其需求处于增长，反之，则其需求增长稳定且缓慢。

2.4 价格波动

在经济学中，价格波动是指商品的价格围绕其价值忽高忽低上下波动的现象，而在企业中价格波动是指企业因原材料成本增加或者企业为增加产量、提升产品竞争力，实现一定盈利目标而在短时间内的价格围绕价值的上下波动变化。

2.5 订单缺货

缺货是指一种供应链当中的某一层级的库存无法满足顾客需求的一种现象。相应订单缺货是指产品供应量不足或者其他情况下不能满足消费者或者顾客需要数量的货物的一种现象。订单缺货情况可以通过订单满足率得以反映。订单满足率是指单位时间内，已经完成的订单总需求订单数的比值，比值越接近1，代表越优秀，反之，则越差。可用公式表示为：订单缺货=订单缺货率×总订单数。

2.6 分销商联合预测因素

分销商联合预测因素是指从供应商到最后的客户形成一个统一的有机体，该有机体充分考虑供应链上下之间需求匹配性，根据联合预测因素进行预测分析，从而达到信息资源共享、减少供应链各个环节中存货数量、降低生产及运输成本、准确及时响应消费者需求，最终提高订单满足率和客户服务水平。

3 SVM在订单需求中的应用

订单需求预测的核心是获得影响冰箱需求的关键因素，通过这些关键因素建立冰箱订单SVM模型。以云南省某冰箱公司两年日销售额为例，选定700个样本作为训练集进行训练，其余30个样本作为测试集。选定SVM对训练集进行训练后对冰箱实际需求进行预测，并将实际值与预测值进行对比，通过对比发现，支持向量机在冰箱订单预测中的有效性、准确性。

3.1 建立分析模型

图1为支持向量机训练流程图：首先，选定训练集与测试集，并对数据进行归一化处理，然后运用遗传算法[3]获得最优参数并对训练集进行训练，最后得到测试集的预测值。

图1 模型整体流程

3.2 构建支持向量机预测模型

由图2可知，最有参数c=0.1，g=290.951，交叉验证适应度[4]均方误差为0.058375，说明适用度精度较高。运用得到的最有参数对样本进行训练得到预测值与真实值对比如图2所示。

图2 适应度曲线

图3所示为部分测试集与真实值之间的对比，通过图3可以看到，预测值与真实值比较接近，通过计算得到平均误差为5.87%，这说明SVM对冰箱订单需求预测有较大的精度，SVM适合冰箱需求量预测。

图3 预测值与真实值对比

4 预测结果对比

根据建好的模型，运用Matlab编程，得到模型性的预测精度、均方误差(MSE)与平均绝对百分误差。从表1可以看到SVM预测精度均高于其他两个模型，MSE与MAPE也均小于其他两个模型，说明SVM预测误差较小。综合以上可以得到，SVM适合冰箱订单预测。

表1 模型预测性能对比

5 结语

我国冰箱行业之间竞争激烈，而影响冰箱需求的因素众多，为简单、有效地对冰箱需求进行预测，从众多因素中选择最主要的五个因素，并对影响冰箱订单需求的五个因素进行解释、研究，在这五个主要因素的基础上，运用支持向量机对冰箱订单需求量进行训练、预测，通过与真实值对比发现，此模型预测值精度较高，因此适合冰箱需求预测。

[1] 葛彦强,汪向征,王爱民.改进灰色神经网络的冰箱订单需求预测研究[J].计算机仿真,2012,29(5).

[2] 孟军,孙超.基于支持向量机的大豆产量预测研究[J].数学的实践与认识,2011,41(18).

[3] 李姗姗.物流服务供应链订单分配优化及其遗传算法[J].运筹与管理,2014,23(5).

[4] 姜伟,王宏力,何星等.基于适应度反馈作用的PSO算法改进[J].计算机工程,2012,38(22).