劉璐　丁福利　孫立民

摘 要：煙草銷售量預(yù)測(cè)能為煙草生產(chǎn)、運(yùn)輸、配送提供指導(dǎo)，使煙草行業(yè)能更好地適應(yīng)市場(chǎng)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(jìn)行準(zhǔn)確的預(yù)測(cè)。基于支持向量機(jī)建立煙草銷售量的多維時(shí)間序列模型，實(shí)驗(yàn)結(jié)果表明，該模型具有較高的預(yù)測(cè)精度，能夠準(zhǔn)確地反映煙草銷售量的變化趨勢(shì)。對(duì)比實(shí)驗(yàn)也表明，所提出的方法比其它幾種方法預(yù)測(cè)精度高，可以為煙草行業(yè)的銷售管理提供科學(xué)依據(jù)，具有實(shí)用價(jià)值。

關(guān)鍵詞：煙草銷售量預(yù)測(cè)；支持向量機(jī)；多維時(shí)間序列

DOIDOI：10.11907/rjdk.162026

中圖分類號(hào)：TP319

文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)文章編號(hào)：16727800（2016）011013403

0 引言

中國(guó)是世界上最大的煙草生產(chǎn)國(guó)和消費(fèi)國(guó)[1]。煙草銷售是煙草行業(yè)管理中最為關(guān)鍵的部分，準(zhǔn)確的煙草銷售預(yù)測(cè)能為煙草生產(chǎn)、運(yùn)輸、配送提供指導(dǎo)，而要進(jìn)行準(zhǔn)確的煙草銷售預(yù)測(cè)必須找到合適的預(yù)測(cè)方法。因此，如何設(shè)計(jì)高精度的煙草銷售預(yù)測(cè)方法是煙草行業(yè)管理的重要課題。

傳統(tǒng)煙草銷售量預(yù)測(cè)方法的研究主要集中在對(duì)煙草零售經(jīng)營(yíng)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(yù)測(cè)方法[2]。這種人工預(yù)測(cè)方法業(yè)務(wù)流程較多，浪費(fèi)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(chǎng)需求。從機(jī)器學(xué)習(xí)的角度上看，煙草銷售量的預(yù)測(cè)屬于回歸問題[3]，而回歸包括線性回歸和非線性回歸。文獻(xiàn)[4]在對(duì)煙草銷售量數(shù)據(jù)進(jìn)行分析的基礎(chǔ)上，提出了一種線性預(yù)測(cè)模型，但由于煙草銷售量受季節(jié)、人口、市場(chǎng)、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(jìn)行預(yù)測(cè)。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(jī)（SVM）。文獻(xiàn)[5]基于BP神經(jīng)網(wǎng)絡(luò)對(duì)煙草銷售量進(jìn)行建模并預(yù)測(cè)，而神經(jīng)網(wǎng)絡(luò)是基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化，不僅泛化能力較差，而且存在局部極小點(diǎn)問題[6]，因此神經(jīng)網(wǎng)絡(luò)雖然對(duì)原始數(shù)據(jù)的擬合能力較強(qiáng)，但對(duì)未來數(shù)據(jù)的推廣能力較差，而對(duì)未來數(shù)據(jù)的推廣能力往往更能反映學(xué)習(xí)機(jī)器的實(shí)用價(jià)值。支持向量機(jī)基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化，泛化能力強(qiáng)且預(yù)測(cè)精度高。因此，本文采用支持向量機(jī)方法對(duì)煙草銷售量進(jìn)行建模預(yù)測(cè)。

1 支持向量回歸機(jī)

2 預(yù)測(cè)方法

2.1 數(shù)據(jù)預(yù)處理

本文收集到了云煙品牌一個(gè)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(cāng)庫(kù)編號(hào)、發(fā)票信息、審核人信息等，其中對(duì)銷售量預(yù)測(cè)影響最大的是銷售日期及對(duì)應(yīng)的銷售量。由于中國(guó)的香煙銷售對(duì)陰歷呈現(xiàn)出更強(qiáng)的規(guī)律性，因此將銷售統(tǒng)計(jì)數(shù)據(jù)轉(zhuǎn)換為以陰歷月為標(biāo)準(zhǔn)。

