郭曉晨,姚宏亮

（1.安徽工商職業(yè)學(xué)院工商管理系,安徽合肥231100；2.合肥工業(yè)大學(xué)計(jì)算機(jī)與信息學(xué)院,安徽合肥230009）

支持向量機(jī)方法是在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的基礎(chǔ)上,基于有限的樣本信息在復(fù)雜性和學(xué)習(xí)能力之間找到最好的折衷來構(gòu)建模型,以期獲得最好的推廣能力[1].目前支持向量機(jī)理論在模式分類,回歸問題,生物信息技術(shù)等很多領(lǐng)域均得到了廣泛的應(yīng)用[2].

在物流信息系統(tǒng)的開發(fā)和建設(shè)中,現(xiàn)有的物流系統(tǒng)通常是基于工作流的設(shè)計(jì)方式,業(yè)務(wù)流程設(shè)計(jì)局限于個(gè)人管理經(jīng)驗(yàn),開發(fā)周期較短,不能充分考慮影響物流成功、節(jié)約物流成本的因素,導(dǎo)致在系統(tǒng)開發(fā)過程中無法利用原有的數(shù)據(jù)對(duì)現(xiàn)有的物流活動(dòng)進(jìn)行評(píng)價(jià)預(yù)測(cè),造成數(shù)據(jù)上的浪費(fèi).如何在物流信息系統(tǒng)建設(shè)中充分調(diào)研參與物流運(yùn)營的有關(guān)各方,分析各種風(fēng)險(xiǎn)因素,正確估算各因素影響力的大小,構(gòu)建物流系統(tǒng)管理質(zhì)量評(píng)價(jià)模型,實(shí)現(xiàn)物流管理效益最大化是亟待解決的問題.支持向量機(jī)方法可以在有限樣本空間內(nèi)得到已有信息下的最優(yōu)解,通過合適的核函數(shù)和參數(shù)運(yùn)用原空間中向量間的運(yùn)算來替代高維特征空間中的內(nèi)積運(yùn)算,避免了高維空間中計(jì)算內(nèi)積而帶來的維數(shù)災(zāi)難,可以有效地利用于物流管理質(zhì)量評(píng)價(jià)模型中多維評(píng)價(jià)指標(biāo)的運(yùn)算.

本文通過運(yùn)用支持向量機(jī)理論的基本觀點(diǎn)來發(fā)現(xiàn)物流管理系統(tǒng)中各項(xiàng)數(shù)據(jù)之間潛在的聯(lián)系,并且從參數(shù)的優(yōu)化與選擇以及核函數(shù)的選擇與構(gòu)建兩方面闡述了支持向量機(jī)的關(guān)鍵問題,結(jié)合支持向量機(jī)的特點(diǎn)構(gòu)建了物流系統(tǒng)管理質(zhì)量評(píng)價(jià)模型.

1 物流管理質(zhì)量評(píng)價(jià)指標(biāo)體系

在物流業(yè)務(wù)實(shí)施過程中,主要的參與對(duì)象為物流企業(yè)以及物流企業(yè)中各個(gè)崗位的工作人員.由于物流業(yè)務(wù)實(shí)施并不是由某個(gè)人員單獨(dú)完成,而是由多個(gè)物流人員協(xié)作完成,所以在考慮人為因素的影響時(shí)僅對(duì)某個(gè)崗位的設(shè)置評(píng)價(jià)指標(biāo).因此,物流管理質(zhì)量評(píng)價(jià)指標(biāo)體系在設(shè)計(jì)的過程中就包含了兩大影響因素：物流企業(yè)評(píng)價(jià)指標(biāo)體系和物流個(gè)人評(píng)價(jià)指標(biāo)體系.物流企業(yè)評(píng)價(jià)指標(biāo)體系主要體現(xiàn)物流企業(yè)規(guī)模、物流業(yè)務(wù)開展的質(zhì)量、物流服務(wù)質(zhì)量等因素對(duì)物流管理質(zhì)量的影響；物流個(gè)人評(píng)價(jià)指標(biāo)體系主要體現(xiàn)某個(gè)崗位的員工學(xué)歷、工作年限、工作狀態(tài)和服務(wù)態(tài)度等因素對(duì)物流管理質(zhì)量的影響.

