毛媛媛 張東 華小草 胡海洋 徐壯壯

【摘? ?要】 生鮮農(nóng)產(chǎn)品的損失預測對我國的農(nóng)業(yè)生產(chǎn)和應急處理具有重要的意義，本論文在考慮自然災害風險如：多旱、澇、風、雹、霜凍等農(nóng)業(yè)氣象災害的條件下，構(gòu)建了基于網(wǎng)格搜索的支持向量機（Support vector machine，SVM ）生鮮農(nóng)產(chǎn)品損失預測模型。對多項指標進行預測。選取1999年-2015年的河南受災數(shù)據(jù)作為研究樣本，結(jié)果驗證了基于網(wǎng)格搜索的支持向量機損失預測模型在生鮮農(nóng)產(chǎn)品損失預估上的合理性和有效性。

【關(guān)鍵詞】 支持向量機;網(wǎng)格搜索;生鮮農(nóng)產(chǎn)品;損失;預估模型

中圖分類號：S-9? ? ? ? ? ? ? ?文獻識別碼：A? ? ? ? ? ? ? ?文章編號：2096-1073（2020）01-0047-50

1? 引言

我國是自然災害多發(fā)的國家，據(jù)統(tǒng)計，2017年各種自然災害共造成我國14448.0萬人次受災，直接經(jīng)濟損失3018.7億元。多旱、澇、風、雹、霜凍等農(nóng)業(yè)氣象災害對生鮮農(nóng)產(chǎn)品的生產(chǎn)造成了極大的影響。因此對生鮮農(nóng)產(chǎn)品的生產(chǎn)風險進行分析和評估對維持我國生產(chǎn)及社會穩(wěn)定有著重大的意義。H.S.Kim[1]等將SVM模型應用于中小企業(yè)的違約情況預測，支持向量機模型的回歸模型更優(yōu)。Ahmed K.Abbas[2]等運用支持向量機方法構(gòu)建模型應用于預測井漏事故，支持向量機方法的應用前景更加廣闊。Zhitong Ma[3]等提出了SVM預測我國建筑能耗的方法。Yahia等[4]用神經(jīng)網(wǎng)絡的方法構(gòu)建了冷鏈物流需求預測模型。徐歆，嚴洪森等[5]采用了支持向量機和徑向基函數(shù)核支持向量機建立了產(chǎn)品銷售預測模型。Hou和Gao[6]采用了網(wǎng)格搜索（GS）算法優(yōu)化SVM參數(shù)精度更高。張文雅等[7]將網(wǎng)格搜索優(yōu)化支持向量機的方法應用于適合汽車銷售預測。繆蕓，繆翼軍等[8]將SVM應用于變壓器風險評估模型。汪海燕，黎建輝，楊風雷等[9]肯定了SVM在應用領(lǐng)域的優(yōu)勢。王健峰，張磊等[10]在分析多種算法SVM參數(shù)優(yōu)化方面的利弊，提出了新的網(wǎng)格法。

從以上文獻分析可知，支持向量機在理論和性能上優(yōu)勢明顯[11]它找到的最優(yōu)解并非局部最小值而是全局最優(yōu)值，在多個領(lǐng)域均有其應用成果[12-15]采用網(wǎng)格搜索法進行參數(shù)尋優(yōu)可以得到更為全面準確的參數(shù)值[16-17]。以往的學者們鮮少將網(wǎng)格搜索優(yōu)化支持向量機的方法應用于生鮮農(nóng)產(chǎn)品損失評估中。因此，本論文在考慮自然災害風險的條件下，研究生鮮農(nóng)產(chǎn)品在自然災害風險下的產(chǎn)量損失問題[18]。

2? 基于支持向量機的生鮮農(nóng)產(chǎn)品損失模型

SVM是由V.N.Vapnik和A.Y. Lerner在1963年提出的一種機器學習方法[19]。隨著模式識別等技術(shù)的不斷發(fā)展，SVM模型得到了優(yōu)化和完善，目前被逐步應用于各種災情的風險預測上。

2.1? 支持向量機模型

為分析問題方便，對模型做出以下假設(shè);

通常SVM用來解決分類問題對于一般線性回歸問題：

對于線性不可分回歸問題：

引入核函數(shù)：

本研究采用的是徑向基核函數(shù)（Radial Basis Function簡稱RBF）。

2.2? 實例分析

實例見表1。

本研究采用的數(shù)據(jù)來源于國家統(tǒng)計局以及中國統(tǒng)計年鑒。選取的樣本數(shù)據(jù)為1999-2015河南省生鮮蔬菜的產(chǎn)量，單位面積產(chǎn)量，受災面積，成災面積等各項指標。

在python語言中，選用徑向核函數(shù)分別對蔬菜產(chǎn)量，蔬菜單位面積產(chǎn)量，蔬菜受災面積，蔬菜成災面積做出預測，如圖1-4。對四種屬性預測的結(jié)果誤差值如表2。

