隨著農業(yè)機械的快速發(fā)展,對備件需求量進行預測是保證農業(yè)機械及時維修的關鍵。根據農機備件的特點,本文提出應用PCA-SVR方法進行農機備件需求預測。首先,分析影響備件需求的因素,建立影響農機備件需求量的指標體系;其次,構建PCA-SVR預測模型;最后,針對某品牌農機備件開展實證研究,將影響農機備件需求量的9個因素通過PCA降維成4個主成分,隨后應用SVR方法進行預測,研究結果表明,該方法的預測值與實際情況相比誤差較小,本文提出的PCA-SVR方法在MAE、RMSE和MAPE值分別是950.86、1 424.78和15.88,分別比線性回歸模型以及隨機森林模型的MAE、RMSE和MAPE值小607.45、1 830.83,451.1、1 753.88以及6.1、1.46,說明其具有優(yōu)越性。 

【文章來源】：中國農機化學報. 2020,41(06)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

PCA-SVR的具體步驟

根據PCA提取的影響液壓系統(tǒng)換向閥需求量的關鍵指標,從樣本數(shù)據中隨機選取65%的數(shù)據作為訓練集,建立預測模型,剩余35%的數(shù)據作為測試集,檢驗模型的精確度和推廣能力。對模型進行參數(shù)尋優(yōu)能夠解決機器學習的“欠學習”和“過學習”問題, 提高模型的泛化能力。因此,本文應用Python機器學習庫中的GridsearchCV方法進行參數(shù)尋優(yōu)。GridsearchCV運用十折交叉驗證尋得了在測試集上效果最佳的SVR模型參數(shù),參數(shù)設置為:核函數(shù)選擇高斯徑向基核函數(shù),懲罰參數(shù)C的值為1,參數(shù)gamma的值為0.1,參數(shù)epsilon的值為0.01,從而便構建了一個具有最優(yōu)參數(shù)的SVR模型。SVR模型在訓練集及測試集上的預測效果如圖2所示,其中x表示訓練集或測試集中的第幾個樣本,y表示農機備件數(shù)量預測值。由圖2可知,SVR模型在訓練樣本及測試樣本上的擬合效果較好,真實值與預測值曲線基本重合,誤差較小。其中,模型在測試集上的均方誤差為0.000 589,在訓練集上的均方誤差為0.000 206。為檢驗該模型的預測精度,本文將PCA-SVR模型與線性回歸模型以及隨機森林模型進行了對比,運用SVR模型得到的液壓系統(tǒng)換向閥需求量預測值曲線與真實值曲線基本重合,擬合效果較好。而線性回歸模型在2018年3月至2018年9月間液壓系統(tǒng)換向閥需求量預測值較準確,但2018年10月至2019年3月預測值與真實值之間產生了一定偏差。2018年10月之后,隨機森林模型的預測值曲線與真實值曲線產生了較大的偏差。為進一步定量分析各個模型預測效果與真實值的偏差程度,本文采用了平均絕對誤差(MAE)、均方根誤差(RMSE)及平均絕對百分誤差(MAPE)三個評價指標,結果如表5所示。

【參考文獻】：
期刊論文
[1]基于NSTPNT的風電系統(tǒng)可靠性對風電預測誤差靈敏度[J]. 李生虎,董王朝.  系統(tǒng)工程理論與實踐. 2019(05)
[2]基于DTW相似判定的周期性時間序列預測方法[J]. 李文海,程佳宇,謝晨陽.  計算機科學. 2019(05)
[3]基于GM-SVR的小樣本條件下化工設備可靠性預測[J]. 趙江平,丁潔,陳敬龍.  中國安全生產科學技術. 2019(01)
[4]廣東省果園機械維修服務現(xiàn)狀及發(fā)展對策[J]. 鄭銳禹,王海林,尹鴻超,王浩,李晟,鄧若玲.  中國農機化學報. 2017(06)
[5]全國農機維修服務能力研究[J]. 溫芳.  中國農機化學報. 2015(06)
[6]基于支持向量機的農機裝備水平差異分類研究[J]. 袁玉萍,安增龍.  中國農業(yè)大學學報. 2015(04)
[7]農業(yè)機械產品安全風險評價方法研究[J]. 楊欣,孫萍,魏津瑜.  中國農機化學報. 2015(04)
[8]基于混沌時間序列局域模型對農機總動力的預測[J]. 張靜,楊宛章.  中國農機化學報. 2014(05)
[9]我國農機生產企業(yè)維修服務能力現(xiàn)狀分析[J]. 王揚光,溫芳,田金明,葉宗照.  中國農機化學報. 2014(03)
[10]基于PCA-BP神經網絡方法的供應商選擇[J]. 劉增明,陳運非,蔣海青.  工業(yè)工程與管理. 2014(01)



本文編號：3511953