ob体育注册

办事热线: 13472705338
消息中间 news center

ob体育注册:前进仓储举措措施节能减排机能的切磋...

跟着经济的成长, 社会的前进, 构建协调社会已经是人类配合的寻求。国度当令地把节能减排方针参加“十一五”成长打算, 是...
接洽咱们 contact us
消息中间
您以后的地位:ob体育注册 > 消息中间 > 基于粒度计较与恍惚规...

基于粒度计较与恍惚法则的钢卷仓储吞吐量持久展望

信息来历: 宣布时候:2020-12-04 点击数:

0 弁言

为了前进钢铁物流的运输效力,防止呈现聚积和空置的景象,有须要对钢卷仓储吞吐量停止展望。时候序列是按时候摆列、随时候变更且彼此接洽干系的数据,因其持续性可以或许或许对汗青数据停止建模阐发,完成对将来数据的展望。今朝,吞吐量展望操纵较为普遍的体例是时候序列法和神经收集。

文献[1]将恍惚信息粒化现实用于晋升时序展望框架的效力和精度,为处置恍惚性题目供给了一种处置思绪。文献[2]经由进程阐发与口岸货色吞吐量相干的多种身分,构建多元回归方程,成立ARIMA模子对青岛港将来10年货色吞吐量停止了展望;文献[3]针对口岸集装箱吞吐量数据非线性的特色,操纵ARIMA模子展望10个月后的吞吐量数据;文献[4]操纵经历模态阐发(empirical mode decomposition,EMD)算法和SARIMA算法将时候序列分化,连系(support vector regression,SVR)算法对差别的份量停止展望,再将份量相加取得终究的展望值,为吞吐量的展望供给了新的处置思绪;文献[5]经由进程SARIMA和野生精力收集(atificial neural networks,ANNs)模子将口岸吞吐量数据分为线性和非线性局部停止展望,经由进程夹杂模子完成对吞吐量的展望;文献[6]成立基于时候序列的口岸货色吞吐量狭义回归神经收集展望模子,完成对口岸货色吞吐量的阐发和展望,将小波神经收集初次操纵于口岸集装箱吞吐量展望。

在基于数据的持久展望方面,文献[7]操纵径向基函数神经收集停止风速持久展望,并别离阐发了其线性和非线性情势;文献[8]中机关了一种连系恍惚集、遗传算法和最小二乘撑持向量机的夹杂模子,用于持久贸易周期展望。上述文献中的体例多操纵以年和季为根基单元的数据,数据量小且简略,纪律性强,其计较取得的数据亦为年或季度数据且单点展望轻易构成迭代偏差,没法为打算供给详细指点。粒度计较和恍惚法则的类似推理机制可以或许或许很好地处置庞杂数据及大批非周期性数据的展望题目,且对数据粒的运算可以或许或许削减运算时候及迭代偏差的影响[9,10]

针对钢卷吞吐量数据量大、纪律性小且受多种身分影响的特色,本文提出基于粒度计较和恍惚法则的展望体例。该模子包罗时候序列分化、粒度别离及恍惚推理三个步骤,经由进程时序分化模子将原始序列分化并别离数据粒,操纵恍惚法则展望取得下一数据粒,并不时迭代完成吞吐量的持久展望[11,12]

1 相干现实

1.1 粒度计较

粒度计较首要用于处置不肯定的、恍惚的、不完全和大批的数据,是对阐发处置题目时操纵粒度的任何现实、体例、手艺的归纳综合性描写[13]。差别于其余体例是以单个数据点为根基单元停止建模阐发,粒度计较是以多个数据点构成的数据粒、区间值等粒度元素为根基阐发单元,可以或许或许有用地削减迭代偏差。

对给按时候序列x={x1,x2,…,xn},可以或许或许将其别离为K段长度为L的子序列{D1,D2,…,DK}。经由进程设置L的巨细,可以或许或许取得包罗差别数据点的数据粒。

Dk(L)={x ((k-1) L+1),x ((k-1) L+2),…,x(k L)},k=1,2,…;Dk(L)为一个数据粒。别离进程如图1所示。

图1 数据粒别离  下载原图


1.2 时候序列分化模子

时候序列是统一景象在差别时候上的持续察看值摆列而成的序列。经常操纵的时候序列分化模子有加法模子和乘法模子[7,14]。时候序列Y可以或许或许表现为由Trend,Seasonal和Residual三个身分的函数即:yt=f(Tt,St,Rt)。

