1.一种基于VMD‑SVM算法的牛鞭效应弱化方法，其特征在于，包括如下步骤：采集原始需求信号f(t)，所述原始需求信号f(t)为企业取得的一个需求周期中每一个需求时间点的订货量的集合，其中t表示时间；

使用VMD算法将所述原始需求信号拆分为K个特征互异的本征模态函数uk和噪声余项Noise，uk表示第k个本征模态函数，其中k＝1,2,…,K；

R R

将K个特征互异的所述本征模态函数uk相互叠加得到重构信号f (t)，使得f(t)＝u1+u2+…+uk；

R

使用SVM算法对所述重构信号f(t)进行回归预测，包括如下步骤：

1 2

构建样本空间C，使得C＝{C ,C}；

1 2 R

其中，C＝{f(t),{u1},{u2},…,{uk}}，C＝{f(t),{u1},{u2},…,{uk}}；

对所述样本空间C进行归一化处理；

1

将所述C作为输入输入到所述SVM算法中得到输出的第一预测值，将所述第一预测值的1

第一列与所述C中的f(t)进行比较，得到第一精度；

2

将所述C作为输入输入到所述SVM算法中得到输出的第二预测值，将所述第二预测值的

2 R

第一列与所述C中的f(t)进行比较，得到第二精度；

将所述第一精度与所述第二精度进行比较，并根据比较结果判断弱化效果。

2.如权利要求1所述的一种基于VMD‑SVM算法的牛鞭效应弱化方法，其特征在于，对所述SVM算法使用所述样本空间C进行训练，训练所述SVM算法包括如下步骤：建立SVM算法模型；

使得输入自变量CJ 作为所述SVM算法模型的输入，输出因变量CO作为所述SVM算法模型的输出；

j

建立C，其中j＝1,2，

j j

其中，m表示所述需求时间点的总数，也是C的行数，n为是C的列数；

j j

则输入自变量为CJ＝C[1:(m‑s)]×n，输出因变量为CO＝C [(s+1):m]×1，其中s为输入自变量CJ 和所述输出因变量CO之间的需求时间点的个数；

j j

使用输入自变量CJ＝C [1:(m‑s)]×n和输出因变量CO＝C [(s+1):m]×1对所述SVM算法进行训练，得到训练好的SVM算法模型。

3.如权利要求2所述的一种基于VMD‑SVM算法的牛鞭效应弱化方法，其特征在于，在分别得到所述第一精度与所述第二精度前，对所述样本空间C进行反归一化处理，取得预测结果 使得

4.如权利要求3所述的一种基于VMD‑SVM算法的牛鞭效应弱化方法，其特征在于，获取实际需求yi，分别实际需求yi和预测结果 计算方根误差RMSE、平均绝对百分比误差MAPE以2

及相关系数平方R ，根据实际需求yi和预测结果 之间的方根误差RMSE、平均绝对百分比误2

差MAPE以及相关系数平方R对预测结果 的精度进行判断；

其中，

其中，n0代表需求时间点的个数。