基于SVR的酒店物流发生量预测模型研究(附答辩记录)
基于SVR的酒店物流发生量预测模型研究(附答辩记录)(选题审批表,任务书,开题报告,中期检查表,毕业论文15000字)
摘 要：酒店物流发生量的预测存在大量的回归建模问题。这些问题多属非线性的，传统方法如多元线性回归、逐步线性回归等线性方法的应用受到了很多限制。基于经验风险最小的非线性方法如人工神经网络，虽具有良好的非线性逼近能力，但难以克服维数灾难和局部极小问题，且小样本情况下过拟合严重，预测误报风险大。而支持向量机方法则能较好地解决非线性、小样本、过拟合以及维数灾难等问题，具全局最稳定性、泛化推广能力强等优点，已在多个领域得到广泛应用，但用于酒店物流的报道较少。本文首先介绍支持向量机的基础理论,然后对支持向量机存在的缺陷进行了改进，在此基础上，将其应用于酒店物流数据回归,给出了构建模型的具体分析步骤,并通过实例详细阐述了模型的应用过程,预测结果验证了模型的可行性和有效性。
关键词：支持向量机；回归；预测；物流发生量
RESEARCH ON MODEL OF HOTEL LINDUSTRY OCCURRENCE FORECAST BASED ON SUPPORT VECTOR REGRESSION
Abstract：There are a lot of regression modeling applied in the forecast of hotel Industry occurrence. These problems are mostly nonlinear, traditional methods such as multiple linear regression, stepwise linear regression linear method applied to a lot of love restricted; based on empirical risk minimization of nonlinear methods such as artificial neural network, although with good soft Nonlinear approximation ability, but it is difficult to overcome the curse of dimension and local minimum problems, and small samples serious over-fitting to predict risks of false positives. The support vector machine can solve the nonlinear, small sample size. Over-fitting and the curse of dimensionality problems, with the most global stability, strong ability of generalization has been widely used in many fields, but few reports for h4otel Industry. This paper introduces the basic theory of support vector machines, then defects of support vector machine has been improved, on this basis will be applied to hotel Industry data regression, given the specific analysis of the modeling steps, and an example in detail Application of the model described the process, the model predicted results show the feasibility and effectiveness.
Key words： Support vector machine; forecast; Regression; Airport Logistics Occurrence
研究方案（研究目的、内容、方法、预期成果、条件保障等）
研究目的：
以SVR算法为基础来分析酒店物流量的发生，预测后面的数据。
研究内容：
酒店物流的发生量研究用支持向量机来推到预测后几年的酒店物流发生量
研究方法：
采用支持向量基的方法来进行预算根据原始数据进行推倒。
研究预期成果：
基于SVR的酒店物流发生量预测方法。SVR是一种基于SVM 准则的学习方法，对小样本回归问题可以提供较好的泛化能力，而且可以克服神经网络的网络结构复杂、容易陷入局部极小等不足。以拟合能力较强的径向基核函数作为SVR物流发生量预测模型的核函数,并确定核函数的最优核参数。预测结果表明，酒店物流发生量的预测值与实际值，两者是较吻合的，预测结果与实际值很接近，证明预测模型是有效的，能为酒店发展提供有力的参考价值．
支持向量回归机在解决小样本、非线性、维数灾难和局部极小等其他方法难以克服的难题上有着极佳的表现，在物流行业，交通行业，电子商务信用管理，证券市场股份预测中应用前景广阔，今后将继续围绕支持向量回归机在行业物流及电子商务中的应用展开研究。 [资料来源：http://www.doc163.com]
目录
摘要…………………………………………………………………………………………1
Abstract……………………………………………………………………………………2
1．前言 4
1.1研究背景及意义 4
1.1.1酒店物流发生量的变化特征 5
1.1.2常用预测模型及其特点分析 6
1.2国内外研究现状及发展趋势 6
1.3文章基本结构 7
2．支持向量机基本理论介绍 8
2.1支持向量机 8
2.1.1支持向量机理论 8
2.1.2支持向量机的特点 9 [资料来源：http://www.doc163.com]
2.2支持向量回归机理论 10
2.2.1支持向量回归机的基本思想 10
2.2.2支持向量回归机原理 11
2.3支持向量机回归模型 12
2.3.1支持向量机的理论背景 12
2.3.2线性支持向量机回归模型。 12
2.3.3非线性向量机回归模型 14
2.4核函数的选择 14
3．SVR的优化及改进 15
3.1 SVR的若干问题 15
3.2 改进的新型单参松弛二范数支持向量回归机 16
4．实证分析 17
4.1 训练算法 17
4.2 基于SVR的酒店物流发生量的预测 19
4.2.1预测工具-软件包 LIBSVM介绍 19
4.2.2数据准备 21
4.2.3 结果和分析 21
5．总结 22
5.1基本结论 22
5.2文章创新点 23
参考文献 23
[来源：http://Doc163.com]
致 谢 25