[发明专利]一种船舶维修费预测方法

说明书

本发明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。

技术领域

本发明涉及费用预测技术领域，尤其是涉及一种船舶维修费预测方法。

背景技术

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。

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。

发明内容

为解决上述背景技术中提出的问题，本发明采取的技术方案为：

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。

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；

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。

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：

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。