[發明專利]一種基于VMD-SVM算法的牛鞭效應弱化方法

有效

• 申請號: 202110305031.8
• 申請日: 2021-03-18
• 公開（公告）號: CN113052330B
• 公開（公告）日: 2022-08-02
• 發明（設計）人: 石莉;張明昊;卓翔芝;黃克;劉圓
• 申請（專利權）人: 淮北師范大學
• 主分類號: G06N20/10
• 分類號: G06N20/10;G06Q10/06;G06Q50/04
• 代理公司: 西安銘澤知識產權代理事務所(普通合伙) 61223
• 代理人: 張舉

本發明公開了一種基于VMD?SVM算法的牛鞭效應弱化方法，首先采集原始需求信號f(t)，所述原始需求信號為企業取得的一個需求周期中每一個需求時間點的訂貨量的集合，其中t表示時間；其次，使用VMD算法將所述原始需求信號拆分為K個特征互異的本征模態函數u_k和噪聲余項Noise，u_k表示第k個本征模態函數，其中k＝1,2,…,K；最后，將K個特征互異的所述本征模態函數u_k相互疊加得到重構信號f^R(t)，使得f^R(t)＝u₁+u₂+…+u_k。本發明通過與原始需求信號回歸預測的結果相對比，驗證了VMD?SVM牛鞭效應弱化模型能夠有效的過濾供應鏈中各環節產生的需求噪聲、提高需求信息傳遞的精度，對牛鞭效應的弱化及供應鏈協同效率的提升起到一定的參考價值。

技術領域

本發明涉及智能制造領域，特別涉及一種基于VMD-SVM算法的牛鞭效應弱化方法。

背景技術

隨著大數據、物聯網為代表的新興信息技術在工業領域中的不斷滲透，使得“智能制造”這一信息化和工業化深度融合的產物成為衡量全球制造業階段水平的風向標。根據德國機械設備制造業聯合會(VDMA)所提供的工業就緒度4.0調研結果顯示，企業當前的智能制造能力成熟度普遍處在初級和中級水平，表現為企業有一定的信息化基礎，能夠實現跨設備、跨系統的數據共享，但無法做到跨企業的信息協同。在該狀況下，如何利用現有的技術手段提高供應鏈的協同效率成為當前供應鏈管理亟待解決的重要問題。

發明內容

本發明的目的是克服上述現有技術中存在的問題，提供一種基于VMD-SVM算法的牛鞭效應弱化方法，對供應鏈中的任意供需環節，借助變分模態分解算法(VMD)將隨時間推移呈非線性變化的一組初始需求信號拆分為數據特征互異的本征模態函數和噪聲余項，在信號降噪重構的基礎上，利用支持向量機算法(SVM)將各本征模態函數作為樣本屬性對重構信號進行回歸預測。

為此，本發明提供一種基于VMD-SVM算法的牛鞭效應弱化方法，包括如下步驟：

采集原始需求信號f(t)，所述原始需求信號f(t)為企業取得的一個需求周期中每一個需求時間點的訂貨量的集合，其中t表示時間；

使用VMD算法將所述原始需求信號拆分為K個特征互異的本征模態函數和噪聲余項Noise，u_k表示第k個本征模態函數，其中k＝1,2,…,K；

將K個特征互異的所述本征模態函數u_k相互疊加得到重構信號f^R(t)，使得f^R(t)＝u₁+u₂+…+u_k。

進一步，在得到重構信號f^R(t)后，使用SVM算法對所述重構信號f^R(t)進行回歸預測。

更進一步，在使用SVM算法對所述重構信號f^R(t)進行回歸預測的時候，包括如下步驟：

構建樣本空間C，使得C＝{C¹,C²}；

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

對所述樣本空間C進行歸一化處理；

將所述C₁作為輸入輸入到所述SVM算法中得到輸出的第一預測值，將所述第一預測值的第一列與所述C₁中的f(t)進行比較，得到第一精度；