基于上述原則,深入分析物流信息系統(tǒng)中能夠?qū)芾碣|(zhì)量產(chǎn)生影響的各個(gè)因素,將物流信息系統(tǒng)管理質(zhì)量評(píng)價(jià)指標(biāo)體系分解為四個(gè)一級(jí)評(píng)價(jià)指標(biāo),分別為基本情況、人為因素、物流質(zhì)量以及服務(wù)質(zhì)量.通過對(duì)一級(jí)指標(biāo)體系的細(xì)化,得到一個(gè)能夠反映物流信息系統(tǒng)管理質(zhì)量的本質(zhì)的遞階層次結(jié)構(gòu)的指標(biāo)體系.

物流系統(tǒng)管理質(zhì)量評(píng)價(jià)指標(biāo)體系為：

基本情況：倉儲(chǔ)質(zhì)量X1、裝卸設(shè)備數(shù)量X2、貨運(yùn)車輛質(zhì)量X3、員工從業(yè)平均年限X4、大專以上學(xué)歷比例X5.

人為因素：駕駛員從業(yè)年限X6、交通違章次數(shù)X7、行車事故率X8、道路擁堵次數(shù)X9、服務(wù)態(tài)度X10.

物流質(zhì)量：配送正確率X11、按時(shí)交貨率X12、商品完好率X13、包裝完好率X14、回單完備率X15.

服務(wù)質(zhì)量：提醒驗(yàn)貨率X16、承諾兌現(xiàn)率X17、顧客投訴率X18、信用分值X19、服務(wù)創(chuàng)新率X20.

首先，要對(duì)阿姨加強(qiáng)職業(yè)認(rèn)知的培訓(xùn)。在客戶家工作時(shí)，阿姨絕對(duì)不是弱勢(shì)的一方，而是強(qiáng)勢(shì)的一方，是雇主不敢得罪的一方。雇主把自己最寶貴的孩子、家都交給阿姨了，怎么敢欺負(fù)阿姨呢。所以，要讓阿姨認(rèn)識(shí)到自己職業(yè)的價(jià)值，不要總認(rèn)為雇主看不起自己，在家政服務(wù)的雇傭關(guān)系中，阿姨才是更強(qiáng)勢(shì)的一方。

2 基于支持向量機(jī)的物流管理質(zhì)量評(píng)價(jià)模型

確定了物流管理質(zhì)量評(píng)價(jià)指標(biāo)體系后,就需要考慮如何通過現(xiàn)有的數(shù)據(jù)構(gòu)建物流管理質(zhì)量評(píng)價(jià)模型.支持向量機(jī)方法對(duì)于多維指標(biāo)的計(jì)算有著特有的優(yōu)勢(shì),所以本文采用支持向量機(jī)來構(gòu)建物流管理質(zhì)量評(píng)價(jià)模型.通過對(duì)現(xiàn)有的物流信息系統(tǒng)的數(shù)據(jù)進(jìn)行搜集、整理和歸一化處理,制作出支持向量機(jī)的學(xué)習(xí)樣本.

支持向量機(jī)的學(xué)習(xí)樣本選取自某公司現(xiàn)在運(yùn)行的物流管理信息系統(tǒng)中的數(shù)據(jù),經(jīng)過處理后得到150個(gè)樣本,前140個(gè)為訓(xùn)練樣本,后10個(gè)為測(cè)試樣本.每個(gè)樣本都涵蓋有20個(gè)評(píng)價(jià)指標(biāo),顯然,這是一個(gè)支持向量機(jī)20維非線性回歸估計(jì)問題.我們首先對(duì)樣本數(shù)據(jù)進(jìn)行詳細(xì)的對(duì)比分析,選擇合適的核函數(shù)；然后利用核函數(shù)對(duì)樣本數(shù)據(jù)進(jìn)行計(jì)算、優(yōu)化,選出最優(yōu)的核參數(shù)和模型參數(shù)；最后根據(jù)核函數(shù)、核參數(shù)和模型參數(shù)構(gòu)建出基于支持向量機(jī)的物流管理質(zhì)量評(píng)價(jià)模型.

