基于storm的支持向量機(jī)在物流航運(yùn)指數(shù)預(yù)測中的原型系統(tǒng)的研究與實(shí)現(xiàn).pdf

1、近年來，信息技術(shù)呈現(xiàn)出飛速化得發(fā)展，現(xiàn)代物流產(chǎn)業(yè)也進(jìn)入了信息化時(shí)代。國際航運(yùn)指數(shù)BDI(Baltic Dry Index)包含了航運(yùn)業(yè)的干散貨交易量的轉(zhuǎn)變并且結(jié)合了未來的經(jīng)濟(jì)活動(dòng)，是航運(yùn)業(yè)指示全球需求聯(lián)系的領(lǐng)先指標(biāo)。然而影響B(tài)DI變化的因素非常復(fù)雜，傳統(tǒng)預(yù)測方法以精確數(shù)學(xué)模型為基礎(chǔ)但是其效果卻并不理想。由于運(yùn)價(jià)指數(shù)存在內(nèi)在規(guī)律并且受到外在的影響非常多，因此在對這些因素進(jìn)行深入研究的基礎(chǔ)上，以機(jī)器學(xué)習(xí)為基礎(chǔ)開發(fā)出新的預(yù)測模型來對運(yùn)價(jià)指數(shù)進(jìn)

2、行預(yù)測是我們把握物流市場、規(guī)避風(fēng)險(xiǎn)的有效手段。所以本文在對BDI預(yù)測模型研究的現(xiàn)狀進(jìn)行了研究，分析了因影響B(tài)DI變化的因素，主要從支持向量機(jī)SVM（support vector machine）方法的研究和其在BDI預(yù)測中的應(yīng)用相結(jié)合的角度出發(fā)，對支持向量機(jī)的在線學(xué)習(xí)、并行化方法以及在BDI預(yù)測中的應(yīng)用進(jìn)行了系統(tǒng)的研究和實(shí)現(xiàn)。
　　首先，本文提出了一種改進(jìn)的在線支持向量機(jī)回歸學(xué)習(xí)算法IOSVR（An improved on-lin

3、e support vector machine regression learning algorithm）。傳統(tǒng)的數(shù)據(jù)挖掘正在面臨知識不斷增長問題引發(fā)的挑戰(zhàn)，而IOSVR以支持向量機(jī)為基礎(chǔ)，減少重復(fù)迭代的同時(shí)運(yùn)用了動(dòng)態(tài)自適應(yīng)調(diào)整方法，優(yōu)化迭代訓(xùn)練過程，能夠在動(dòng)態(tài)學(xué)習(xí)的過程中自適應(yīng)調(diào)整訓(xùn)練參數(shù)，取得了更好的泛化能力和預(yù)測精度。并且通過仿真表明，IOSVR不僅保證了訓(xùn)練精度，在學(xué)習(xí)時(shí)間上和分類錯(cuò)誤率上都明顯減少，因此，IOSVR更加適合

4、實(shí)際過程的建模。
　　其次，本文在研究航運(yùn)指數(shù)BDI特征的基礎(chǔ)上，提出基于支持向量機(jī)的BDI在線預(yù)測方法。結(jié)合中國市場的特點(diǎn)對國際航運(yùn)的供需市場進(jìn)行深入分析，探討了影響B(tài)DI變動(dòng)的特征影響因素，選取BDI的主要特征變量和潛在特征變量。在此基礎(chǔ)上，提出了基于支持向量機(jī)的的BDI的在線預(yù)測模型，將IOSVR應(yīng)用在BDI建模上，該模型對運(yùn)價(jià)指數(shù)的變動(dòng)性進(jìn)行了充分的考慮。通過實(shí)驗(yàn)表明該模型能更好得預(yù)測BDI，能夠更好刻畫BDI的變化趨勢，

5、更適用于對BDI進(jìn)行行預(yù)測。
　　最后，本文結(jié)合storm的并行機(jī)制，在storm平臺上研究和實(shí)現(xiàn)了IOSVR的并行化。在數(shù)據(jù)不斷增加的情況下，為了解決單機(jī)支持向量機(jī)算法存在的數(shù)據(jù)處理能力不足及運(yùn)行效率低的問題，結(jié)合storm并行機(jī)制的基礎(chǔ)上在storm平臺上實(shí)現(xiàn)了IOSVR的并行化，有效整合了各節(jié)點(diǎn)的并行化計(jì)算優(yōu)勢，不僅解決了訓(xùn)練時(shí)間過長和內(nèi)存占用大的問題，而且提供了可靠的數(shù)據(jù)處理和存儲能力，在此基礎(chǔ)上完成了BDI預(yù)測系統(tǒng)的原型