设yt是加法模子,则有yt=Tt+St+Rt,此中,yt,Tt,St,Rt别离为时候序列原始值、持久趋向、季候变更和残差。

类似地,乘法模子为:yt=Tt×St×Rt

典范的时候序列分化法假定周期性成份在每一个周期内都是不异的,操纵挪动均匀法分手持久趋向。M阶挪动均匀法公式(m-MA)为

 


式中m=2k+1,为时辰t的挪动均匀的值为前向k个值和后向k个值的均值。

时候序列加法模子分化算法步骤为:1)利用m阶挪动均匀法分手持久趋向,取得趋向序列T(t)。若m为偶数,则用2m-MA,若m为奇数,则用m-MA来计较时候序列的趋向成份T(t);2)计较分手趋向后的时候序列D(t)=y(t)-T(t);3)对统一周期的数据取均值取得周期成份,并对周期性成份拓展到D(t)的长度,即取得D(t)的一切周期性成份,记为S(t);4)将时候序列的T(t),S(t)分化出来后,残剩的即为残差成份,即R(t)=Y(t)-T(t)-S(t)。

1.3 恍惚法则及推理

相邻时候序列的观察值之间具备依靠性,为了阐发数据之间的干系,须要对别离后的数据粒停止聚类阐发[15]。本文接纳恍惚C均值算法停止别离后的数据粒停止聚类,取得最优别离矩阵和聚类中间,从而为持久展望奠基根本。FCM算法为求下式所示的最优化题目

 


式中uij为第j个粒子对i个类的附属度,1<c<N为分类数。m>1为恍惚系数,dij为第j个粒子与第i类聚类中间的间隔,取欧氏间隔。经由进程Lagrange乘子法可以或许或许解得恍惚聚类中间和恍惚附属度的计较公式,如式(4),式(5)所示

 


式中n为单个数据粒长度,Dkj为多个数据点所构成的信息粒。

详细算法迭代进程为:1)给定原始数据,分类数K(1<K<N),恍惚系数m(m>1)和许可偏差E(E>0);2)随机初始化聚类中间Vij,并计较附属度矩阵Uij;3)计较持续2次迭代的方针函数Q,若差值大于预设偏差E,则反复计较聚类中间及附属度矩阵。不然,停止算法,以后的U,V即为最优附属度矩阵和聚类中间矩阵,按照最大附属度肯定数据所属种别。

恍惚推理是按照汗青数据的种别环境来决议待展望粒子,即按照前n个汗青状况的数据粒可以或许或许推出下一个状况的数据粒,即

 


式中Dk-n,Dk-n+1,…,Dk-1为前n个时辰的数据粒,Dk为下临时辰的数据粒。基于上述的逻辑干系,本文斟酌三阶恍惚逻辑干系,情势为:

Rr:若是Dk-3属于Ck-3,Dk-2属于Ck-2,Dk-1属于Ck-1,则Dk属于Ck

Ck-3,Ck-2,Ck-1,Ck别离为输入和输入数据粒的所属种别。由此,可以或许或许在数据集上对每一个数据粒成立上述法则,并成立起由N-3条法则构成的恍惚法则库。即:

R1:若是Dk-3属于Ci1.1,Dt-2属于Ci1.2,Dk-1属于Ci1.3,则Dk属于Cj1

R2:若是Dk-3属于Ci2.1,Dt-2属于Ci2.2,Dk-1属于Ci2.3,则Dk属于Cj2

 


RN:若是Dk-3属于Ci3.1,Dt-2属于Ci3.2,Dk-1属于Ci3.3,则Dk属于Cj3

按照待展望粒子前:3个状况的数据粒Dk-3,Dk-2和Dk-1的所属种别,在恍惚法则库中寻觅分歧的法则,记实大都法则对应的输入Dk,以Dk所属种别的聚类中间作为待展望数据粒的终究展望成果。恍惚推理进程图如图2所示。

