本發(fā)明涉及貨運(yùn)周轉(zhuǎn)量預(yù)測(cè)，具體為基于vmd和隨機(jī)森林的貨運(yùn)周轉(zhuǎn)量預(yù)測(cè)方法及裝置。
背景技術(shù)：
1、貨運(yùn)周轉(zhuǎn)量是指在單位時(shí)間內(nèi)某一物流節(jié)點(diǎn)內(nèi)，所有貨物進(jìn)出口的總重量，即貨物在該節(jié)點(diǎn)內(nèi)的流動(dòng)量。貨運(yùn)周轉(zhuǎn)量是衡量物流節(jié)點(diǎn)運(yùn)營能力的重要指標(biāo)，對(duì)于物流運(yùn)營和管理具有重要意義。對(duì)貨運(yùn)周轉(zhuǎn)量進(jìn)行預(yù)測(cè)可以提高物流運(yùn)營效率，減少物流成本，從而提高企業(yè)的經(jīng)濟(jì)效益，同時(shí)也能提升客戶的滿意度。
2、現(xiàn)有技術(shù)(“基于變分模態(tài)分解和隨機(jī)森林算法的貨運(yùn)周轉(zhuǎn)量預(yù)測(cè)方法”，《中國儲(chǔ)運(yùn)》，丁毅等著，202304)公開了一種通過變分模態(tài)分解對(duì)時(shí)序數(shù)列降噪、利用隨機(jī)森林算法進(jìn)行預(yù)測(cè)的貨運(yùn)周轉(zhuǎn)量預(yù)測(cè)方法。由于貨物周轉(zhuǎn)量作為典型的非線性時(shí)序數(shù)據(jù)，波動(dòng)性較強(qiáng)，噪聲較多，直接對(duì)其進(jìn)行預(yù)測(cè)較為困難，需要先采用如vmd模型的多尺度分解方法將時(shí)序信號(hào)分解成若干平穩(wěn)、有規(guī)律的子序列。vmd模型可以處理非線性和非平穩(wěn)信號(hào)，能夠提取信號(hào)中的不同頻率成分。由于vmd模型分解出的子序列有明確的數(shù)學(xué)解釋并清晰的獲取信號(hào)的含義，可以直接對(duì)子序列逐一預(yù)測(cè)并疊加，得到最終預(yù)測(cè)結(jié)果。然而常規(guī)的方法是采用多次實(shí)驗(yàn)來得到子序列的個(gè)數(shù)，即vmd模型的正則化參數(shù)，這種重復(fù)訓(xùn)練的方式不僅計(jì)算復(fù)雜且耗時(shí)長。同時(shí)，直接采用子序列預(yù)測(cè)值進(jìn)行累加獲得的最終預(yù)測(cè)結(jié)果不夠準(zhǔn)確。
3、隨機(jī)森林算法具有準(zhǔn)確性高、可以處理高維度數(shù)據(jù)的多種優(yōu)勢(shì)，然而由于無法控制模型的內(nèi)部運(yùn)行，對(duì)于超參數(shù)的選擇只能不斷嘗試不同組合，具有耗時(shí)過長的問題。
4、為了解決貨運(yùn)周轉(zhuǎn)量預(yù)測(cè)結(jié)果不夠準(zhǔn)確的問題，提出基于vmd和隨機(jī)森林的貨運(yùn)周轉(zhuǎn)量預(yù)測(cè)方法及裝置。
技術(shù)實(shí)現(xiàn)思路
1、本發(fā)明的目的在于提供一種基于vmd和隨機(jī)森林的貨運(yùn)周轉(zhuǎn)量預(yù)測(cè)方法，以解決上述技術(shù)問題。
2、為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：
3、基于vmd和隨機(jī)森林的貨運(yùn)周轉(zhuǎn)量預(yù)測(cè)方法，其特征在于，包括：
4、s1.利用第一改進(jìn)型vmd模型將貨運(yùn)周轉(zhuǎn)量數(shù)據(jù)集分解為k1個(gè)貨量數(shù)據(jù)組s11.利用平衡優(yōu)化器算法預(yù)測(cè)vmd模型的正則化參數(shù)k1，從而構(gòu)建所述第一改進(jìn)型vmd模型；所述貨運(yùn)周轉(zhuǎn)量數(shù)據(jù)集為各種運(yùn)輸工具的貨運(yùn)周轉(zhuǎn)量累計(jì)數(shù)的數(shù)據(jù)集，所述累計(jì)數(shù)的公式如下
5、
