夏 田，鄧 萌

（陜西科技大學(xué) 機(jī)電工程學(xué)院，陜西 西安 710021）

1 引言

汽車制造業(yè)第三方物流安全庫存作為保證制造生產(chǎn)而儲備的庫存量，不僅影響第三方物流投入成本、物流成本和企業(yè)效益，而且保障著整個(gè)汽車供應(yīng)鏈的高效與順暢運(yùn)行，因此對其進(jìn)行合理預(yù)測和設(shè)置尤為必要。而在汽車供應(yīng)鏈中，參與主體多、地域范圍廣、中間環(huán)節(jié)多、信息流通復(fù)雜、行業(yè)要求高等特征，使安全庫存的預(yù)測受多種非線性相關(guān)因素影響，增加了汽車制造業(yè)第三方物流安全庫存預(yù)測難度。

目前，對安全庫存的預(yù)測主要分為兩類方法，第一類通常采用統(tǒng)計(jì)方法，通過對安全庫存歷史數(shù)據(jù)的分析、以及從業(yè)者的經(jīng)驗(yàn)判斷進(jìn)行安全庫存的預(yù)測，其人為干擾性強(qiáng)，安全庫存客觀參量的選取沒有統(tǒng)一標(biāo)準(zhǔn)，預(yù)測誤差較大，不利于推廣運(yùn)用；第二類方法通過建立各種模型進(jìn)行安全庫存的預(yù)測，大大增加了預(yù)測的準(zhǔn)確性和科學(xué)性，減少了人為干擾性，運(yùn)用算法主要包括BP神經(jīng)網(wǎng)絡(luò)算法、混沌神經(jīng)網(wǎng)絡(luò)算法等[1]，較少使用支持向量機(jī)算法，其中模型輸入?yún)⒘繑?shù)量多、重復(fù)性高，缺少對制造商與倉庫屬性的描述參量，且僅限于安全庫存數(shù)據(jù)的預(yù)測，缺少對影響安全庫存客觀參量的定量研究。針對現(xiàn)有模型中神經(jīng)網(wǎng)絡(luò)算法易受網(wǎng)絡(luò)結(jié)構(gòu)和樣本復(fù)雜性影響、描述參量不全面、不適用于成立期或發(fā)展期的第三方物流等問題，同時(shí)針對準(zhǔn)確度以及實(shí)際使用價(jià)值方面，提出一種運(yùn)用最小二乘支持向量機(jī)（Support Vector Machine，SVM）算法的第三方物流安全庫存預(yù)測與參量權(quán)重計(jì)算相結(jié)合的閉環(huán)雙向模型。該模型不但充分利用了支持向量機(jī)小樣本預(yù)測的優(yōu)勢，而且基于供應(yīng)鏈整體性和連續(xù)性的考慮，選取供應(yīng)商屬性、物料屬性、制造商屬性和倉庫屬性作為輸入層客觀參量，提高了預(yù)測準(zhǔn)確率和效率。并通過對預(yù)測結(jié)果中支持向量的分析，得出各特征變量權(quán)重計(jì)算模型，可準(zhǔn)確預(yù)測安全庫存量，并為安全庫存的準(zhǔn)確設(shè)置和供應(yīng)鏈系統(tǒng)改善提供了理論依據(jù)。

2 研究方法

（1）最小二乘支持向量機(jī)

最小二乘法支持向量機(jī)（LS-SVM）的原則是以“殘差平方和最小”確定直線位置，得到的估計(jì)量還具有優(yōu)良特性，對異常值具有高敏感性[2]。

給定訓(xùn)練數(shù)據(jù)的N個(gè)樣本可以表示為｛xk，yk｝，其中輸入數(shù)據(jù)xk∈Rm，輸出數(shù)據(jù)yk∈R，支持向量機(jī)的最優(yōu)化問題可表示為：

對于非線性的情況，SVM通過核函數(shù)進(jìn)行處理，其擬合模型為：

式中：αk—支持向量；K（xi，xj）—核函數(shù)。

（2）Grid-Search_PSO優(yōu)化SVM參數(shù)原理

選用Grid-Search_PSO來優(yōu)化SVM參數(shù)，通過不斷迭代求解優(yōu)化參數(shù)問題，實(shí)現(xiàn)以較快的速度收斂并找到全局最優(yōu)解[3]。