图2 恍惚推理进程  下载原图


2 基于粒度计较和恍惚法则的持久展望模子

本文基于粒度计较和恍惚法则的类似推理机制,以恍惚类似解去取代相对切确解,躲避迭代偏差,完成持久展望。初始阶段将处置后的数据操纵时候序列分化模子分化为Trend,Seadonal,Residual三个构成局部,以7天的数据作为一个数据粒别离停止粒度别离,并别离停止恍惚聚类,成立3个恍惚法则库,按照恍惚法则取得3个展望值,将三局部的展望值相加作为终究展望值。经由进程轮回迭代完成持久展望并操纵测试集停止考证。模子全体计划如图3所示。详细完成步骤以下:

1)数据预处置,将原始数据重采样取得天天的吞吐量数据,将数据分为练习集和测试集;

2)对数据停止安稳性查验后,操纵时候序列分化将数据分化为3个构成局部,并停止粒度别离;

3)将取得的数据粒序列停止恍惚聚类,别离成立恍惚法则库;

4)按照恍惚法则停止展望,取得待展望数据粒所属种别,以所属种别的聚类中间作为待展望数据粒的展望值;

5)将三局部展望值相加,取得终究的展望;

6)迭代运算完成持久展望。

图3 建模进程全体框图  下载原图


3 实例考证

3.1 数据预处置

本文接纳某钢铁物流园区2014年~2018年的吞吐量数据,疏忽节沐日和气候等身分的影响。原始数据散布在天天差别的时候段且初期数据缺失严峻,若间接停止建模会严峻影响对时候序列的分化,须要对数据停止重采样并且删除缺失数据严峻的时候段。是以,本文拔取2014年6月2日~2018年1月28日的吞吐量数据停止展望,对预处置后的时候序列停止安稳性查验。查验成果如图4(a)所示。自相干系数持久大于零,申明序列间具备持久相干性;其单元根查验统计量对应的p值大于0.05,以是,原始序列为非安稳序列如图4(b)。

图4 原始数据时序与原始序列自相干  下载原图


3.2 时候序列分化与恍惚法则

尝试将2014年6月2日~2017年12月31日的吞吐量数据停止分化,取得分化后的三局部的数据,对其停止粒度别离及恍惚聚类,成立恍惚法则。恍惚聚类参数设置为:迭代次数MAX_ITER=100,恍惚系数m=2。

别离对分化后的数据停止恍惚聚类,Trend数据聚类个数为4,Residual数据聚类个数为3,取得每一个粒子的所属种别,聚类成果图如图5所示。由上文可得三阶恍惚逻辑干系及恍惚法则库,按照待展望粒子的前3个数据粒种别及其对应干系便可完成对下一粒子的展望。

图5 原始序列与分化序列  下载原图


3.3 尝试成果及阐发

本文接纳均匀相对偏差(mean-absolute-error)作为模子评估规范,y为现实值,为展望值,N为展望成果的个数,N=1,2,3,…,MAE的值越小,申明展望模子的切确度越高。

以2014年6月9日~2017年12月31日统共1 302个数据作为练习数据对模子停止练习,以2018年1月1日~2018年1月28日共28个数据作为测试数据。考证了模子对钢卷吞吐量持久展望的有用性。操纵ARIMA模子对数据停止建模测试,与本文模子停止对照阐发标明,本文模子切确度要优于ARIMA模子,且持久吞吐量展望精度衰减速率要优于ARIMA模子,如图6和表1所示。

图6 模子展望值与原始值对照  下载原图


  

表1 建模体例偏差对照  下载原图



4 竣事语

钢卷吞吐量数据庞杂且不具备周期性,使得对数据请求高的典范时候序列展望精度不够,且接纳单个数据点迭代展望的体例会使得展望偏差不时扩展,仅具备较好的短时间展望精度,没法保证持久展望的切确性。基于粒度计较与恍惚法则的持久展望模子经由进程将原始数据别离为数据粒,经由进程汗青数据成立恍惚逻辑干系,完成对钢卷吞吐量的展望,下降了对数据的依靠性,躲避了单个数据点展望的迭代偏差,使得持久展望可以或许或许完成。本文对钢卷吞吐量有了较为切确的持久展望,使钢铁物流企业领会将来的吞吐量变更,提早停止库位分派和设备筹办,前进了物流效力、下降了运转本钱。

上海阳合仓储办理
官方二维码

版权一切©:阳合仓储 公司地点:上海市嘉定区南翔嘉美路428号 接洽德律风:134-7270-5338 

OB体育app注册|OB体育|官方 ob视讯-ob体育注册 OB体育_OB sports官网 滚球|体育|官网 bat365手机版app|官方网站