基于ICSO-SVM模型的物流吞吐量研究①

刘兰兰

(安徽工商职业学院经济贸易学院,安徽 合肥 230001)

0 引 言

在当今全球化和数字化的商业环境中,物流业的重要性愈发显著[1]。随着全球供应链的日益复杂和市场的不断变化,物流吞吐量的准确预测和优化成为实现高效、可持续供应链管理的关键因素[2]。传统的预测和优化方法往往无法充分应对多变的物流环境和不确定性,许多研究者对此提出解决方案[3]。曾勇等人针对港口物流发展现状,提出以引入等维信息模型的改进灰色马尔科夫模型为基础的港口集装箱吞吐量研究组合模型,从而提高了集装箱吞吐量预测精度,为物流发展带来新的契机[4]。于少强等人针对物流过程中港口集装箱吞吐量预测不准确的问题,提出结合灰色关联分析,遗传算法以及神经网络的吞吐量预测模型,从而提高预测精度,对港口物流的战略规划及发展具有一定的参考价值[5]。在此背景下,研究聚焦于结合改进的鸡群优化算法(Improved Chicken Swarm Optimization, ICSO)和支持向量机(Support Vector Machine, SVM)的整合模型,以港口为主要对象,深入研究物流吞吐量问题,旨在为物流港口管理提供新的工具和方法,以应对不断变化的全球物流需求。同时,研究引入非线性权重的自适应学习方式对鸡群优化算法进行改进并结合SVM进行物流吞吐量预测的方法具有创新性。

1 融合改进鸡群优化算法的ICSO-SVM模型

传统的SVM中,一般采用网格搜索方法,虽然可以找到全局最优解,但在处理大量样本数据时会导致计算冗余,使模型训练速度变得缓慢。另外,搜索空间选择过小则可能导致模型陷入局部最优解,从而影响模型的拟合效果。因此,研究引入改进的鸡群优化算法解决问题[6]。鸡群优化算法包含多种鸡个体,分为公鸡、母鸡和小鸡,其数量和类型根据适应度确定。每代中,鸡群的等级制度保持不变,但会定期更新,以保持多样性和避免陷入局部最优解。鸡群中的每个个体在多维空间中寻找问题的最优解,模拟它们的行为。这个过程通过特定的位移公式来实现,不同类型的鸡有不同的运动方式。公鸡运动简式如式(1)所示。

Pg=Pgold+Sg·Dg

(1)

式(1)中,Pg与Pgold表示公鸡的新位置与旧位置,Sg与Dg分别表示随机步长与随机方向,二者都是随机生成的值,用于探索搜索空间。母鸡运动简式如式(2)所示。

Ph=Phold+Pbest-Phnow

(2)

式(2)中,Ph,Phold,Pbest与Phnow分别表示母鸡的新位置,旧位置,局部最优位置与当前位置,母鸡倾向于向局部最优解移动,但仍然允许一定程度的随机性。小鸡运动简式如式(3)所示。

Pc=Pcold+Sc·Dc+Pm-Pcnow

(3)

式(3)中,Pc,Pcold与Pcnow表示小鸡的新位置,旧位置与当前位置,Sc,Dc表示随机步长与随机方向,Pm表示其鸡妈妈的位置。小鸡会倾向于跟随鸡妈妈,但同样具有一定的随机性,以增加搜索多样性。

对于传统鸡群优化算法,其在解决优化问题上表现出有效性,但在处理某些复杂的优化问题时同样可能会陷入局部最优解。研究提出两种改进策略,首先为增加算法的多样性,引入混沌理论,其次引入非线性权重的自适应学习方式使鸡群优化算法灵活地适应不同问题和不同阶段的搜索需求。研究采用帐篷映射作为混沌序列映射,如式(4)所示[7]。

(4)

式(4)中,ti表示混沌变量,a∈(0,1)表示映射系数,研究选取a的值为0.7,此时生成的序列具有不错的混沌性与遍历性。帐篷映射在经过多次迭代后分布更加均匀,数据分布特征更加稳定,相比之下,随机数的分布散乱、跨度较大,容易集中在某一区域,这增加了陷入局部最优解的风险。因此,帐篷映射生成的混沌变量用来替代原来在种群生成和鸡群移动时使用的随机数。

在式(3)中,小鸡移动主要受其先前的位置和鸡妈妈位置影响,如果鸡妈妈陷入局部最优解,则小鸡也会受到同样的影响,这可能导致算法过早停止迭代。因此,研究引入自学习系数,改进小鸡的移动方式,如式(5)所示。

Pc=Pcold+r·(Pcnow-Pm)+F·ω·(ψ-Pcnow)

(5)

式(5)中,r表示一个随机数,F表示权重,ω是非线性惯性权重即自学习系数,用于平衡全局搜索和局部搜索,ψ代表与跟随公鸡移动相关的系数。这个改进的策略允许小鸡根据自身适应度与群体平均适应度的差异来调整ω的大小,从而灵活地选择是更加强调全局搜索还是局部搜索。这有助于增强算法的全局搜索能力,同时保持局部搜索的精确性。与此同时,ψ也会用混沌变量代替,以增加算法的随机性。此时,研究构建的ICSO-SVM模型理论成型。

在模型训练过程中,研究首先对物流吞吐量数据进行清洗、归一化等预处理操作,然后,设置SVM和ICSO的初始参数,使用ICSO初始化鸡群的种群,包括公鸡、母鸡和小鸡,并分配它们的初始位置。通过计算每个鸡个体的适应度来评估其性能,并在每次迭代中寻找最佳个体。最后,使用SVM模型以当前鸡群的位置为基础来进行港口吞吐量的预测,并验证数据的真实性。