6、其中，c為一種運(yùn)輸工具的貨運(yùn)周轉(zhuǎn)量累計(jì)數(shù)；mi為所述一種運(yùn)輸工具運(yùn)輸?shù)牡趇批貨物的質(zhì)量；si為所述第i批貨物的運(yùn)輸距離；用所述貨運(yùn)周轉(zhuǎn)量數(shù)據(jù)集訓(xùn)練所述平衡優(yōu)化算法，獲取所述k1的取值；s12.用所述貨運(yùn)周轉(zhuǎn)量數(shù)據(jù)集訓(xùn)練所述第一改進(jìn)型vmd模型；進(jìn)一步地，vmd模型為變分模態(tài)分解模型，所述變分模態(tài)分解模型根據(jù)分量窄帶條件建立約束優(yōu)化問題，從而估計(jì)信號(hào)分量的中心頻率以及重構(gòu)相應(yīng)分量。
7、進(jìn)一步地，所述平衡優(yōu)化器算法基于以下公式展開迭代尋優(yōu)
8、
9、其中k為k1或k2，k0為上一次迭代k的解，keq為當(dāng)前的最優(yōu)解，f為指數(shù)項(xiàng)系數(shù)，λ為隨機(jī)數(shù)向量，v為控制量，g為生成速率；
10、s110.所述平衡優(yōu)化器算法在k的上下限范圍內(nèi)進(jìn)行隨機(jī)初始化，如下
11、
12、其中為k的初始化取值；kmin為所述k的下限向量；kmax為所述k的上限向量；γi為第i個(gè)隨機(jī)數(shù)向量；
13、s120.從最優(yōu)候選解中選取平衡狀態(tài)，所述最優(yōu)候選解構(gòu)成平衡狀態(tài)池，如下
14、keq，pool＝{keq，1，keq，2，keq，3，keq，4，keq，avg}
15、p(keq，1)＝p(keq，2)＝p(keq，3)＝p(keq，4)＝p(keq，avg)＝0.2
16、其中keq，1，keq，2，keq，3，keq，4分別為當(dāng)前迭代的四個(gè)最優(yōu)解；keq，avg為所述四個(gè)最優(yōu)解的平均狀態(tài)；五個(gè)解被選中的概率均為0.2；
17、s130.改進(jìn)所述指數(shù)項(xiàng)系數(shù)平衡所述平衡優(yōu)化器算法的局部搜索和全局搜索，公式如下
18、f＝α*sign(γ-0.5)(e-λt-1)
19、其中α為全局搜索的權(quán)重常系數(shù)的取值；sign為符號(hào)函數(shù)；γ和λ為隨機(jī)數(shù)向量，為0和1之間的隨機(jī)數(shù)，所述隨機(jī)數(shù)向量維度和優(yōu)化空間維度一致；
20、s140.計(jì)算生成速率以加強(qiáng)所述平衡優(yōu)化器算法的局部尋優(yōu)能力，如下，
21、g＝gkp(keq-λk)
22、
23、其中g(shù)kp為所述生成速率的控制參數(shù)向量；
24、s150.更新解，公式如下
25、
26、s160.判斷是否滿足停止條件，滿足則輸出結(jié)果，不滿足重復(fù)s120～s150。
27、s2.利用第二改進(jìn)型vmd模型將每個(gè)所述貨量數(shù)據(jù)組分解為k2個(gè)子序列；
28、s21.用所述貨量數(shù)據(jù)組訓(xùn)練所述平衡優(yōu)化算法，獲取所述k2的取值，從而構(gòu)建第二改進(jìn)型vmd模型。
29、s211.將所述貨運(yùn)周轉(zhuǎn)量數(shù)據(jù)集分解為具有中心頻率的有限帶寬的所述子序列，每個(gè)所述子序列的估計(jì)帶寬之和最小，約束條件為所有所述子序列的和與所述貨運(yùn)周轉(zhuǎn)量數(shù)據(jù)集相等。
30、進(jìn)一步地，所述約束條件表達(dá)式為
31、
32、其中{uk}，{wk}分別對(duì)應(yīng)分解后第k個(gè)所述子序列分量和所述中心頻率；*為卷積運(yùn)算符；δ(t)為狄拉克函數(shù)。
33、s212.引入拉格朗日乘法算子λ轉(zhuǎn)為非約束問題；通過加入所述拉格朗日乘法算子λ和一個(gè)二次懲罰因子，代入約束條件表達(dá)式，得到新的無約束優(yōu)化式，即拉格朗日函數(shù)表達(dá)式。
34、進(jìn)一步地，所述拉格朗日函數(shù)表達(dá)式公式如下
35、
36、其中β為所述二次懲罰因子。
