近年来,信息技术呈现出飞速化得发展,现代物流产业也进入了信息化时代。国际航运指数BDI(Baltic Dry Index)包含了航运业的干散货交易量的转变并且结合了未来的经济活动,是航运业指示全球需求联系的领先指标。然而影响BDI变化的因素非常复杂,传统预测方法以精确数学模型为基础但是其效果却并不理想。由于运价指数存在内在规律并且受到外在的影响非常多,因此在对这些因素进行深入研究的基础上,以机器学习为基础开发出新的预测模型来对运价指数进行预测是我们把握物流市场、规避风险的有效手段。所以本文在对BDI预测模型研究的现状进行了研究,分析了因影响BDI变化的因素,主要从支持向量机SVM(support vector machine)方法的研究和其在BDI预测中的应用相结合的角度出发,对支持向量机的在线学习、并行化方法以及在BDI预测中的应用进行了系统的研究和实现。首先,本文提出了一种改进的在线支持向量机回归学习算法IOSVR(An improved on-line support vector machine regression learning algorithm)。传统的数据挖掘正在面临知识不断增长问题引发的挑战,而IOSVR以支持向量机为基础,减少重复迭代的同时运用了动态自适应调整方法,优化迭代训练过程,能够在动态学习的过程中自适应调整训练参数,取得了更好的泛化能力和预测精度。并且通过仿真表明,IOSVR不仅保证了训练精度,在学习时间上和分类错误率上都明显减少,因此,IOSVR更加适合实际过程的建模。其次,本文在研究航运指数BDI特征的基础上,提出基于支持向量机的BDI在线预测方法。结合中国市场的特点对国际航运的供需市场进行深入分析,探讨了影响BDI变动的特征影响因素,选取BDI的主要特征变量和潜在特征变量。在此基础上,提出了基于支持向量机的的BDI的在线预测模型,将IOSVR应用在BDI建模上,该模型对运价指数的变动性进行了充分的考虑。通过实验表明该模型能更好得预测BDI,能够更好刻画BDI的变化趋势,更适用于对BDI进行行预测。最后,本文结合storm的并行机制,在storm平台上研究和实现了IOSVR的并行化。在数据不断增加的情况下,为了解决单机支持向量机算法存在的数据处理能力不足及运行效率低的问题,结合storm并行机制的基础上在storm平台上实现了IOSVR的并行化,有效整合了各节点的并行化计算优势,不仅解决了训练时间过长和内存占用大的问题,而且提供了可靠的数据处理和存储能力,在此基础上完成了BDI预测系统的原型实现,为物流管理人员提供了一个有力的预测工具。