毛媛媛 張東 華小草 胡海洋 徐壯壯

【摘? ?要】 生鮮農(nóng)產(chǎn)品的損失預(yù)測(cè)對(duì)我國(guó)的農(nóng)業(yè)生產(chǎn)和應(yīng)急處理具有重要的意義，本論文在考慮自然災(zāi)害風(fēng)險(xiǎn)如：多旱、澇、風(fēng)、雹、霜凍等農(nóng)業(yè)氣象災(zāi)害的條件下，構(gòu)建了基于網(wǎng)格搜索的支持向量機(jī)（Support vector machine，SVM ）生鮮農(nóng)產(chǎn)品損失預(yù)測(cè)模型。對(duì)多項(xiàng)指標(biāo)進(jìn)行預(yù)測(cè)。選取1999年-2015年的河南受災(zāi)數(shù)據(jù)作為研究樣本，結(jié)果驗(yàn)證了基于網(wǎng)格搜索的支持向量機(jī)損失預(yù)測(cè)模型在生鮮農(nóng)產(chǎn)品損失預(yù)估上的合理性和有效性。

【關(guān)鍵詞】 支持向量機(jī);網(wǎng)格搜索;生鮮農(nóng)產(chǎn)品;損失;預(yù)估模型

中圖分類號(hào)：S-9? ? ? ? ? ? ? ?文獻(xiàn)識(shí)別碼：A? ? ? ? ? ? ? ?文章編號(hào)：2096-1073（2020）01-0047-50

1? 引言

我國(guó)是自然災(zāi)害多發(fā)的國(guó)家，據(jù)統(tǒng)計(jì)，2017年各種自然災(zāi)害共造成我國(guó)14448.0萬(wàn)人次受災(zāi)，直接經(jīng)濟(jì)損失3018.7億元。多旱、澇、風(fēng)、雹、霜凍等農(nóng)業(yè)氣象災(zāi)害對(duì)生鮮農(nóng)產(chǎn)品的生產(chǎn)造成了極大的影響。因此對(duì)生鮮農(nóng)產(chǎn)品的生產(chǎn)風(fēng)險(xiǎn)進(jìn)行分析和評(píng)估對(duì)維持我國(guó)生產(chǎn)及社會(huì)穩(wěn)定有著重大的意義。H.S.Kim[1]等將SVM模型應(yīng)用于中小企業(yè)的違約情況預(yù)測(cè)，支持向量機(jī)模型的回歸模型更優(yōu)。Ahmed K.Abbas[2]等運(yùn)用支持向量機(jī)方法構(gòu)建模型應(yīng)用于預(yù)測(cè)井漏事故，支持向量機(jī)方法的應(yīng)用前景更加廣闊。Zhitong Ma[3]等提出了SVM預(yù)測(cè)我國(guó)建筑能耗的方法。Yahia等[4]用神經(jīng)網(wǎng)絡(luò)的方法構(gòu)建了冷鏈物流需求預(yù)測(cè)模型。徐歆，嚴(yán)洪森等[5]采用了支持向量機(jī)和徑向基函數(shù)核支持向量機(jī)建立了產(chǎn)品銷售預(yù)測(cè)模型。Hou和Gao[6]采用了網(wǎng)格搜索（GS）算法優(yōu)化SVM參數(shù)精度更高。張文雅等[7]將網(wǎng)格搜索優(yōu)化支持向量機(jī)的方法應(yīng)用于適合汽車銷售預(yù)測(cè)?？娛|，繆翼軍等[8]將SVM應(yīng)用于變壓器風(fēng)險(xiǎn)評(píng)估模型。汪海燕，黎建輝，楊風(fēng)雷等[9]肯定了SVM在應(yīng)用領(lǐng)域的優(yōu)勢(shì)。王健峰，張磊等[10]在分析多種算法SVM參數(shù)優(yōu)化方面的利弊，提出了新的網(wǎng)格法。

從以上文獻(xiàn)分析可知，支持向量機(jī)在理論和性能上優(yōu)勢(shì)明顯[11]它找到的最優(yōu)解并非局部最小值而是全局最優(yōu)值，在多個(gè)領(lǐng)域均有其應(yīng)用成果[12-15]采用網(wǎng)格搜索法進(jìn)行參數(shù)尋優(yōu)可以得到更為全面準(zhǔn)確的參數(shù)值[16-17]。以往的學(xué)者們鮮少將網(wǎng)格搜索優(yōu)化支持向量機(jī)的方法應(yīng)用于生鮮農(nóng)產(chǎn)品損失評(píng)估中。因此，本論文在考慮自然災(zāi)害風(fēng)險(xiǎn)的條件下，研究生鮮農(nóng)產(chǎn)品在自然災(zāi)害風(fēng)險(xiǎn)下的產(chǎn)量損失問(wèn)題[18]。