（3）輸入層參數(shù)權(quán)重分析模型

SVM輸出網(wǎng)絡(luò)對第m個(gè)特征輸入向量的相關(guān)度可對其進(jìn)行偏導(dǎo)數(shù)計(jì)算求得近似解：

式中：M—輸入向量的維度數(shù)目；N—訓(xùn)練所得支持向量數(shù)目。

特征向量權(quán)重計(jì)算公式[4]為：

式中：T—訓(xùn)練樣本個(gè)數(shù)。

3 汽車制造企業(yè)第三方物流安全庫存預(yù)測模型建立

LS-SVM第三方物流安全庫存預(yù)測模型，如圖1所示。該模型利用SVM建立的回歸模型對第三方物流倉庫安全庫存進(jìn)行預(yù)測，解決了神經(jīng)網(wǎng)絡(luò)算法存在的過學(xué)習(xí)和局部最小值問題[5]，能夠快速處理高維度復(fù)雜數(shù)據(jù)，所需樣本數(shù)目也大大減少[6]。其具體步驟如下：

（1）輸入輸出層的設(shè)置

通過影響安全庫存的各客觀參量對安全庫存進(jìn)行預(yù)測并對各客觀參量權(quán)重進(jìn)行計(jì)算，因此確定各客觀參量為輸入層，安全庫存和客觀參量權(quán)重為輸出量。

（2）客觀參量的選取

從汽車供應(yīng)鏈的角度對客觀參量的選取進(jìn)行全面化整體化考慮?，F(xiàn)有模型的輸入?yún)?shù)缺乏對完整汽車供應(yīng)鏈中第三方物流自身屬性的描述，預(yù)測所得安全庫存數(shù)據(jù)與第三方物流實(shí)際倉儲情況存在較大誤差[7]。因此，本模型在建立過程中從汽車供應(yīng)鏈角度入手，將第三方物流特征參數(shù)加入輸入層中，除了選取一般安全庫存預(yù)測模型中供貨量、訂單延時(shí)、次品率、存儲成本4個(gè)共有輸入?yún)?shù)外，還選擇了現(xiàn)有庫存量和庫存需求量2個(gè)參數(shù)共計(jì)6個(gè)維度作為模型輸入層參數(shù)，不僅對參數(shù)數(shù)量有所精簡，而且數(shù)據(jù)維度更為全面。

（3）核函數(shù)的選取

使用回歸分類中應(yīng)用最為廣泛、精度較高、計(jì)算速度快的RBF核函數(shù)為該預(yù)測模型擬合核函數(shù)。

（4）預(yù)測模型參數(shù)優(yōu)化

參數(shù)選擇主要是尋求回歸的最優(yōu)參數(shù)c和g，由SVMcg For Regress.m實(shí)現(xiàn)[8]，其接口為：

（5）模型測試、訓(xùn)練和預(yù)測

為了提高預(yù)測準(zhǔn)確率，在數(shù)據(jù)樣本進(jìn)行篩選和歸一化處理過程之后，將其分為訓(xùn)練集和測試集兩大類。

（6）客觀評價(jià)參量權(quán)重分析

安全庫存輸入層各屬性參量與安全庫存預(yù)測數(shù)據(jù)間相互影響關(guān)系復(fù)雜，且存在較大隨機(jī)性及較低的相關(guān)性，不能通過精確的數(shù)學(xué)模型進(jìn)行客觀描述。在建立的LS-SVM安全庫存預(yù)測模型基礎(chǔ)上，將輸入?yún)⒘颗c輸出變量之間的關(guān)系進(jìn)行權(quán)重量化研究，得出輸入?yún)⒘坑绊憴?quán)重分析理論計(jì)算模型。