根據(jù)這個(gè)思路,我們首先選擇適合評(píng)價(jià)模型的核函數(shù).

2.1 核函數(shù)及參數(shù)選擇

有一類模型的回歸參數(shù)不是線性的,也不能通過轉(zhuǎn)換的方法將其變?yōu)榫€性的參數(shù).這類模型稱為非線性回歸模型.在許多實(shí)際問題中,回歸函數(shù)往往是較復(fù)雜的非線性函數(shù).在通過支持向量機(jī)的方法建立非線性回歸模型的過程中,核函數(shù)的選擇的正確與否將對(duì)回歸分析具有很大的影響[3].我們選用高斯徑向基核函數(shù),又稱RBF核函數(shù),高斯徑向基核函數(shù)的表達(dá)式為

在式（1）中σ為核參數(shù),它代表的是函數(shù)在自變量方向上的寬度,即高斯核的均方差.高斯函數(shù)寬度是由參數(shù)σ表征的,而且σ和平滑程度的關(guān)系是非常簡(jiǎn)單的.σ越大,高斯函數(shù)的寬度就越寬,平滑程度就越好.通過調(diào)節(jié)平滑程度參數(shù)σ,可在圖像特征過分模糊與平滑圖像中由于噪聲和細(xì)紋理所引起的過多的不希望突變量之間取得折衷.但σ過小會(huì)造成泛化能力變差,所以核參數(shù)σ是一個(gè)很重要的參數(shù)[4-5].除了核參數(shù),支持向量機(jī)算法本身也有一些重要的參數(shù),如：不敏感損失函數(shù)ε值和懲罰參數(shù)C,這些參數(shù)對(duì)支持向量機(jī)學(xué)習(xí)也有很大的影響[6].參數(shù)可以選擇使用交叉驗(yàn)證方法,在給定的建模樣本中,拿出大部分樣本進(jìn)行建模型,留小部分樣本用剛建立的模型進(jìn)行預(yù)報(bào),并求這小部分樣本的預(yù)報(bào)誤差,記錄它們的平方加和.首先定義一個(gè)參數(shù)值,然后調(diào)整其他的參數(shù)值,直到試驗(yàn)誤差減到不能減少為止,然后固定參數(shù),調(diào)整其他一些參數(shù),直到測(cè)試誤差減到最小,即為最佳的參數(shù)選擇[7].根據(jù)這一理論,結(jié)合物流系統(tǒng)評(píng)價(jià)指標(biāo)中的20個(gè)二級(jí)指標(biāo),制定了物流系統(tǒng)質(zhì)量評(píng)價(jià)訓(xùn)練樣本集,如表1所示.

表1 物流系統(tǒng)質(zhì)量評(píng)價(jià)訓(xùn)練樣本集Tab.1 Training samples of logistics system quality evaluation

下面確定核參數(shù)σ、懲罰系數(shù)C和不敏感常數(shù)ε的最優(yōu)值.

使用表1中的前140個(gè)樣本作為訓(xùn)練集,后10個(gè)樣本作為測(cè)試集,首先固定C=10,ε=0.01,逐漸調(diào)整σ的大小,直至測(cè)試的整體均方誤差最小時(shí)得到的σ*即為其最優(yōu)值；接著按照同樣的方法依次調(diào)整調(diào)整值ε和C值,調(diào)整過程和各個(gè)步驟的性能函數(shù)MSE的值[8-9].

