周建友，張凱威

ZHOU Jianyou1,ZHANG Kanwei2

1.遵義市煙草公司 道真縣分公司，貴州 遵義563500

2.貴州大學 計算機科學與信息學院，貴陽477004

1.Daozhen Branch,Zunyi Tobacco Company,Zunyi,Guizhou 563500,China

2.College of Computer Science and Information,Guizhou University,Guiyang 477004,China

1 引言

卷煙銷售是卷煙行業(yè)管理中最為關鍵的內容，卷煙銷售的預測可以為卷煙生產、運輸、配送提供指導，因此設計高精度的卷煙銷售預測模型是卷煙管理領域中的重要研究課題[1]。

多年來，國內外大量學者對卷煙銷售預測進行了大量的研究，并提出一些預測模型[2]。傳統(tǒng)卷煙預測模型包括回歸分析方法、時間序列法、灰色關聯(lián)法和馬爾可夫鏈等，它們假設卷煙銷售量是一種線性變化趨勢，而實際上卷煙銷售量受到經濟、人口、市場波動和季節(jié)等多種因素綜合影響，具有非線性、隨機變化特點，因此，傳統(tǒng)預測模型難以正確描述該變化趨勢，卷煙銷售的預測精度不理想[3]。隨著非線性理論不斷發(fā)展，出現了基于神經網絡等非線性預測模型，并取得了比較好的預測效果，但其對學習樣本的需求量大，而獲得的卷煙銷售量訓練樣本非常有限，因此預測結果有時出現過擬合現象[4-6]。最小二乘支持向量機（LSSVM）是一種專門研究小樣本情況下的機器學習算法，一定程度上解決了神經網絡過學習和欠學習以及局部最優(yōu)解、維數災難等問題，為解決小樣本卷煙銷售量預測提供了一種新的研究方法[7]。不同參數下的LSSVM 預測精度差別大，出現了基于粒子群優(yōu)化算法、遺傳算法、野草算法等LSSVM參數優(yōu)化方法，但這些算法均存在各自的不足，因此選擇合適的LSSVM參數是提高卷煙銷售預測精度的關鍵[8-11]。Yang 和Deb 于2009 年提出模擬布谷鳥尋窩產卵行為的全局搜索方法—布谷鳥搜索（Cuckoo search，CS）算法，具有容易實現、參數設置少等優(yōu)點，一些研究表明，CS算法的性能超過了遺傳算法和粒子群優(yōu)化算法[12-13]。

為了提高卷煙銷售量預測精度，提出一種改進布谷鳥算法（MCS）優(yōu)化混合核LSSVM 的卷煙銷售量預測模型（MCS-LSSVM），并通過仿真實驗測試了MCS-LSSVM的可行性和優(yōu)越性。

2 布谷鳥優(yōu)化混合核LSSVM 的卷煙銷售量預測模型

2.1 LSSVM 基本原理

給定N個訓練樣本{(xi,yi),…,(xN,yN)}，其中xi為n維的訓練樣本輸入，yi為訓練樣本輸出，LSSVM 算法的目標優(yōu)化函數為：

式中，φ(·)為核空間映射函數；w為權矢量；ei為誤差變量；b為偏置量；μ和γ為可調參數。

為求解函數的最小值，構造Lagrange函數：

式中，αi為拉格朗日乘子。

對式（1）求偏導可得：

式中，i=1,2,…,N。

通過消去w和e，求解的優(yōu)化問題轉化為求解線性方程：

式中，y=[y1,y2,…,yN]，1v=[1,1,…,1]，α=[α1,α2,…,αN]，Ω=φ(xi)Tφ(xi)=K(xi,xl)。

通過求解式（4）可得到α和b則用于函數估計的LSSVM 為：

式中，K(x,xi)為核函數。

2.2 混合核函數

不同核函數，構建不同的LSSVM 預測模型，當前核函數可分為全局和局部核函數，全局核函數的一個典型是多項式核函數，局部核函數的一個典型是RBF 核函數。為了提升LSSVM 的性能，得到學習能力和泛化能力都較強的核函數，本文將通過組合兩種具有代表性的局部核函數（RBF 核函數）和全局核函數（多項式核函數）的映射特性，構造一種混合核函數，此混合核函數滿足Mercer條件，其表達式為：

式中，Kpoly=[(x·xi)+1]2表示二次多項式核函數，KRBF=exp(-‖x-xi‖2/ 2σ2),σ＞0 表示RBF 核函數，β是調整兩種核函數對總的混合核函數的影響，即權系數。

