[发明专利]一种基于VMD-SVM算法的牛鞭效应弱化方法

权利要求书

1.一种基于VMD-SVM算法的牛鞭效应弱化方法，其特征在于，包括如下步骤：

采集原始需求信号f(t)，所述原始需求信号f(t)为企业取得的一个需求周期中每一个需求时间点的订货量的集合，其中t表示时间；

使用VMD算法将所述原始需求信号拆分为K个特征互异的本征模态函数u_k和噪声余项Noise，u_k表示第k个本征模态函数，其中k＝1,2,…,K；

将K个特征互异的所述本征模态函数u_k相互叠加得到重构信号f^R(t)，使得f^R(t)＝u₁+u₂+…+u_k；

使用SVM算法对所述重构信号f^R(t)进行回归预测，包括如下步骤：

构建样本空间C，使得C＝{C¹,C²}；

其中，C¹＝{f(t),{u₁},{u₂},…,{u_k}}，C²＝{f^R(t),{u₁},{u₂},…,{u_k}}；

对所述样本空间C进行归一化处理；

将所述C¹作为输入输入到所述SVM算法中得到输出的第一预测值，将所述第一预测值的第一列与所述C¹中的f(t)进行比较，得到第一精度；

将所述C²作为输入输入到所述SVM算法中得到输出的第二预测值，将所述第二预测值的第一列与所述C²中的f^R(t)进行比较，得到第二精度；

将所述第一精度与所述第二精度进行比较，并根据比较结果判断弱化效果。

2.如权利要求1所述的一种基于VMD-SVM算法的牛鞭效应弱化方法，其特征在于，对所述SVM算法使用所述样本空间C进行训练，训练所述SVM算法包括如下步骤：

建立SVM算法模型；

使得输入自变量C_J 作为所述SVM算法模型的输入，输出因变量C_O作为所述SVM算法模型的输出；

建立C^j，其中j＝1,2，

其中，m表示所述需求时间点的总数，也是C^j的行数，n为是C^j的列数；

则输入自变量为C_J＝C^j_[1:(m-s)]×n，输出因变量为C_O＝C^j_[(s+1):m]×1，其中s为输入自变量C_J和所述输出因变量C_O之间的需求时间点的个数；

使用输入自变量C_J＝C^j_[1:(m-s)]×n和输出因变量C_O＝C^j_[(s+1):m]×1对所述SVM算法进行训练，得到训练好的SVM算法模型。

3.如权利要求2所述的一种基于VMD-SVM算法的牛鞭效应弱化方法，其特征在于，在分别得到所述第一精度与所述第二精度前，对所述样本空间C进行反归一化处理，取得预测结果使得

4.如权利要求3所述的一种基于VMD-SVM算法的牛鞭效应弱化方法，其特征在于，获取实际需求y_i，分别实际需求y_i和预测结果计算方根误差RMSE、平均绝对百分比误差MAPE以及相关系数平方R²，根据实际需求y_i和预测结果之间的方根误差RMSE、平均绝对百分比误差MAPE以及相关系数平方R²对预测结果的精度进行判断；

其中，

其中，n₀代表需求时间点的个数。