基于SVM的煙草銷售量預測

劉璐　丁福利　孫立民

摘 要：煙草銷售量預測能為煙草生產(chǎn)、運輸、配送提供指導，使煙草行業(yè)能更好地適應(yīng)市場需求。煙草銷售量受眾多因素的影響，具有季節(jié)性和周期性規(guī)律，傳統(tǒng)的線性模型難以進行準確的預測?；谥С窒蛄繖C建立煙草銷售量的多維時間序列模型，實驗結(jié)果表明，該模型具有較高的預測精度，能夠準確地反映煙草銷售量的變化趨勢。對比實驗也表明，所提出的方法比其它幾種方法預測精度高，可以為煙草行業(yè)的銷售管理提供科學依據(jù)，具有實用價值。

關(guān)鍵詞：煙草銷售量預測；支持向量機；多維時間序列

DOIDOI：10.11907/rjdk.162026

中圖分類號：TP319

文獻標識碼：A 文章編號文章編號：16727800（2016）011013403

0 引言

中國是世界上最大的煙草生產(chǎn)國和消費國[1]。煙草銷售是煙草行業(yè)管理中最為關(guān)鍵的部分，準確的煙草銷售預測能為煙草生產(chǎn)、運輸、配送提供指導，而要進行準確的煙草銷售預測必須找到合適的預測方法。因此，如何設(shè)計高精度的煙草銷售預測方法是煙草行業(yè)管理的重要課題。

傳統(tǒng)煙草銷售量預測方法的研究主要集中在對煙草零售經(jīng)營者訂單的管理分析中，而且采用銷售人員意見匯總法、德爾菲法（經(jīng)理及員工的意見）等為主的人工預測方法[2]。這種人工預測方法業(yè)務(wù)流程較多，浪費大量的人力、物力，并且還可能引起煙草資源分配的不公平，難以滿足市場需求。從機器學習的角度上看，煙草銷售量的預測屬于回歸問題[3]，而回歸包括線性回歸和非線性回歸。文獻[4]在對煙草銷售量數(shù)據(jù)進行分析的基礎(chǔ)上，提出了一種線性預測模型，但由于煙草銷售量受季節(jié)、人口、市場、節(jié)假日等一系列因素的共同影響，并不適合采用線性回歸方法進行預測。在非線性回歸方法中，較為常用的有神經(jīng)網(wǎng)絡(luò)和支持向量機（SVM）。文獻[5]基于BP神經(jīng)網(wǎng)絡(luò)對煙草銷售量進行建模并預測，而神經(jīng)網(wǎng)絡(luò)是基于經(jīng)驗風險最小化，不僅泛化能力較差，而且存在局部極小點問題[6]，因此神經(jīng)網(wǎng)絡(luò)雖然對原始數(shù)據(jù)的擬合能力較強，但對未來數(shù)據(jù)的推廣能力較差，而對未來數(shù)據(jù)的推廣能力往往更能反映學習機器的實用價值。支持向量機基于結(jié)構(gòu)風險最小化，泛化能力強且預測精度高。因此，本文采用支持向量機方法對煙草銷售量進行建模預測。

1 支持向量回歸機

2 預測方法

2.1 數(shù)據(jù)預處理

本文收集到了云煙品牌一個品類2006年1月～2011年10月共6年的銷售數(shù)據(jù)，銷售數(shù)據(jù)信息中包括銷售量、銷售日期（年月日）、倉庫編號、發(fā)票信息、審核人信息等，其中對銷售量預測影響最大的是銷售日期及對應(yīng)的銷售量。由于中國的香煙銷售對陰歷呈現(xiàn)出更強的規(guī)律性，因此將銷售統(tǒng)計數(shù)據(jù)轉(zhuǎn)換為以陰歷月為標準。

2.2 數(shù)據(jù)歸一化處理

由表1可以看出，各列數(shù)據(jù)屬性不同，數(shù)值范圍相差較大。為避免數(shù)值范圍較大的屬性控制數(shù)值范圍較小的屬性，使數(shù)據(jù)具有統(tǒng)一性和可比性，將屬性值都歸一化[10]為[0，1]之間。歸一化所用公式為：

2.3 模型定階

由于煙草銷售量預測屬于經(jīng)濟預測，因此它不僅與當前日期有關(guān)，更與之前的銷售信息有關(guān)。為確定當前銷售量與前多少個月的銷售信息關(guān)系最大，需要通過拓階[11]的方法來確定。

