基于多类支持向量机的多准则库存分类研究.pdf

http://www.paper.edu.cn基于多类支持向量机的多准则库存分类研究1肖智王明恺谢林林重庆大学经济与工商管理学院（400030）E-mail:[e-mail]摘要：本文将多类支持向量机方法引入到多准则库存分类中提出了一种可以较为准确地预测库存产品类别的方法。这种方法的优点是模型中的参数较少对于样本数据的分布和数量要求并不严格并且能够寻找到全局最优解。给出了多类支持向量机的训练和测试流程。实例研究中通过对不同总体样本分割比率进行了多组实验寻找到泛化能力最好的一组来训练分类器得到了最优的参数解。将预测结果与BP神经网络方法得到的结果进行了比较表明了基于多类支持向量机的多准则库存分类预测方法可以得到更高的预测准确率反映了将多类支持向量机方法应用在库存分类领域是可行的、有效的。关键词：多类支持向量机；多准则；库存管理；ABC分类1.引言ABC分类法是目前库存控制中应用最为广泛的一种库存分类方法它的主要思想是重点管理少数价值高的物品常采用以库存中单个品种的年库存资金使用量占整个库存资金的累计百分比进行排序。通常将项目排序前20%的库存品种划分为A类控制年库存资金总使用量的80%；项目排序后50-60%构成C类占用很少的库存资金；而两类之间的即为B类。一般地对于A类进行紧缩的管理控制而对于C类的控制相对较松一些B类的控制处于它们之间。传统的ABC分类法仅仅考虑了单一的准则——年库存资金使用量由于该方法简单易于实施使其在企业中得到了广泛的运用。但是在今天多变的市场环境下由于其只考虑了单一分类准则会引发许多问题例如提前期较长的C类产品和易于变质的A类产品对生产的干扰或者占有较大的库存量都可能会带来经济上的损失。近年来国内外许多学者针对传统的单准则ABC分类法的弊端提出了多准则ABC分类法考虑了更多的分类准则：提前期、订购需求、产品价格、订货费用、紧急程度、缺货的影响程度以及产品报废率等。当前被国内外学者广泛研究的多准则ABC分类方法有层次分析法[1-3]、模糊聚类[4]以及神经网络法[5-7]等。然而这些预测方法本身存在一定的局限性。运用层次分析法（AHP）方法时需要大量的经验知识对于主观判定依赖程度大并且经常会产生判断矩阵的不一致性；模糊聚类（FCM）本质上是一种局部搜索优化算法如果初始值选择不当它就会收敛到局部极小点上；神经网络方法被文献[5]和文献[6]证实比AHP或者多元判别分析具有更高的分类准确率但是它要求大量训练样本输入节点也不能过多同时易于陷入局部极小具有过度适应数据的倾向可能导致模型应用于新数据时迅速恶化并且难以获得易于解释的输出结果。1本课题得到重庆市自然基金(CSTC.2004BB2183)资助。-1-http://www.paper.edu.cn支持向量机是最近发展起来的神经网络技术但是它基于的是结构风险最小化原理而不是经验风险最小化原理避免了人工神经网络方法的过学习现象能较好地解决非线性、小样本以及局部极小等学习问题。由于其出色的学习性能已成为机器学习界的研究热点之一它在分类以及回归等领域获得了良好的应用[8][9]。基于以上分析本文提出了基于多类支持向量机的多准则库存产品分类方法并且将实例结果与其他方法进行对比分析以验证多类支持向量机方法在库存控制领域中的应用效果。2.多类支持向量机模型2.1基本的二类支持向量机支持向量机（SupoortVectorMachinesSVM）是建立在统计学习理论(SLT)的VC维理论和结构风险最小化原理基础上的根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷以期获得最好的推广能力[10]。SVM方法的基本思想是：基于1909年Mercer核展开定理通过非线性映射φ把样本空间映射到一个高维乃至于无穷维的特征空间（又称Hilbert空间）使在特征空