2 针对ICSO-SVM模型的对比实验与港口物流吞吐量预测研究

2.1 ICSO-SVM模型拟合结果与对比实验

为了全面评估ICSO-SVM模型的性能,研究首先评估模型对物流吞吐量数据的拟合能力。研究选取了某市港口2000年-2014年的物流吞吐量数据对模型进行训练,为了获得最佳的SVM预测模型参数,采用了ICSO算法进行机器训练。ICSO算法的迭代寻优过程用于调整模型参数以提高预测性能。算法寻优过程与ICSO-SVM模型最终拟合结果如图1所示。

图1 算法寻优过程与ICSO-SVM模型最终拟合结果

由图1(a)可知,在寻优过程中,经历100次迭代,ICSO算法的平均适应度值持续波动,未呈现出明显趋势。但在算法后期仍然持续更新,导致平均适应度值发生显著变化,表明ICSO算法避免了陷入局部最优解的问题,有效地增加了种群多样性。此外,ICSO算法达到最佳平均适应度值0.0632仅迭代大约20次,显示出快速的寻优速度和低训练误差。由图1(b)可知,ICSO-SVM模型在拟合结果方面表现出色,与真实值之间的差距非常小。唯一的异常出现在2006年,有轻微的误差。这一结果强化了ICSO-SVM模型在物流吞吐量预测中的可靠性和准确性。

为了验证ICSO-SVM模型的优越性,研究进行对比试验。研究另选6个模型,3个基础模型分别是SVM,长短时记忆网络(Long Short-Term Memory, LSTM)与反馈神经网络(Backpropagation Neural Network, BPNN),3个融合模型分别是未改进的 CSO-SVM 模型,粒子群算法优化支持向量机模型(Particle Swarm Optimization-Support Vector Machine Model, PSO-SVM)与遗传算法优化后反馈神经网络(Genetic Algorithm-Backpropagation Neural Network, GA-BPNN)。研究使用2015年-2019年的数据作为检验集,各个模型的预测结果与均方误差(Mean Absolute Error, MAE),平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)以及均方根误差(Root Mean Square Error, RMSE)计算结果如图2所示。

图2 各模型预测结果与误差

由图2(a)可知,ICSO-SVM模型效果最佳,与真实值趋势吻合。未改进的CSO-SVM和基础SVM次之。LSTM偏高,BPNN偏低。PSO-SVM和GA-BPNN的预测值较接近,但趋势不准确。由图2(b)可知,ICSO-SVM模型在MAE,MAPE和RMSE三个误差指标下均表现出最佳的预测准确度,分别为762.2,1.05%和814.7,显示出了ICSO-SVM模型的出色性能。

2.2 ICSO-SVM模型对物流吞吐量的预测实验与分析

为了评估 ICSO-SVM模型的有效性,研究对某港口的物流吞吐量进行预测研究。ICSO-SVM模型的预测实验与分析在不同经济发展阶段的应用具有重要意义,包括经济基准发展、低速发展和高速发展三种情境。因此,研究为评估ICSO-SVM模型在各种经济条件下的适用性和准确性,对2024年-2028年间的经济基准发展、低速发展和高速发展情况下的物流吞吐量进行了预测,首先是三种情境下港口处各个指标的年均增长率如表1所示。

表1 三种情境下各个指标2024-2028年年均增长率

由表1可知,针对不同情境,2024-2028年的年均增长率有所不同。在高速发展情境下,GDP,人均GDP、人均消费和人均可支配收入增速最高,分别为6%,6%,6%和9.6%。相反,在低速发展情境下,这些指标的增速相对较低,分别为4%,4%,4%和7.6%。常住人口数、就业人数、码头数量和沿海泊位数量在高速发展情境下也呈现较高的增长率,而在低速发展情境下增速相对较低。经济基准发展情境下的增速介于两者之间。研究在ICSO-SVM 预测模型的基础上运用情景分析法,得到物流吞吐量预测量,如图3所示。

图3 某港口2024-2028年物流吞吐量预测量

由图3可知,在高速发展情境下,港口物流吞吐量增长速度最快,从2024年的72591达到2028年的79469,年均增长率为约1.2%。这表明,在高速发展经济条件下,物流活动迅速扩大。基准发展情境下,港口物流吞吐量也稳步增长,尽管增速略低于高速发展情境。从2024年的72317增长到2028年的77228,年均增长率为约0.8%。低速发展情境下,港口物流吞吐量的增长相对较为缓慢。从2024年的71459增长到2028年的75444,年均增长率为约0.5%。预测结果提供了对不同发展情景下上海市港口吞吐量的洞察,符合真实发展趋势,对于未来的港口规划和物流战略制定具有重要意义。

3 结 语

针对传统方法预测物流吞吐量在应对多变的物流环境和不确定性方面存在局限性的问题,研究引入ICSO与SVM结合的整合模型ICSO-SVM模型,并对其优越性与有效性进行验证。研究结果表明,CSO算法仅需大约20次迭代即达到最佳平均适应度值0.0632,在ICSO-SVM模型训练中,除2006年出现轻微误差,其余时间与真实值差距很小。ICSO-SVM模型的MAE、MAPE和RMSE三个误差指标分别为762.2、1.05%和814.7,为对比算法中最低误差。此外,在预测研究中,高速发展情境下,港口吞吐量增长最快,年均1.2%,基准发展情境下年均0.8%增长,低速发展情境下年均0.5%增长,符合真实发展趋势。总的来看,ICSO-SVM模型能够更好地适应不同物流需求和发展情境,为物流的战略规划及发展提供有力支持。然而,研究对于一些因数据库缺失和难以量化的定性因素还未考虑,未来可以填补这些空白,以构建更全面的因素体系。