37、進(jìn)一步地，所述約束條件即，如果需要最小化或最大化目標(biāo)函數(shù)，變量必須滿足一些限制。例如，在支持向量機(jī)中，如果需要最大化間隔，但是分類器必須滿足一些約束條件，如函數(shù)間隔不小于1和樣本點(diǎn)與分類面的距離之和最小等。
38、s213.利用admm交替方向乘子法求解所述約束問題；所述admm交替方向乘子法通過固定所述拉格朗日函數(shù)表達(dá)式中包含的{uk}，{wk}，λ三個(gè)變量中的任意兩個(gè)，更新未被固定的變量。
39、進(jìn)一步地，所述三個(gè)變量的更新值分別為λn+1，公式如下
40、
41、
42、
43、通過將所述三個(gè)變量的公式代入所述拉格朗日函數(shù)表達(dá)式，求解更新的變量。
44、s22.用所述貨量數(shù)據(jù)組訓(xùn)練所述第二改進(jìn)型vmd模型。
45、進(jìn)一步地，將k1個(gè)所述貨量數(shù)據(jù)組分別帶入所述第二改進(jìn)型vmd模型，每個(gè)所述貨量數(shù)據(jù)組被分為k2個(gè)所述子序列，共計(jì)k1×k2個(gè)所述子序列。
46、s3.利用代價(jià)敏感學(xué)習(xí)模型優(yōu)化超參數(shù)，獲得改進(jìn)型隨機(jī)森林模型。
47、進(jìn)一步地，所述代價(jià)敏感學(xué)習(xí)模型不再使用損失函數(shù)，轉(zhuǎn)為使用誤分類成本使條件風(fēng)險(xiǎn)最小化；通過建立cost矩陣，為不同類型的錯(cuò)誤分配不同類型的代價(jià)，使得在分類時(shí)，高代價(jià)錯(cuò)誤的數(shù)量和所述高代價(jià)錯(cuò)誤的代價(jià)總和最小；所述代價(jià)敏感學(xué)習(xí)模型通過對(duì)隨機(jī)森林模型進(jìn)行剪枝使得損失最小化，獲得所述改進(jìn)型隨機(jī)森林模型。
48、進(jìn)一步地，所述cost矩陣用于描述決策錯(cuò)誤或分類錯(cuò)誤的代價(jià)。在二元分類問題中，通常將預(yù)測(cè)結(jié)果分為真陽性、假陽性、真陰性和假陰性四種情況。所述cost矩陣將這四種情況的代價(jià)以矩陣的形式展現(xiàn)出來。一般地，所述cost矩陣的行表示實(shí)際情況，列表示預(yù)測(cè)結(jié)果，其中每個(gè)元素表示對(duì)應(yīng)的代價(jià)。
49、進(jìn)一步地，所述隨機(jī)森林模型集成多個(gè)決策樹模型的預(yù)測(cè)結(jié)果；通過bagging思想，利用求平均值的方式整合所述多個(gè)決策樹的重要特征和預(yù)測(cè)結(jié)果。
50、進(jìn)一步地，所述決策樹模型是一種基于樹形結(jié)構(gòu)的分類和回歸模型，通過在數(shù)據(jù)集中遞歸的進(jìn)行二分操作，構(gòu)建樹。所述樹的每一個(gè)內(nèi)部節(jié)點(diǎn)對(duì)應(yīng)一個(gè)特征，每一片葉子對(duì)應(yīng)一個(gè)類別標(biāo)簽或數(shù)值。
51、進(jìn)一步地，所述剪枝為尋找最優(yōu)的超參數(shù)組合，去除不必要的參數(shù)擬合過程。所述超參數(shù)組合包括所述決策樹的數(shù)量、每棵所述決策樹的最大深度和特征子集的大小。
52、s4.利用k1×k2個(gè)所述子序列分別訓(xùn)練所述改進(jìn)型隨機(jī)森林模型。
53、進(jìn)一步地，將所述子序列分別分為訓(xùn)練集和測(cè)試集，訓(xùn)練所述改進(jìn)型隨機(jī)森林模型，獲得k1×k2個(gè)訓(xùn)練結(jié)果。
54、s5.集合k1×k2個(gè)所述子序列的訓(xùn)練結(jié)果作為預(yù)測(cè)結(jié)果；采用熵值法分別計(jì)算k1個(gè)所述貨量數(shù)據(jù)組和k1×k2個(gè)所述子序列的權(quán)重。
55、進(jìn)一步地，根據(jù)以下公式集合k1×k2個(gè)所述子序列的訓(xùn)練結(jié)果
56、
57、