2.3 改進的布谷鳥搜索算法（MCS）

在CS 算法中，一個鳥巢的卵表示一個候選解，一個布谷鳥的卵表示一個新的解，布谷鳥尋窩的路徑和位置更新公式如下：

通過位置更新后，用隨機數r∈[0, 1]與鳥窩的主人發(fā)現外來鳥的概率Pa對比，若r＞Pa，則對進行隨機改變，否則不變。

在基本CS 算法中，布谷鳥尋窩的路徑和位置是隨機的，以父代位置信息為參考進行更新。為了提高CS算法的性能，本文在布谷鳥尋窩的路徑和位置更新公式（8）中引入慣性權重：

慣性權重的引入，可使CS 算法有擴展搜索空間的趨勢，有能力搜索新的區(qū)域，實驗表明，較大的慣性權重w有利于跳出局部最優(yōu)，進行全局尋優(yōu)；較小的w值有利于局部尋優(yōu)，加速算法收斂。為了平衡算法的全局和局部搜索能力，慣性權重w的值應隨著迭代次數的增加而遞減。然而，CS 算法在實際搜索過程中是非線性的，慣性權重線性遞減策略不能反映實際的優(yōu)化搜索過程。因此，本文引入一種慣性權重非線性遞減策略：

式中，iter為當前迭代次數。

2.4 MCS-LSSVM 的卷煙銷售量預測步驟

（1）收集卷煙銷售量歷史數據，確定LSSVM 的輸入與輸出，生成LSSVM 的學習樣本。

（2）根據經驗確定β、γ、σ取值范圍以及MCS 算法的相關參數值。

（4）保留上代最小誤差Fmin對應的最優(yōu)鳥巢位置。

（5）利用式（9）計算Levy Flight 步長大小，由Levy Flight對其他鳥巢進行更新，得到一組新的鳥巢位置，并計算它們的預測誤差。

（8）找出步驟（7）最后找到pt中最優(yōu)的一個鳥巢位置，并判斷其最小誤差Fmin是否滿足卷煙銷售量預測精度要求，如果滿足，則停止搜索；反之，則返回步驟（4）繼續(xù)尋優(yōu)。

3 仿真實驗

3.1 數據來源

在CPU P4 3.0 GMHz，RAM 2 GB，Windows 2000的PC 機上，采用VC++進行仿真實驗。數據來自貴州某卷煙公司2012 年的某種卷煙銷售數據，具體如圖1 所示。選擇前80 個樣本作為訓練集，其余40 個樣本作為測試集。

圖1 卷煙歷史銷售數據

3.2 對比模型及性能評價標準

選擇基本布谷鳥算法優(yōu)化混合核LSSVM（CS-LSSVM）、改進谷鳥算法優(yōu)化RBF 核的LSSVM（RBF-LSSVM）以及改進谷鳥算法優(yōu)化BP 神經網絡（MCS-BPNN）進行對比實驗。單步預測模型主要考察預測點的精度，采用均方根誤差RMSE和平均絕對百分誤差MAPE作為模型的評價標準，它們定義如下：

式中，yt表示實際值，表示預測值，n表示樣本數。

3.3 構建LSSVM 學習樣本

卷煙銷售量具有后效性，當前時間的卷煙銷售量與前一段時間卷煙銷售量有關，需要通過確定最佳時延對LSSVM 學習樣本進行構建。本文采用逐步增加時延數，并通過比較其預測精度來確定最佳時延數，具體化變化曲線如圖2 所示。從圖2 可知，卷煙銷售量的最佳時延為5，即表示當前時刻的卷煙銷售量與前5 個時間點的卷煙銷售量相對應，從而形成LSSVM 的卷煙銷售量學習樣本。

圖2 確定卷煙銷售量的最佳時延

3.4 結果與分析

3.4.1 單步預測性能分析

對重構后的卷煙銷售量數據，選擇最后40 個卷煙銷售量數據作為測試集，其他數據作為訓練集，利用MCS-LSSVM 建立卷煙銷售量預測模型，MCS-LSSVM的預測結果與實際卷煙銷售量如圖3 所示，預測結果的誤差變化曲線如圖4 所示。對圖3 和4 進行分析可知，MCS-LSSVM 的單步預測結果與實際輸出相當吻合，具有較高的預測精度，具有良好的泛化推廣性。