當(dāng)固定C=10,ε=0.01時(shí),MSE的值隨著σ值從0.1向100逐漸增大呈現(xiàn)先遞減后遞增,當(dāng)σ=20.4時(shí),MSE達(dá)到最小值,因此σ的最優(yōu)值為20.4；當(dāng)C=10,σ=20.4時(shí),MSE的變化趨勢(shì)也是隨著ε在區(qū)間[0.00000001,1]上的變化而呈現(xiàn)先減后增的趨勢(shì),當(dāng)ε=0.65時(shí)MSE達(dá)到最小值,因此ε的最優(yōu)值為0.013；

通過前兩個(gè)步驟的調(diào)整已經(jīng)得到了最優(yōu)的σ和ε,因此,接下來固定σ=20.4,ε=0.65,考察隨著C的變化MSE的變化趨勢(shì).

從整體上看,MSE隨著C值的逐漸增大呈現(xiàn)出先增大后減小的變化趨勢(shì),但當(dāng)C在區(qū)間[1,5000]上變化時(shí),MSE的變化相對(duì)緩慢,在C=86周圍的變化最為細(xì)微.這表明,在這種情況下懲罰參數(shù)值的影響不是很大,即C=86為最佳值.

表2中,MSE為模型整體評(píng)價(jià)效果的誤差檢驗(yàn)函數(shù),MSE值越小表明對(duì)應(yīng)的參數(shù)值越好；NSV為支持向量的數(shù)目.

綜上所述,已經(jīng)確定了核函數(shù)為徑向基核函數(shù)（RBF）,核參數(shù)為σ=20.4；懲罰參數(shù)C=86,不敏感系數(shù)ε=0.65.如表2所示.

表2 物流系統(tǒng)質(zhì)量評(píng)價(jià)模型核函數(shù)及參數(shù)Tab.2 Kernel functions and parameters of logistics system qualitye valuation model

2.2 訓(xùn)練與測(cè)試

2.2.1 模型訓(xùn)練將表1中的前140個(gè)樣本作為訓(xùn)練集,每個(gè)樣本的20個(gè)評(píng)價(jià)指標(biāo)的具體值作為輸入向量,而在物流業(yè)務(wù)中的物流管理質(zhì)量的評(píng)價(jià)值為訓(xùn)練目標(biāo)向量；首先設(shè)定σ=20.4,C=86,ε=0.65,采用ε不敏感損失函數(shù),選定核函數(shù).用MATLAB編寫好程序,將參數(shù)和樣本輸入到程序中.在MATLAB 2008環(huán)境下運(yùn)行程序,耗時(shí)0.7 s,其中有113個(gè)支持向量,偏置b=0.0002376,因此得到支持向量回歸模型.

其中xi為支持向量回歸模型中的支持向量,x為待評(píng)物流信息系統(tǒng)管理質(zhì)量指標(biāo)值向量；(a?a)=mi為對(duì)應(yīng)于支持向量的拉格朗日乘子,其中m1=0.04631,m3=-0.23516,m4=0.03196,m6=0.13291,m8=-0.13271,m9=0.00301,m12=0.10993,m14=0.03100.2.2.2模型測(cè)試為了驗(yàn)證物流管理質(zhì)量評(píng)價(jià)模型的準(zhǔn)確率,將訓(xùn)練樣本集中的最后10個(gè)樣本提取出來,建立測(cè)試樣本集,此外,每個(gè)樣本的20項(xiàng)評(píng)價(jià)指標(biāo)的具體值作為輸入向量,并列出物流管理的質(zhì)量評(píng)價(jià)的訓(xùn)練目標(biāo)向量.用MSE作為模型整體評(píng)價(jià)效果的誤差檢驗(yàn)函數(shù),描述訓(xùn)練完成后模型的性能,MSE的大小表明得到的模型預(yù)測(cè)能力精度的高低[65,67].通過測(cè)試樣本集的測(cè)試得到模型總體均方誤為：MSE=1.12399e-5,表明模型的具有高精度的預(yù)測(cè)能力.樣本測(cè)試結(jié)果及其與真實(shí)值的相對(duì)誤差Error,如表3所示.