由圖1可知，本論文所構(gòu)建模型對蔬菜產(chǎn)量預估曲線與實際樣本曲線趨勢基本一致，但1999年，2000年，2001年以及2003年的樣本實際值均小于預測值，2014年及2015年的實際值大于預測值。由圖2可知，對于單位面積產(chǎn)量而言，2000年的樣本實際值大于預測值。由圖3可知，對于受災面積而言，2002年，2009年的樣本實際值大于預測值，但2008年，2015年的樣本實際值小于預測值。由圖4可知，對于成災面積而言，2002年，2005年的樣本實際值大于預測值，但2015年的樣本實際值小于預測值。

四種樣本屬性中對蔬菜產(chǎn)量預測精度最高的原因可能是：①本研究只選取了四種屬性，這四種屬性與蔬菜的產(chǎn)量相關(guān)性更強。②未選取經(jīng)濟屬性，社會屬性，人文屬性等分析其對生鮮農(nóng)產(chǎn)品生產(chǎn)風險損失的影響。③自然災害在時間維度中具有高度的不確定性和不規(guī)律性。

3? 總結(jié)

本研究考慮自然災害風險如：多風、雹、旱、澇、霜凍等農(nóng)業(yè)氣象災害的條件下，構(gòu)建了基于網(wǎng)格搜索的SVM生鮮農(nóng)產(chǎn)品損失預測模型。并以河南省為例，研究的結(jié)果表明，選用徑向核函數(shù)的SVM預測模型適合生鮮農(nóng)產(chǎn)品損失預測，其中對于產(chǎn)量的預測更為準確。并且當災情較輕時，此模型可以對受災面積以及成災面積做出較好的預測。在后期研究中應多考慮經(jīng)濟屬性以及社會屬性以及人文屬性的影響從而提高模型的精度和預測的準確性。

參考文獻：

[1] H.S.Kim ， S.Y.Sohn. Support vector machines for default predic-tion of SMEs based on technology.credit[J].European Journal of?Operational Research， 2010，201（3）：838-846.

[2] A. K. Abbas， N. A. Al-haideri，A. A. Bashikh. Implementing arti-ficial neural networks and support vector machines to predict lostcirculation[J].Egyptian Journal of Petroleum，2019.

[3] Z.Ma， C.Ye， H.Li ，W.Ma， Applying support vector machines to predict building energy consumption in China[J]. Energy Proce-dia，2018 ，152：780-786.

[4] E.M .Yahia， Cold chain development and challenges in the de-veloping world[J]. Acta Horticulturae ，2010，（877）：127-132.

[5] 王寧， 謝敏，鄧佳梁，等.基于支持向量機回歸組合模型的中長期降溫負荷預測[J].電力系統(tǒng)保護與控制，2016，44（3）：92-97.

[6] Gao X， Hou J. An improved SVM integrated GS-PCA fault diag-nosis approach of Tennessee Eastman? ?process[J]. Neurocom- puting， 2016， 174： 906-911.

[7] 張文雅，范雨強，韓 華，等.基于交叉驗證網(wǎng)格尋優(yōu)支持向量機的產(chǎn)品銷售預測[J].計算機系統(tǒng)應用，2019，28（5）：1-9.

[8] 繆蕓，繆翼軍，陳紅坤，等.基于模糊層次分析法與支持向量機的變壓器風險評估[J].現(xiàn)代 電力，2014，31（6）：64-69.

[9] 汪海燕，黎建輝，楊風雷.支持向量機理論及算法研究綜述[J].計算機應用研究，2014，31（5）：1281-1286.

[10] 王健峰，張 磊，陳國興，等.基于改進的網(wǎng)格搜索法的SVM參數(shù)優(yōu)化[J].應用科技，2012，3：28-31.

[11] 張學工.關(guān)于統(tǒng)計學習理論與支持向量機[J].自動化學報，2000，26（1）：32-42.

[12] G.Najafi， B.Ghobadian， A.Moosavian .SVM and ANFIS for pre-diction of performance and exhaust emissions of a SI engine with gasoline-ethanol blended fuels[J]. Applied Thermal Engi-neering， 2016， 95： 186-203.

[13] 辜麗瓊，宋祖康，楊陽.基于改進支持向量機模型的交通擁堵情況預測[J].軟件導刊，2019，（7）：37-41.

[14] 李飛，蔣敏蘭.基于支持向量機回歸的蛋雞產(chǎn)蛋率預測模型[J].江蘇農(nóng)業(yè)科學，2019，47（13）：249-252.

[15] 李曉東，席升陽，潘立.基于最小二乘支持向量機的中國糧食產(chǎn)量預測模型研究[D].洛陽：河南科技大學，2007.

[16] 付元元，任東.支持向量機中核函數(shù)及其參數(shù)選擇研究[J].科技創(chuàng)新導報，2010，（9）：6-7.

[17] 王健峰，張磊，陳國興，等.基于改進的網(wǎng)格搜索法的SVM參數(shù)優(yōu)化[J].2012，39（3）：28-31.

[18] 孫德山.支持向量機分類與回歸方法研究[D].大連：遼寧師范大學，2004.

[19] Sain， Stephan R . The Nature of Statistical Learning Theory[J]. Technometrics， 1996， 38（4）：409-409.

[20] 王平，黃河，吳瑋.基于支持向量機的湖北省洪澇農(nóng)業(yè) 損失預測模型[J].湖北農(nóng)業(yè)科學，2014，53（18）：4437-4440.

（編輯：赫亮）