[发明专利]一种基于VMD-SVM算法的牛鞭效应弱化方法

说明书

本发明公开了一种基于VMD‑SVM算法的牛鞭效应弱化方法，首先采集原始需求信号f(t)，所述原始需求信号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；其次，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；最后，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。本发明通过与原始需求信号回归预测的结果相对比，验证了VMD‑SVM牛鞭效应弱化模型能够有效的过滤供应链中各环节产生的需求噪声、提高需求信息传递的精度，对牛鞭效应的弱化及供应链协同效率的提升起到一定的参考价值。

技术领域

本发明涉及智能制造领域，特别涉及一种基于VMD-SVM算法的牛鞭效应弱化方法。

背景技术

随着大数据、物联网为代表的新兴信息技术在工业领域中的不断渗透，使得“智能制造”这一信息化和工业化深度融合的产物成为衡量全球制造业阶段水平的风向标。根据德国机械设备制造业联合会(VDMA)所提供的工业就绪度4.0调研结果显示，企业当前的智能制造能力成熟度普遍处在初级和中级水平，表现为企业有一定的信息化基础，能够实现跨设备、跨系统的数据共享，但无法做到跨企业的信息协同。在该状况下，如何利用现有的技术手段提高供应链的协同效率成为当前供应链管理亟待解决的重要问题。

发明内容

本发明的目的是克服上述现有技术中存在的问题，提供一种基于VMD-SVM算法的牛鞭效应弱化方法，对供应链中的任意供需环节，借助变分模态分解算法(VMD)将随时间推移呈非线性变化的一组初始需求信号拆分为数据特征互异的本征模态函数和噪声余项，在信号降噪重构的基础上，利用支持向量机算法(SVM)将各本征模态函数作为样本属性对重构信号进行回归预测。

为此，本发明提供一种基于VMD-SVM算法的牛鞭效应弱化方法，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。

进一步，在得到重构信号f^R(t)后，使用SVM算法对所述重构信号f^R(t)进行回归预测。

更进一步，在使用SVM算法对所述重构信号f^R(t)进行回归预测的时候，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；