表3 物流系統(tǒng)質(zhì)量評(píng)價(jià)測(cè)試結(jié)果與實(shí)際評(píng)測(cè)結(jié)果對(duì)比Tab.3 The contrast oftest results and practical evaluation results in logistics systemqualit yevaluation

通過表3可以看出,10個(gè)測(cè)試樣本中相對(duì)誤差最高為0.91%,最低為0.16%,平均相對(duì)誤差為0.46%,沒有一個(gè)測(cè)試樣本的相對(duì)誤差超過1%.這說明由徑向基核函數(shù)（RBF）,核參數(shù)為σ=20.4；懲罰參數(shù)C=86,不敏感系數(shù)ε=0.65構(gòu)成的支持向量機(jī)評(píng)價(jià)模型具有良好的泛化性能.采用物流管理質(zhì)量評(píng)價(jià)的評(píng)語集為：[高、較高、一般、較低、低],風(fēng)險(xiǎn)區(qū)間[0,1]上與之對(duì)應(yīng)的質(zhì)量水平值分別為：（0,0.2）、（0.2,0.4）、（0.4,0.6）、（0.6,0.8）、（0.8,1.0）,分別代表五個(gè)質(zhì)量等級(jí).支持向量機(jī)模型輸出的評(píng)價(jià)結(jié)果與實(shí)際評(píng)測(cè)結(jié)果一致.因此,支持向量機(jī)模型能夠應(yīng)用于物流信息系統(tǒng)管理質(zhì)量評(píng)價(jià),為物流信息系統(tǒng)管理優(yōu)化提供決策依據(jù).

3 結(jié)果分析

為了驗(yàn)證支持向量機(jī)質(zhì)量評(píng)價(jià)模型,判斷它在推廣能力和訓(xùn)練效率方面的優(yōu)越性,我們將支持向量機(jī)模型和貝葉斯網(wǎng)絡(luò)模型在物流管理質(zhì)量評(píng)價(jià)方面的結(jié)果進(jìn)行對(duì)比分析.

神經(jīng)網(wǎng)絡(luò)模型的三層前饋網(wǎng)絡(luò),將影響物流管理質(zhì)量的20個(gè)因素作為輸入層的節(jié)點(diǎn).除了20個(gè)節(jié)點(diǎn)外再選擇25個(gè)隱藏的節(jié)點(diǎn),隱藏節(jié)點(diǎn)使用雙曲正切S函數(shù)作為傳遞函數(shù).網(wǎng)絡(luò)輸出層的節(jié)點(diǎn)數(shù)數(shù)為1,輸出層傳輸函數(shù)為線性函數(shù).初始化每一層的連接權(quán)矩陣為0矩陣,其中最大的網(wǎng)絡(luò)訓(xùn)練步驟為100000步,網(wǎng)絡(luò)性能目標(biāo)定為1e-5,動(dòng)量常量為0.8,學(xué)習(xí)速率設(shè)定為0.02,每一步梯度下降1.5,兩次顯示之間實(shí)現(xiàn)150次訓(xùn)練.完成了以上完整的BP網(wǎng)絡(luò)初始設(shè)置后,從表2中的數(shù)據(jù)中選擇前140作為訓(xùn)練數(shù)據(jù)集,編寫應(yīng)用程序?qū)崿F(xiàn)傳統(tǒng)BP網(wǎng)絡(luò)通過物流信息管理質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn)化的數(shù)據(jù)進(jìn)行訓(xùn)練和學(xué)習(xí).BP神經(jīng)網(wǎng)絡(luò)在13 min25 s的時(shí)間內(nèi)完成了71483次的訓(xùn)練,達(dá)到了要求的精度.將后10組數(shù)據(jù)作為測(cè)試集,輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò),計(jì)算出對(duì)比結(jié)果.

（1）泛化能力比較.從表4中,我們可以看到BP神經(jīng)網(wǎng)絡(luò)模型和支持向量機(jī)模型的評(píng)價(jià)結(jié)果,二者在評(píng)價(jià)結(jié)果上基本一致,但每個(gè)測(cè)試樣本誤差的區(qū)別也是很明顯的.BP神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練數(shù)據(jù)擬合效果雖然已經(jīng)達(dá)到一個(gè)很高的訓(xùn)練精度,但是測(cè)試誤差明顯高于支持向量機(jī).這說明BP神經(jīng)網(wǎng)絡(luò)雖然能通過訓(xùn)練達(dá)到很高的精度,但是無法確保良好的泛化能力,產(chǎn)生了過學(xué)習(xí)的現(xiàn)象.

