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，当样本数据分布不均匀时，支持向量机的预测结果会收到很大影响，造成预测结果偏差较大。

技术实现思路

[0004]为解决上述
技术介绍
中提出的问题，本专利技术采取的技术方案为：
[0005]一种船舶维修费预测方法，包括如下步骤：
[0006]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；
[0007]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；
[0008]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。
[0009]在一些实施例中，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；
[0010]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。
[0011]在一些实施例中，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：
[0012]首先，利用贝叶斯优化算法，构造一个关于损失函数值c和核函数gamma值的代理函数，代理函数的趋势通过高斯分布来模拟，且代理函数值表示维修费预测结果与实际值之间的误差，代理函数值越小表示损失函数值c和核函数gamma值的取值越优；
[0013]然后，通过贝叶斯优化算法的采样函数，不断尝试在预设的损失函数值c和核函数
gamma值的取值范围内进行取值，并与代理函数进行迭代处理；
[0014]最后，当达到预设的迭代次数后，或使代理函数值小于预设阈值后，以代理函数最小值对应的的损失函数值c和核函数gamma值作为最终确定的优化后的值。
[0015]在一些实施例中，步骤S2中，预设的损失函数值c的取值范围为[0.0001，10000]，核函数gamma的取值范围为[0.00000001，1]，预设的最大迭代次数为100次。
[0016]在一些实施例中，在步骤S2后，步骤S3前，还包括如下步骤：利用步骤S1中聚类处理后的数据建立测试集，利用测试集中的数据验证步骤S2中优化后的支持向量机模型的预测效果。
[0017]与现有技术相比，本专利技术的有益效果是：
[0018]本专利技术提供的船舶维修费预测方法，采用K均值法对原始数据进行聚类，消除分布不均对结果的影响；采用贝叶斯优化对支持向量机的参数进行寻优，结合船舶装备维修费用的独有特点，对当前运用较为广泛的支持向量机预测方法加以优化，改变了以往仅凭个人经验确定支持向量机参数的现象，大幅提升了预测精度。与现有技术中的预测方法相比，本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。
附图说明
[0019]图1为本专利技术提供的船舶维修费预测方法的示意图。
具体实施方式
[0020]为使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合附图和具体实施方式，进一步阐述本专利技术是如何实施的。
[0021]在一个具体实施例中，参照图1所示，本专利技术提供了一种船舶维修费预测方法，包括如下步骤：
[0022]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。
[0023]具体地，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。
[0024]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。
[0025]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，利用贝叶斯优化算法，构造一个关于损失函数值c和核函数gamma值的代理函数，代理函数的趋势通过高斯分布来模拟，且代理函数值表示维修费预测结果与实际值之间的误差，代理函数值越小表示损失函数值c和核函数gamma值的取值越优；然后，通过贝叶斯优化算法的采样函数，不断尝试在预设的损失函数值c和核函数gamma值的取值范围内进行取值，并与代理函数进行迭代处理；最后，当达到预设的迭代次数后，或使代理函数值小于预
设阈值后，以代理函数最小值对应的的损失函数值c和核函数gamma值作为最终确定的优化后的值。
[0026]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。
[0027]另外，在步骤S2后，步骤S3前，还可如下步骤：利用步骤S1中聚类处理后的数据建立测试集，利用测试集中的数据验证步骤S2中优化后的支持向量机模型的预测效果。
[0028]在一个具体实施例中，支持向量机在使用中对结果影响较大的参数有损失函数值c、核函数gamma值，预测工具采用libsvm工具包，以8∶2的比例将数据样本划分为训练集和测试集。工具包设置为：类型选择svr，核函数采用rbf，其余设置全部采用默认值，评估指标为相对误差，结果为0.5673，误差很高。可见，libsvm工具包并不能不经设置直接使用，这些参数大多并无明显规律，通过手动设置十分依赖使用人的经验，往往效果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：