58、其中pi，j為第j個(gè)所述貨量數(shù)據(jù)組中包含的第i個(gè)所述子序列訓(xùn)練所述改進(jìn)型隨機(jī)森林模型的結(jié)果；pj為第j個(gè)所述貨量數(shù)據(jù)組的預(yù)測(cè)結(jié)果；wi，j為利用所述熵值法獲得的第j個(gè)所述貨量數(shù)據(jù)組中包含的第i個(gè)所述子序列的權(quán)重；vj為利用所述熵值法獲得的第j個(gè)所述貨量數(shù)據(jù)組的權(quán)重。
59、進(jìn)一步地，所述熵值法通過數(shù)據(jù)攜帶的信息量大小，即熵值，進(jìn)行權(quán)重計(jì)算；所述信息量越大，不確定性越小，所述熵值越小。
60、進(jìn)一步地，通過所述熵值法計(jì)算一個(gè)所述貨量數(shù)據(jù)組中的每個(gè)所述子序列的所述權(quán)重，重復(fù)k1次，獲得k1個(gè)所述貨量數(shù)據(jù)組中的每個(gè)所述子序列的所述權(quán)重；通過所述熵值法計(jì)算所述貨運(yùn)周轉(zhuǎn)量數(shù)據(jù)集中每個(gè)所述貨量數(shù)據(jù)組的所述權(quán)重。
61、基于vmd和隨機(jī)森林的貨運(yùn)周轉(zhuǎn)量預(yù)測(cè)裝置，其特征在于：
62、第一優(yōu)化模塊，用于利用平衡優(yōu)化器算法預(yù)測(cè)參數(shù)k1，獲得第一改進(jìn)型vmd模型；
63、分解模塊，用于利用所述第一改進(jìn)型vmd模型和第二改進(jìn)型vmd模型將貨運(yùn)周轉(zhuǎn)量數(shù)據(jù)集分解為k1×k2個(gè)子序列；
64、第二優(yōu)化模塊，用于利用代價(jià)敏感學(xué)習(xí)模型優(yōu)化超參數(shù)，獲得改進(jìn)型隨機(jī)森林模型；
65、訓(xùn)練模塊，用于利用k1×k2個(gè)所述子序列分別訓(xùn)練所述隨機(jī)森林模型；
66、集合模塊，用于集合k1×k2個(gè)所述子序列的訓(xùn)練結(jié)果作為預(yù)測(cè)結(jié)果。
67、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：
68、1、k值為vmd模型的正則化參數(shù)，較大的k值可以提高分解的精度和信噪比，但會(huì)導(dǎo)致帶寬變窄，從而丟失一部分重要的信息；較小的k值會(huì)導(dǎo)致帶寬變寬，從而引入一些噪聲和不必要的信號(hào)分量。k的取值因此變成構(gòu)建vmd模型的重要因素。常規(guī)方法取多個(gè)k值代入vmd模型，重復(fù)訓(xùn)練，對(duì)比多個(gè)k值分別對(duì)應(yīng)的精確度，需要耗費(fèi)大量時(shí)間，計(jì)算難度高。平衡優(yōu)化器算法通過在優(yōu)化變量的上下限范圍內(nèi)多次迭代尋優(yōu)，獲取vmd模型的k值，通過固定k值獲得改進(jìn)型vmd模型，減少計(jì)算時(shí)間，提高計(jì)算精度。
69、2、隨機(jī)森林模型集成多棵決策樹，每棵決策樹的數(shù)量、深度和特征子集的大小等超參數(shù)都會(huì)直接影響到隨機(jī)森林模型的性能和泛化能力。其中，決策樹基于隨機(jī)選擇的樣本和特征進(jìn)行訓(xùn)練，具有一定的隨機(jī)性，缺乏穩(wěn)定性。通過代價(jià)敏感學(xué)習(xí)模型構(gòu)建隨機(jī)森林模型的cost矩陣，獲取最優(yōu)超參數(shù)組合，可以提高模型的性能和泛化能力，減少模型的方差和不確定性。
70、3、完成模型訓(xùn)練后，直接對(duì)所有貨量數(shù)據(jù)組的結(jié)果求和會(huì)導(dǎo)致貨運(yùn)周轉(zhuǎn)量預(yù)測(cè)結(jié)果不夠準(zhǔn)確的問題。二次代入改進(jìn)型vmd模型，將每個(gè)貨量數(shù)據(jù)組再分為多個(gè)子序列，并利用熵值法獲得子序列和貨量數(shù)據(jù)組的權(quán)重，兩次疊加使用權(quán)重求和的方式，可以提高預(yù)測(cè)結(jié)果的準(zhǔn)確性。