設(shè)煙草銷售量數(shù)據(jù)的一個樣本為{yi，yeari，monthi}，yi為第i個樣本中的煙草銷售量，yeari為當前年份，monthi為當前月份。其中，yeari和monthi為樣本的自變量，yi為樣本的因變量。通過拓階能夠更為準確地得到自變量和因變量的函數(shù)依賴關(guān)系。當階數(shù)為n時，表示將前n個樣本中的信息添加到當前樣本中的自變量中。即用前n個月的銷售信息和當前年月來預測當前銷售量。此時，自變量總數(shù)為（3×n+2），其中n為階數(shù)。通過SVM由低階到高階逐步進行拓階，模型每拓一階，自變量相應(yīng)地增加 3個。對于每一次的拓階，以MSE最小為標準決定是否接受拓階。設(shè)SVM（n）為拓階n次后的模型，SVM（n+1）為拓階n+1次后的模型，比較兩者的MSE大小，如果SVM（n+1）的MSE小于SVM（n）的MSE，表示接受本次拓階，并進行下一步拓階；如果SVM（n+1）的MSE大于SVM（n）的MSE，表示不接受本次拓階，并停止拓階，最終得到最優(yōu)階數(shù)n。通過對煙草數(shù)據(jù)的拓階，得到拓階結(jié)果如圖2所示。

2.4 回歸模型的參數(shù)選擇

當訓練模型確定后，通過支持向量回歸機進行預測。由于徑向基核函數(shù)的準確率較高，并且大多數(shù)SVM默認的核函數(shù)也是徑向基核函數(shù)[12]，本文亦采用徑向基核函數(shù)。

3 實驗結(jié)果與分析

以云煙數(shù)據(jù)集為例，選擇2006年1月-2010年12月的銷售量數(shù)據(jù)為訓練樣本，以2011年1-10月的銷售量數(shù)據(jù)為測試樣本。在本文算法實現(xiàn)過程中，實驗環(huán)境配置如表2所示。

4 結(jié)語

通過預測煙草銷售量可以提前了解煙草的銷售動態(tài)，為煙草物流、倉儲等部門提供決策依據(jù)。本文基于支持向量機建立煙草銷售預測的多維時間序列模型。實驗證明，根據(jù)本文方法建立的模型所預測的結(jié)果與實際結(jié)果基本一致，能夠比較準確地反映煙草銷售量的變化趨勢。對比實驗也證明，與其它幾種方法相比，本文方法預測誤差最小。綜上，本文所述方法是合理有效的，可以應(yīng)用到實際煙草銷售量預測中。

參考文獻：

[1] 蔣德珺.我國煙草業(yè)國際化戰(zhàn)略研究[J].北方經(jīng)濟，2012（14）：9495.

[2] 利普·科特勒，洪瑞云，梁紹明，等.市場營銷管理 [M].亞洲版·2版.北京：中國人民大學出版社，2001.

[3] 鄭逢德，張鴻賓.拉格朗日支持向量回歸的有限牛頓算法[J].計算機應(yīng)用，2012，32（9）：25042507.

[4] 張素平.基于乘法模型的內(nèi)蒙古烏蘭察布市卷煙總銷量預測研究[J].內(nèi)蒙古科技與經(jīng)濟，2012（21）：3335.

[5] 仲東亭，張玥.BP神經(jīng)網(wǎng)絡(luò)對煙草銷售量預測方法的改進研究[J].工業(yè)技術(shù)經(jīng)濟，2007，26（9）：115118.

[6] 劉蘇蘇，孫立民.支持向量機與RBF神經(jīng)網(wǎng)絡(luò)回歸性能比較研究[J].計算機工程與設(shè)計，2011，32（12）：42024205.

[7] 鄧乃揚，田英杰.數(shù)據(jù)挖掘的新方法——支持向量機[M].北京：科學出版社，2004

[8] 肖建，于龍，白裔峰.支持向量回歸中核函數(shù)和超參數(shù)選擇方法綜述[J].西南交通大學學報，2008，43（3）：297303.

[9] 單黎黎，張宏軍，張睿，等.基于主導因子法的裝備維修保障人員調(diào)度值預測[J].計算機應(yīng)用，2012，32（8）：23642368.

[10] 彭麗芳，孟志青，姜華，等.基于時間序列的支持向量機在股票預測中的應(yīng)用[J].計算技術(shù)與自動化，2006，25（3）：8891.

[11] 向昌盛，周子英.基于支持向量機的害蟲多維時間序列預測[J].計算機應(yīng)用研究，2010，27（10）：36943697.

[12] 譚征，孫紅霞，王立宏，等.中文評教文本分類模型的研究[J].煙臺大學學報：自然科學與工程版，2012，25（2）：122126.

[13] CHERKASSKY V，MULIER F.Learning from data： concepts，theory and methods[M].NY：JohnViley&Sons，1997.

[14] YONG M，XIAOBO Z，DAOYING P，et al.Parameters selection in gene selection using Gaussian kernel support vector machines by genetic algorithm[J].Journal of zhejiang university science B，2005，6（10）：961973.

[15] 王興玲，李占斌.基于網(wǎng)格搜索的支持向量機核函數(shù)參數(shù)的確定[J].中國海洋大學學報：自然科學版，2005，35（5）：859862.

[16] ITO K，NAKANO R.Optimizing support vector regression hyperparameters based on crossvalidation[C].Proceedings of the International Joint Conference on Neural Networks， 2003：20772082.

[17] HSU C W，CHANG C CLIN C J.LIBSVM：a library for support vector machines[EB/OL].http：//www.csie.ntu.edu.tw/～cjlin/libsvm.

（責任編輯：孫 娟）