[发明专利]一种基于加权朴素贝叶斯算法的物流需求预测方法

说明书

技术领域

本发明涉及一种基于加权朴素贝叶斯算法的物流需求预测方法，属于物流工程模拟的技术领域。

背景技术

物流业在快速发展、物流需求迅速增长的同时，物流规划的一些弊端也逐渐显现。传统的物流设施跟不上城市多样化的需求，缺乏系统性、协调性和前瞻性，物流基础设施重复且不均衡，导致物流业供需不平衡。导致这样的问题，很大一部分原因是因为在物流分析与预测方面很少有实际可行的方法来实现，从而无法对各类新型物流业态的需求空间进行合理应对和引导。

为了解现有技术的发展状况，对已有的论文和专利进行了检索、比较和分析，筛选出如下与本发明相关度比较高的技术信息：

如在专利号为CN104766193A的《低干线物流运输需求预测方法》专利中，该发明公开了一种干线物流运输需求预测方法，其包括有以下步骤：1)获取目标时间之前的多个时间节点内的运输参数，运输参数包括有运输里程、运输时间以及运输价格；2)对步骤1)中的多个时间节点内的运输参数依次赋予参照权数，其中，每一个时间节点内运输参数的参照权数的大小随时间节点与目标时间之间的间隔增加而减小；3)基于多个时间节点的运输参数及其参照权数，对目标时间的运输需求进行预测处理；采用上述技术方案的干线物流运输需求预测方法，其可通过对于目标时间之前的多个时间节点的综合分析，形成数据模型对于目标时间的运输需求进行预测，可有效降低人为因素对于预测过程的不定性影响，从而有效改善了预测的精度。

而在另外一名称为一条主线物流运输需求预测方法的文献中，该方法首先在目标时间之前在多个时间节点获取运输参数，其中运输参数包括运输里程，运输时间和运输价格；其次，使用参考权重顺序地赋予第一步中的时间节点中的传送参数，其中每个时间节点中的传输参数的参考权重的值减小，同时时间节点与目标时间之间的间隔增加；第三，根据时间节点的运输参数和运输参数的参考权重来预测目标时间的运输需求。由于采用技术方案，通过主线物流运输需求预测方法，通过对目标时间之前的时间节点进行综合分析，形成目标时间的运输需求预测数据模型，可以有效降低人为因素对预测过程的不确定影响，有效提高预测精度。

尽管如此，现有的预测方法在预测中无法考虑数据属性不全和电商平台不定期的促销活动如天猫双十一等可能影响物流资源分配而对预测结果造成影响，且无法在预测中兼顾各个属性之间独立性要求高的问题，使得预测的准确率降低。

发明内容

本发明所要解决的技术问题在于克服现有技术的不足，提供一种基于加权朴素贝叶斯算法的物流需求预测方法，解决现有方法无法考虑数据属性不全和电商平台不定期的促销活动影响物流资源分配而对预测结果造成影响，且无法在预测中兼顾各个属性之间独立性要求高的问题，通过基于粒子群优化的加权朴素贝叶斯算法进行分类预测，提高预测准确率。

本发明具体采用以下技术方案解决上述技术问题：

一种基于加权朴素贝叶斯算法的物流需求预测方法,包括以下步骤：

步骤1、对含有属性和类标号属性的训练数据预处理；

步骤2、利用加权朴素贝叶斯算法对步骤1预处理后的训练数据计算获得每个属性值的先验概率和后验概率；

步骤3、随机初始化粒子群的位置和速度，获得每个粒子的历史最优位置和全局最优粒子值；

步骤4、利用粒子群优化算法对训练数据搜索得到数据所属属性的权值，并由每个粒子对训练数据进行分类预测，计算分类的正确率作为每个粒子的适应值；设置的粒子群迭代次数，对每个粒子的适应值及历史最优位置进行迭代，当每个粒子当前位置大于每个粒子的历史最优位置时，更新每个粒子的的历史最优位置为当前位置；当每个粒子的适应值大于全局最优粒子值时，更新该每个粒子的适应值作为全局最优粒子值，并根据该全局最优粒子值对每个粒子的速度更新，并确定最终权值以构建得到预测模型；

步骤5、利用步骤4构建的预测模型对选定时间内的物流数据进行预测，获得选定时间内的物流数据所对应的类标号属性。

本发明采用上述技术方案，能产生如下技术效果：

本发明提出一种基于加权朴素贝叶斯算法的物流需求预测方法，通过改进的粒子群算法为物流资源的各个属性添加权值，再通过加权朴素贝叶斯算法根据各个属性的权值进行分类预测。本发明通过改进的粒子群算法和加权朴素贝叶斯算法，使用改进的粒子群优化算法利用了粒子群算法简单且搜索速度快的优点，同时也解决了普通粒子群算法容易陷入局部最优的问题；使用加权朴素贝叶斯算法利用了朴素贝叶斯算法稳定的分类预测效率，同时也解决了其各个属性之间独立性要求高的问题。