一种船舶维修费预测方法技术

本发明专利技术公开了一种船舶维修费预测方法，包括如下步骤：S1、获取船舶维修费的原始数据，利用K均值法对原始数据进行聚类处理；S2、建立支持向量机模型，利用步骤S1中聚类处理后的数据建立训练集，并结合贝叶斯优化算法，对支持向量机模型进行训练，以优化支持向量机模型中的损失函数值c和核函数gamma值，使优化后的支持向量机模型的预测结果的平均相对误差最小；S3、利用步骤S2中优化后的支持向量机模型实现船舶维修费预测。本发明专利技术使用贝叶斯优化确定支持向量机的参数，省去了繁琐的设置，减少了计算消耗；同时，使用K均值聚类将原始数据分类，按类进行训练和预测，显著减少了结果的波动性，该方法具有的实用性、科学性和有效性。科学性和有效性。科学性和有效性。

【技术实现步骤摘要】
一种船舶维修费预测方法


[0001]本专利技术涉及费用预测
，尤其是涉及一种船舶维修费预测方法。

技术介绍

[0002]舰船维修费受建造费、使用年限、动力类型、排水量、舰船尺寸等自身多方面因素影响，即使是同一类型的舰船，使用强度、所处海域、管理保养情况以及搭载的系统的不同，其维修费用也会不尽相同。由于我国舰船维修费预测相关研究起步较晚，历史数据积累较少，决定了其预测是一个高维度、小样本的复杂问题。可见，船舶维修费预测，具有影响因素多，结构复杂，维修数据样本少等特点，这些特点会导致出现预测精度不高。
[0003]支持向量机(SVM)是一种高效的预测工具，对处理这类的数据具有优异的性能，相较回归分析和神经网络，不需要大量样本数据，很适合作为维修费预测的工具。在船舶维修费预测领域，支持向量机是应用较为广泛的一种方法，但其参数确定是一个难题，根据样本的不同，需要对参数进行相应的设置，以获得更好的预测效果。通常做法是使用网格搜索法、粒子群算法、遗传算法等方式进行寻优，但网格搜索法耗时巨大，粒子群和遗传算法结果不够稳定，同时，当样本数据分布不本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种船舶维修费预测方法，其特征在于，包括如下步骤：S1、获取船舶维修费的原始数据，利用K均值法对原始数据进行聚类处理；S2、建立支持向量机模型，利用步骤S1中聚类处理后的数据建立训练集，并结合贝叶斯优化算法，对支持向量机模型进行训练，以优化支持向量机模型中的损失函数值c和核函数gamma值，使优化后的支持向量机模型的预测结果的平均相对误差最小；S3、利用步骤S2中优化后的支持向量机模型实现船舶维修费预测。2.根据权利要求1所述的船舶维修费预测方法，其特征在于，在步骤S1中，利用K均值法对原始数据进行聚类处理时，首先确定K值，将不同的K值所对应的损失函数画成折线，横轴为K的取值，纵轴为误差平方和所定义的损失函数，拐点即为K的最佳值；然后，以确定的K的最佳值作为聚类个数，完成聚类处理，从而将原始数据分为多个不同类型，后续步骤中对不同类型的数据分别进行处理。3.根据权利要求1所述的船舶维修费预测方法，其特征在于，步骤S2中，优化支持向量机模型中的损失函数值c和核函数gamma值的步骤具体包括：首先，利用贝叶斯...

【专利技术属性】
技术研发人员：杨洋，蒋国萍，訾书宇，
申请(专利权)人：蒋国萍訾书宇，
类型：发明
国别省市：