圖1 安全庫存預(yù)測模型Fig.1 Safety Stock Forecasting Model

4 第三方物流安全庫存的預(yù)測

圖2 預(yù)測流程圖Fig.2 Prediction Flow Chart

某品牌汽車生產(chǎn)中的第三方物流中心負(fù)責(zé)將各地域零部件供應(yīng)商按訂單供應(yīng)的零件進(jìn)行分類存儲后按照汽車制造商每日發(fā)出的拉動單準(zhǔn)時(shí)保量進(jìn)行發(fā)貨，以其各參量歷史數(shù)據(jù)為例，進(jìn)行安全庫存的預(yù)測，具體流程，如圖2所示。

（1）預(yù)測參數(shù)的收集

以第三方物流公司50個(gè)周的供貨量、訂單延時(shí)、次品率、存儲成本、存貨需求量、現(xiàn)有庫存共6個(gè)參量的歷史數(shù)據(jù)作為預(yù)測樣本，如表1所示。

表1 原始數(shù)據(jù)Tab.1 Raw Data

（2）根據(jù)模型選定自變量與因變量

安全庫存預(yù)測模型中以上一周的庫存數(shù)、供貨量、訂單延時(shí)、次品率、存儲成本、存貨需求量、訂貨間隔期作為本周安全庫存的自變量，本周的安全庫存作為因變量。

（3）輸入數(shù)據(jù)預(yù)處理

使用Mapminmax函數(shù)來實(shí)現(xiàn)，對自變量與因變量集合均進(jìn)行歸一化預(yù)處理[9-10]，即 yi∈［1，2］，i=1，2，3…n。該第三方物流公司原始每周的庫存數(shù)目歸一化后的結(jié)果，如圖3所示。

圖3 原始數(shù)據(jù)歸一化后的圖像Fig.3 Normalized Image of Raw Data

（4）模型參數(shù)尋優(yōu)

圖4 SVR參數(shù)選擇結(jié)果圖Fig.4 SVR Parameter Selection Result Diagram

經(jīng)過Grid-Search_PSO參數(shù)尋優(yōu)過程[11]，最終得到的最優(yōu)SVM參數(shù)懲罰因子C=8，RBF核函數(shù)中參數(shù)g=2.8284，（g=-1/圖 4 所示。

（5）訓(xùn)練回歸預(yù)測

利用步驟（4）中得到的c和g對SVM進(jìn)行修正。建模時(shí)將經(jīng)過回歸處理的50組數(shù)據(jù)作為輸入，其安全庫存量作為輸出，取前45組數(shù)據(jù)作為訓(xùn)練樣本集，取（46～50）組數(shù)據(jù)為預(yù)測樣本。

初始數(shù)據(jù)與回歸預(yù)測結(jié)果數(shù)據(jù)的對比圖，如圖5所示。從回歸預(yù)測值和實(shí)際值的圖像可以發(fā)現(xiàn)兩者相符程度較為理想。經(jīng)計(jì)算，Squared Correlation Coefficient=0.996734，MSE=0.00045342，R=99.6734%，說明該預(yù)測模型學(xué)習(xí)訓(xùn)練效果較為理想。

圖5 原始數(shù)據(jù)與回歸預(yù)測數(shù)據(jù)對比圖Fig.5 Comparison of Raw Data and Regression Forecast Data

（6）輸出預(yù)測模型

由模型求得變量可知，安全庫存預(yù)測模型公式為：

式中：wi—支持向量在決策函數(shù)中的系數(shù)；xi—支持向量；x—帶預(yù)測樣本向量。

（7）輸入層參數(shù)權(quán)重分析

由式（4）可得，安全庫存預(yù)測模型輸入層參數(shù)權(quán)重計(jì)算模型為：

5 結(jié)論

模型整體形成閉環(huán)結(jié)構(gòu)，由輸入層、決策層、輸出層、應(yīng)用層組成，為優(yōu)化供應(yīng)鏈、設(shè)置安全庫存、調(diào)整生產(chǎn)節(jié)拍和物流成本提供了理論依據(jù)。該模型克服了基于神經(jīng)網(wǎng)絡(luò)庫存預(yù)測模型存在的不足，與其他基于支持向量機(jī)的預(yù)測模型相比，輸入層參數(shù)更為全面且加入了第三方物流自身描述屬性，提高了預(yù)測精確度。通過實(shí)例驗(yàn)證，檢測了該模型的可行性與科學(xué)性。