（2）訓(xùn)練效率比較.基于支持向量機(jī)的物流管理質(zhì)量評(píng)價(jià)模型的訓(xùn)練為0.1 s,而BP神經(jīng)網(wǎng)絡(luò)是在13 min17 s內(nèi)持續(xù)完成了73383次的訓(xùn)練才達(dá)到精度藥酒.訓(xùn)練過程中BP神經(jīng)網(wǎng)絡(luò)的梯度下降趨勢(shì)非常小,導(dǎo)致訓(xùn)練時(shí)間的延長(zhǎng),網(wǎng)絡(luò)收斂速度非常慢.

表4 物流管理質(zhì)量評(píng)價(jià)值及評(píng)價(jià)等級(jí)對(duì)比Tab.4 Contrast of the value and the rating in logistics management quality

4 小結(jié)

通過對(duì)物流系統(tǒng)中的的數(shù)據(jù)進(jìn)行處理,得出物流管理質(zhì)量評(píng)價(jià)指標(biāo).根據(jù)訓(xùn)練樣本集構(gòu)建出基于支持向量機(jī)理論的物流管理質(zhì)量評(píng)價(jià)模型,通過模型可以分析公司基本情況、人為因素、物流質(zhì)量以及服務(wù)質(zhì)量四個(gè)分指標(biāo)體系對(duì)單次物流活動(dòng)效益的影響,并進(jìn)一步將4個(gè)指標(biāo)分別分解各自的下級(jí)指標(biāo),形成20個(gè)二級(jí)指標(biāo)作為重點(diǎn)研究指標(biāo),考察其對(duì)公司效益的影響.并利用訓(xùn)練樣本集和測(cè)試數(shù)據(jù)集對(duì)評(píng)價(jià)指標(biāo)進(jìn)行驗(yàn)證,并與BP網(wǎng)絡(luò)進(jìn)行對(duì)比測(cè)試,支持向量機(jī)測(cè)試誤差小,訓(xùn)練效率高,可以應(yīng)用于實(shí)踐,為物流管理質(zhì)量水平評(píng)價(jià)及決策系統(tǒng)的開發(fā)提供理論基礎(chǔ).

[1] 瓦普尼克.統(tǒng)計(jì)學(xué)習(xí)理論[M].許建華,張學(xué)工,譯.北京：電子工業(yè)出版社,2009.

[2] Vapnik VN.The Nature of Statistical Learning Theory[M].New York：Springer Verlag,2000：125-151.

[3] Doumpos M,Zopunidis C.Additive support vector machines for pattern classification[J].IEEE Trans on Systems,Man and Cybernetics,Part B,2007,37（3）：312-315.

[4] Jayadeva,Khem CR,Chandr AS.Twin support vector machines for pattern classification[J].IEEE Trans on Pattern Analysis and Machine Intelligence,2007,29（5）：905-910.

[5] 曾志強(qiáng).支持向量分類機(jī)的訓(xùn)練與簡(jiǎn)化算法研究[D].杭州：浙江大學(xué),2007.

[6] Wu ZL,Li C H,Joseph K,et al.Location estimation viASupport vector regression[J].IEEE Trans on Mobile Computing,2007,6（3）：311-321.

[7] HaoP Y,ChangJ H.Fuzzyregression analysis bysupport vector learningapproach[J].IEEE Trans on Fuzzy Systems,2008,16（2）：428-441.

[8] 李麗.工程項(xiàng)目全面風(fēng)險(xiǎn)管理的理論與方法研究[J].重慶建筑大學(xué)學(xué)報(bào),2002,38（4）：151-153.

[9] 尹志軍,陳立文,王雙正,等.我國工程項(xiàng)目風(fēng)險(xiǎn)管理進(jìn)展研究[J].基建優(yōu)化,2002,33（2）：226-228.