秦昌琪

（江苏信息职业技术学院，江苏 无锡 214000）

0 引言

随着我国电子计算机技术的不断发展，Matlab得到了越来越广泛的应用，该软件在铁路货运领域的应用大幅提升了货运量运输预测的准确性，为铁路资源的合理调配提供了大量的科学依据。做好SVM回归分析的关键在于预测模型的设计工作，本文将对SVM预测模型的设计方案进行重点介绍。

1 铁路货运量SVM预测模型的基本设计思路

SVM即Support Vector Machine，中文为支持向量机，是一种常用的回归分析手段，本质上特征空间上间隔最大的线性分类器[1]，能够针对未知的新样本实施高水平的分类预测，其根本目的在于以二次规划求解的方式来实现预测[2]。在铁路货运量的预测方向，本次研究所提出的SVM预测模型的建立流程如下：

第一步：基于现有的货运量数据实施归一化处理，进而建立测试样本数据集和训练样本数据集，即通过归一化的方式将原始数据样本纳入至[a,b]范围内，所采用的计算公式为：

上式将原始数据记为X；将X经过归一化处理后的数据记为Y；将原数据样本的最大值记为Max，将原数据样本的最小值记为Min。

第二步：通过交叉验证法确定核函数参数g和参数惩罚因子c[3]。设有一个核函数参数g，再随机将训练集划分为k个不相交的子集，将测试样本锁定为k，将训练样本锁定为除第k以外的部分，在此基础上估计该参数的效果，经过k次测试后对比结果，进而提取出合理的参数，最终所获取的性能评价指标为k次模型结果的MSE平均值。

第三步：在获取最佳参数的基础上学习训练样本集数据[4]。

第四步：基于测试样本数据实施预测，通过反归一化的方式获取数值。

第五步：对梯形预测结果进行验证。

为了对所建模型的预测精度及有效性进行验证，本次研究通过两种检验标准对模型进行了检验[5-6]。

（1）通过预测相对误差对模型预测精度进行检验

定义如下所示的预测相对误差（FRE）：

2 铁路货运量SVM预测模型的具体设计方案

2.1 基于模糊信息粒化的铁路货运量SVM预测模型

本次研究基于MATLAB软件R2016a版本设计了如图1所示的铁路货运量预测流程。

图1 SVM 预测流程

第一步：基于目标铁路站点的流量数据提取出用于预测和训练的货运量数据。

第二步：通过三角形模糊信息粒化的处理方式在铁路货运量数据中提取出Up数据、R数据和Low数据。

第三步：通过交叉验证的方式对经过模糊粒化处理的Up数据、R数据和Low数据进行SVM寻优，进而获得RBF核函数，在此基础上确定参数g、c的值，再对拟合结果和误差状况进行分析。

第四步：在最优参数的基础上获取最终决策函数，再针对铁路货运量实施训练与预测，获取Up、R和Low的值。

第五步：对模型的预测结果进行验证。

2.2 模糊信息粒化FIG-SVM预测模型

本次研究基于MATLAB软件R2016a版本设计了如图2所示的铁路货运量预测流程。

图2 相空间重构-SVM预测流程图

第一步：基于目标铁路站点的流量数据提取出用于预测和训练的货运量数据。

第二步：以矩阵形式对铁路货运时间序列进行转换，明确数据之间的关系。为了充分反映系统的运动特征，还需要选取合理的延迟时间τ和嵌入维m，基于经过变形后的一维时间序列提取出输入样本X并用于训练，每一列为一个相点。

第三步：选取RBF核函数，在对货运量数据进行空间重构处理后对SVM进行寻优，进而获取参数g和参数c的值，并对误差进行分析。

第四步：在最优参数的基础上获取最终决策函数，再针对铁路货运量实施训练与预测。

第五步：对模型的预测结果进行验证。

3 结语

本文以铁路货运量的SVM预测为例详细介绍了基于计算机Matlab软件的SVM回归分析方法，在未来的研究中，还可以利用最小二乘法、神经网络法等方法对各种不同的特征的数据进行更加深入的分析，以提升数据预测的准确度，为科学管理提供更加有效的指导。