2? 基于支持向量機(jī)的生鮮農(nóng)產(chǎn)品損失模型

SVM是由V.N.Vapnik和A.Y. Lerner在1963年提出的一種機(jī)器學(xué)習(xí)方法[19]。隨著模式識(shí)別等技術(shù)的不斷發(fā)展，SVM模型得到了優(yōu)化和完善，目前被逐步應(yīng)用于各種災(zāi)情的風(fēng)險(xiǎn)預(yù)測(cè)上。

2.1? 支持向量機(jī)模型

為分析問(wèn)題方便，對(duì)模型做出以下假設(shè);

通常SVM用來(lái)解決分類問(wèn)題對(duì)于一般線性回歸問(wèn)題：

對(duì)于線性不可分回歸問(wèn)題：

引入核函數(shù)：

本研究采用的是徑向基核函數(shù)（Radial Basis Function簡(jiǎn)稱RBF）。

2.2? 實(shí)例分析

實(shí)例見(jiàn)表1。

本研究采用的數(shù)據(jù)來(lái)源于國(guó)家統(tǒng)計(jì)局以及中國(guó)統(tǒng)計(jì)年鑒。選取的樣本數(shù)據(jù)為1999-2015河南省生鮮蔬菜的產(chǎn)量，單位面積產(chǎn)量，受災(zāi)面積，成災(zāi)面積等各項(xiàng)指標(biāo)。

在python語(yǔ)言中，選用徑向核函數(shù)分別對(duì)蔬菜產(chǎn)量，蔬菜單位面積產(chǎn)量，蔬菜受災(zāi)面積，蔬菜成災(zāi)面積做出預(yù)測(cè)，如圖1-4。對(duì)四種屬性預(yù)測(cè)的結(jié)果誤差值如表2。

由圖1可知，本論文所構(gòu)建模型對(duì)蔬菜產(chǎn)量預(yù)估曲線與實(shí)際樣本曲線趨勢(shì)基本一致，但1999年，2000年，2001年以及2003年的樣本實(shí)際值均小于預(yù)測(cè)值，2014年及2015年的實(shí)際值大于預(yù)測(cè)值。由圖2可知，對(duì)于單位面積產(chǎn)量而言，2000年的樣本實(shí)際值大于預(yù)測(cè)值。由圖3可知，對(duì)于受災(zāi)面積而言，2002年，2009年的樣本實(shí)際值大于預(yù)測(cè)值，但2008年，2015年的樣本實(shí)際值小于預(yù)測(cè)值。由圖4可知，對(duì)于成災(zāi)面積而言，2002年，2005年的樣本實(shí)際值大于預(yù)測(cè)值，但2015年的樣本實(shí)際值小于預(yù)測(cè)值。

四種樣本屬性中對(duì)蔬菜產(chǎn)量預(yù)測(cè)精度最高的原因可能是：①本研究只選取了四種屬性，這四種屬性與蔬菜的產(chǎn)量相關(guān)性更強(qiáng)。②未選取經(jīng)濟(jì)屬性，社會(huì)屬性，人文屬性等分析其對(duì)生鮮農(nóng)產(chǎn)品生產(chǎn)風(fēng)險(xiǎn)損失的影響。③自然災(zāi)害在時(shí)間維度中具有高度的不確定性和不規(guī)律性。

3? 總結(jié)

本研究考慮自然災(zāi)害風(fēng)險(xiǎn)如：多風(fēng)、雹、旱、澇、霜凍等農(nóng)業(yè)氣象災(zāi)害的條件下，構(gòu)建了基于網(wǎng)格搜索的SVM生鮮農(nóng)產(chǎn)品損失預(yù)測(cè)模型。并以河南省為例，研究的結(jié)果表明，選用徑向核函數(shù)的SVM預(yù)測(cè)模型適合生鮮農(nóng)產(chǎn)品損失預(yù)測(cè)，其中對(duì)于產(chǎn)量的預(yù)測(cè)更為準(zhǔn)確。并且當(dāng)災(zāi)情較輕時(shí)，此模型可以對(duì)受災(zāi)面積以及成災(zāi)面積做出較好的預(yù)測(cè)。在后期研究中應(yīng)多考慮經(jīng)濟(jì)屬性以及社會(huì)屬性以及人文屬性的影響從而提高模型的精度和預(yù)測(cè)的準(zhǔn)確性。

參考文獻(xiàn)：

[1] H.S.Kim ， S.Y.Sohn. Support vector machines for default predic-tion of SMEs based on technology.credit[J].European Journal of?Operational Research， 2010，201（3）：838-846.