圖3 單步預測結果與實際輸出的變化曲線

圖4 卷煙銷售量測試集預測結果的誤差分布

各模型單步預測結果見表1。從表1 可知，與對比模型相比，MCS-LSSVM 的卷煙銷售量預測結果更優(yōu)，具有更好的優(yōu)越性和穩(wěn)健性。

表1 不同模型的單步預測性能對比

3.4.2 提前多步預測性能分析

通常預測要求有較大的提前時間量，采用一步預測（即僅對下一個時間的卷煙銷售量進行預測），既不能有效反映卷煙銷售量變化趨勢，也無法針對卷煙銷售量對銷售策略做出改變。因此，有必要將一步預測擴展到多步預測，于是采用多步預測模型對未來多個時刻的卷煙銷售量進行預測，所有模型均采用迭代法的多步預測，即重復使用一步向前預測若干次，并把上一次的預測值視作系統(tǒng)輸出真值，應用于下一次預測中。采用MCSLSSVM 構建卷煙銷售量預測的多步預測模型，分別提前2 步、3 步預測，提前2 步預測結果和實際輸出值如圖5 所示。從圖5 可以看出，MCS-LSSVM 模型對卷煙銷售量測試集提前2 步預測輸出與實際輸出幾乎相同，預測結果的預測誤差變化曲線如圖6 所示，預測誤差控制在有效范圍內，只能夠在很小的數量級上才能區(qū)分，獲得了較高的預測精度。

圖5 提前2 步預測結果與實際輸出

圖6 提前2 步預測誤差分布

MCS-LSSVM 提前3 步預測卷煙銷售量結果和實際輸出值如圖7，各點預測誤差分布如圖8 所示。從圖7 可以看出，MCS-LSSVM 對卷煙銷售量測試集的提前3 步預測輸出與實際輸出符合得很好，因此，預測模型具有很好的推廣性。

圖7 提前3 步預測結果與實際輸出

圖8 提前3 步預測誤差分布

不同卷煙銷售量預測模型的預測性能對比見表2。對表2的結果進行分析可知，相對于對比模型，MCS-LSSVM具有預測性能高，預測結果更加準確、可靠等優(yōu)點，是一種預測精度高的卷煙銷售量預測模型。

表2 MCS-LSSVM 與其他模型多步預測性能對比

4 結論

為了獲得更優(yōu)的卷煙銷售量預測結果，提出一種MCS-LSSVM 的卷煙銷售量預測模型，根據仿真實驗可得如下結論：

（1）LSSVM 核函數及參數對卷煙銷售量預測結果有較大影響，通過將二次多項式核函數和RBF 核函數進行組合，提高模型的通用性，并采用布谷鳥算法對參數進行自動尋優(yōu)，克服了LSSVM 參數選擇的盲目性。對比結果表明，改進布谷鳥算法比標準布谷鳥算法尋優(yōu)能力更強，提高了卷煙銷售量預測精度。

（2）相對于BP 神經網絡，LSSVM 解決了神經網絡在訓練樣本少的情況下過擬合的缺陷，具有訓練時間短及預測速度快等優(yōu)點，為小樣本下的卷煙銷售量預測提供了有效的解決方案，具有較高的實用價值。

[1] 程永照.回顧與展望：卷煙經濟研究文集[M].北京：世紀圖書出版社，2003.

[2] 謝星峰.基于神經網絡的卷煙銷售預測模型的研究及應用[D].昆明：昆明理工大學，2006.

[3] 劉紅飛.基于灰色系統(tǒng)理論的廣東卷煙消費需求預測研究[J].經濟師，2007，12（l）：273-274.

[4] 沈航，鄒平.可拓聚類預測方法預測卷煙銷售量[J].昆明理工大學學報，2006，12（3）：95-98.

[5] 羅艷輝，呂永貴，李彬.基于ARMA 的混合卷煙銷售預測模型[J].計算機應用研究，2009，27（7）：2664-2668.

[6] 謝東風，鄒平.基于CBP 的卷煙銷售二重趨勢時間序列預測模型研究與應用[J].控制理論與應用，2007，24（6）：1015-1020.

[7] 羅艷輝，呂永貴，李彬.混合卷煙銷售預測模型[J].計算機工程與設計，2009，30（20）：4744-4747.

[8] 孫蘭蘭，宋雯斐.CPSO 和LSSVM 融合的網絡入侵檢測[J].計算機工程與應用，2013，49（9）：90-93.

[9] 劉靜.基于AFSA-LSSVM 的短時交通流量預測[J].計算機工程與應用，2013，49（17）：226-229.

[10] 張大為，段哲民，李鵬，張曉輝.遺傳優(yōu)化的LSSVM 在故障診斷中的仿真研究[J].計算機仿真，2010，27（10）：164-167.

[11] 熊南，劉百芬.基于自適應粒子群優(yōu)化LSSVM 的網絡流量在線預測[J].計算機應用與軟件，2013，30（9）：21-24.

[12] Sadollah A，Bahreininejad A，Eskandar H.Mine blast algorithm：A new population based algorithm for solving constrained engineering optimization problems[J].Applied Soft Computing，2013，13（5）：2592-2612.

[13] 趙專政，李云翔.聚類加權和CS-LSSVM 的文本分類[J].計算機工程與應用，2013，49（16）：124-128.