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?xì)w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(yù)測(cè)屬于經(jīng)濟(jì)預(yù)測(cè)，因此它不僅與當(dāng)前日期有關(guān)，更與之前的銷售信息有關(guān)。為確定當(dāng)前銷售量與前多少個(gè)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(gè)樣本為{yi，yeari，monthi}，yi為第i個(gè)樣本中的煙草銷售量，yeari為當(dāng)前年份，monthi為當(dāng)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(zhǔn)確地得到自變量和因變量的函數(shù)依賴關(guān)系。當(dāng)階數(shù)為n時(shí)，表示將前n個(gè)樣本中的信息添加到當(dāng)前樣本中的自變量中。即用前n個(gè)月的銷售信息和當(dāng)前年月來預(yù)測(cè)當(dāng)前銷售量。此時(shí)，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(jìn)行拓階，模型每拓一階，自變量相應(yīng)地增加 3個(gè)。對(duì)于每一次的拓階，以MSE最小為標(biāo)準(zhǔn)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(jìn)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(duì)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(dāng)訓(xùn)練模型確定后，通過支持向量回歸機(jī)進(jìn)行預(yù)測(cè)。由于徑向基核函數(shù)的準(zhǔn)確率較高，并且大多數(shù)SVM默認(rèn)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(shí)驗(yàn)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(xùn)練樣本，以2011年1-10月的銷售量數(shù)據(jù)為測(cè)試樣本。在本文算法實(shí)現(xiàn)過程中，實(shí)驗(yàn)環(huán)境配置如表2所示。

4 結(jié)語(yǔ)

通過預(yù)測(cè)煙草銷售量可以提前了解煙草的銷售動(dòng)態(tài)，為煙草物流、倉(cāng)儲(chǔ)等部門提供決策依據(jù)。本文基于支持向量機(jī)建立煙草銷售預(yù)測(cè)的多維時(shí)間序列模型。實(shí)驗(yàn)證明，根據(jù)本文方法建立的模型所預(yù)測(cè)的結(jié)果與實(shí)際結(jié)果基本一致，能夠比較準(zhǔn)確地反映煙草銷售量的變化趨勢(shì)。對(duì)比實(shí)驗(yàn)也證明，與其它幾種方法相比，本文方法預(yù)測(cè)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(shí)際煙草銷售量預(yù)測(cè)中。

參考文獻(xiàn)：

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

[2] 利普·科特勒，洪瑞云，梁紹明，等.市場(chǎng)營(yíng)銷管理 [M].亞洲版·2版.北京：中國(guó)人民大學(xué)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(jì)算機(jī)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(yù)測(cè)研究[J].內(nèi)蒙古科技與經(jīng)濟(jì)，2012（21）：3335.

[5] 仲東亭，張玥.BP神經(jīng)網(wǎng)絡(luò)對(duì)煙草銷售量預(yù)測(cè)方法的改進(jìn)研究[J].工業(yè)技術(shù)經(jīng)濟(jì)，2007，26（9）：115118.

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

[7] 鄧乃揚(yáng)，田英杰.數(shù)據(jù)挖掘的新方法——支持向量機(jī)[M].北京：科學(xué)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(xué)學(xué)報(bào)，2008，43（3）：297303.

[9] 單黎黎，張宏軍，張睿，等.基于主導(dǎo)因子法的裝備維修保障人員調(diào)度值預(yù)測(cè)[J].計(jì)算機(jī)應(yīng)用，2012，32（8）：23642368.

[10] 彭麗芳，孟志青，姜華，等.基于時(shí)間序列的支持向量機(jī)在股票預(yù)測(cè)中的應(yīng)用[J].計(jì)算技術(shù)與自動(dòng)化，2006，25（3）：8891.

[11] 向昌盛，周子英.基于支持向量機(jī)的害蟲多維時(shí)間序列預(yù)測(cè)[J].計(jì)算機(jī)應(yīng)用研究，2010，27（10）：36943697.

[12] 譚征，孫紅霞，王立宏，等.中文評(píng)教文本分類模型的研究[J].煙臺(tái)大學(xué)學(xué)報(bào)：自然科學(xué)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(jī)核函數(shù)參數(shù)的確定[J].中國(guó)海洋大學(xué)學(xué)報(bào)：自然科學(xué)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(zé)任編輯：孫 娟）