[2] A. K. Abbas， N. A. Al-haideri，A. A. Bashikh. Implementing arti-ficial neural networks and support vector machines to predict lostcirculation[J].Egyptian Journal of Petroleum，2019.

[3] Z.Ma， C.Ye， H.Li ，W.Ma， Applying support vector machines to predict building energy consumption in China[J]. Energy Proce-dia，2018 ，152：780-786.

[4] E.M .Yahia， Cold chain development and challenges in the de-veloping world[J]. Acta Horticulturae ，2010，（877）：127-132.

[5] 王寧， 謝敏，鄧佳梁，等.基于支持向量機(jī)回歸組合模型的中長(zhǎng)期降溫負(fù)荷預(yù)測(cè)[J].電力系統(tǒng)保護(hù)與控制，2016，44（3）：92-97.

[6] Gao X， Hou J. An improved SVM integrated GS-PCA fault diag-nosis approach of Tennessee Eastman? ?process[J]. Neurocom- puting， 2016， 174： 906-911.

[7] 張文雅，范雨強(qiáng)，韓 華，等.基于交叉驗(yàn)證網(wǎng)格尋優(yōu)支持向量機(jī)的產(chǎn)品銷售預(yù)測(cè)[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2019，28（5）：1-9.

[8] 繆蕓，繆翼軍，陳紅坤，等.基于模糊層次分析法與支持向量機(jī)的變壓器風(fēng)險(xiǎn)評(píng)估[J].現(xiàn)代 電力，2014，31（6）：64-69.

[9] 汪海燕，黎建輝，楊風(fēng)雷.支持向量機(jī)理論及算法研究綜述[J].計(jì)算機(jī)應(yīng)用研究，2014，31（5）：1281-1286.

[10] 王健峰，張 磊，陳國(guó)興，等.基于改進(jìn)的網(wǎng)格搜索法的SVM參數(shù)優(yōu)化[J].應(yīng)用科技，2012，3：28-31.

[11] 張學(xué)工.關(guān)于統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī)[J].自動(dòng)化學(xué)報(bào)，2000，26（1）：32-42.

[12] G.Najafi， B.Ghobadian， A.Moosavian .SVM and ANFIS for pre-diction of performance and exhaust emissions of a SI engine with gasoline-ethanol blended fuels[J]. Applied Thermal Engi-neering， 2016， 95： 186-203.

[13] 辜麗瓊，宋祖康，楊陽(yáng).基于改進(jìn)支持向量機(jī)模型的交通擁堵情況預(yù)測(cè)[J].軟件導(dǎo)刊，2019，（7）：37-41.

[14] 李飛，蔣敏蘭.基于支持向量機(jī)回歸的蛋雞產(chǎn)蛋率預(yù)測(cè)模型[J].江蘇農(nóng)業(yè)科學(xué)，2019，47（13）：249-252.

[15] 李曉東，席升陽(yáng)，潘立.基于最小二乘支持向量機(jī)的中國(guó)糧食產(chǎn)量預(yù)測(cè)模型研究[D].洛陽(yáng)：河南科技大學(xué)，2007.

[16] 付元元，任東.支持向量機(jī)中核函數(shù)及其參數(shù)選擇研究[J].科技創(chuàng)新導(dǎo)報(bào)，2010，（9）：6-7.

[17] 王健峰，張磊，陳國(guó)興，等.基于改進(jìn)的網(wǎng)格搜索法的SVM參數(shù)優(yōu)化[J].2012，39（3）：28-31.

[18] 孫德山.支持向量機(jī)分類與回歸方法研究[D].大連：遼寧師范大學(xué)，2004.

[19] Sain， Stephan R . The Nature of Statistical Learning Theory[J]. Technometrics， 1996， 38（4）：409-409.

[20] 王平，黃河，吳瑋.基于支持向量機(jī)的湖北省洪澇農(nóng)業(yè) 損失預(yù)測(cè)模型[J].湖北農(nóng)業(yè)科學(xué)，2014，53（18）：4437-4440.

（編輯：赫亮）