基于误差补偿的物流需求混沌预测模型

针对当前单一物流需求预测模型误差大的缺陷,以获得更优的物流需求预测结果为目标,提出了基于误差补偿的物流需求预测模型。首先通过混沌理论对历史数据进行处理,挖掘物流数据中隐含的变化特点,建立物流需求预测的学习样本,然后采用最小二乘支持向量机对学习样本进行建模和预测,并采用自回归滑动平均模模型对最小二乘支持向量机的预测残差序列进行建模和预测,最后通过残差预测结果对物流需求预测结果进行误差补偿,并通过具体实例对模型性有效性进行测试。结果表明,该模型降低了物流需求的预测误差,明显改善了物流需求的预测效果,并且可以推荐其它预测领域。     

基于支持向量机回归的农产品物流需求预测

农产品物流虽然具有普通物流的共同特点,但因其具有独特性和复杂性,这导致利用一般方法进行农产品物流需求预测不仅难度大,而且精度差。为了提高农产品物流需求预测的能力,应用基于结构风险最小化准则的标准支持向量机回归方法来研究农产品物流需求预测问题。在选择适当的参数和核函数的基础上,通过对实例研究,对时间序列数据进行预测,发现该方法能获得最小的训练相对误差和测试相对误差。结果表明,支持向量机回归是研究农产品物流需求预测的有效方法。     

物流网络中多地区配送需求预测方法研究

物流网络较为复杂,当前预测方法只采用一种方法对物流网络中多地区配送需求进行预测,无法保证预测精度。提出一种新的需求预测方法, 通过两个或两个以上不一样的预测方法,对物流网络中多地区配送需求进行预测,构建物流网络中多地区配送需求组合预测模型,对不同方法进行加权组合,通过熵值法对组合预测模型的组合权重进行计算,充分利用不同预测方法的优点,获取较优的预测结果。通过残差检验和后验差检验,对组合预测模型的配送需求预测能力进行评价。实验结果表明,所提方法具有很高的预测精度。     

物流网络中多地区配送需求预测方法

物流网络较为复杂,当前预测方法只采用一种方法对物流网络中多地区配送需求进行预测,无法保证预测精度。提出一种新的需求预测方法,通过两个或两个以上不一样的预测方法,对物流网络中多地区配送需求进行预测,构建物流网络中多地区配送需求组合预测模型,对不同方法进行加权组合,通过熵值法对组合预测模型的组合权重进行计算,充分利用不同预测方法的优点,获取较优的预测结果。通过残差检验和后验差检验,对组合预测模型的配送需求预测能力进行评价。实验结果表明,所提方法具有很高的预测精度。     

支持向量机在装备保障链需求预测中的应用研究

准确的需求预测是装备保障链敏捷运行的重要条件.针对装备保障链需求预测过程中,需求不确定、样本数量较少的实际情况,采用了一种新的预测方法--支持向量机.该方法基于统计学习理论的原理,较好地解决了小样本、非线性的学习问题.建立了装备保障链需求预测的支持向量机模型.并以某物资的需求预测为例进行实例验证,计算结果表明,这种方法比传统的方法有更好的预测精度.     

基于遗传BP神经网络的区域物流需求预测

针对当前区域物流需求预测数据复杂且可变性较大、预测方法环境适应性较差的问题,提出了基于遗传BP神经网络的区域物流需求预测模型。首先,分析区域物流需求预测影响因素,并建立区域物流需求预测指标体系;其次,采用遗传算法优化预测网络中的可变参数,并建立多输入-多输出的BP神经网络多元预测模型;最后,通过实例结果表明该模型具有较高的预测精度和有效度。     

基于主成分分析和多核支持向量机的农业保险需求预测

为了探索中国农业保险需求评估的新模式,提出一种基于数据降维和多核支持向量机的农业保险需求预测方法;利用主成分分析进行数据降维,从农户经济条件因素、社会文化因素、地理环境因素和政府补贴因素4个方面的7个解释变量中提取出主要影响因子;采用权重的方式将局部和全局的核函数进行线性相加,组成多核支持向量机,实现农业保险需求预测。结果表明,与基于标准支持向量机和Logistic模型的保险需求预测方法相比,基于数据降维和多核支持向量机的方法能够得到更准确的预测结果。     

基于最小二乘支持向量机的风速组合预测模型

探讨了基于最小二乘支持向量机的组合预测模型在风速短期预测中的可行性.该模型以BP神经网络、RBF神经网络、粒子群BP神经网络3种预测模型的风速预测值作为组合预测模型的输入,实际风速值为输出,利用最小二乘支持向量机回归算法构造风速间的非线性关系,以实现风速多步预测.将该模型的预测性能与BP神经网络组合预测模型、线性组合预测模型进行比较,通过平均绝对误差、误差平方和、平均相对误差3个指标进行评价.结果表明,最小二乘支持向量机预测模型的平均相对误差低于6%,其他误差指标也明显低于其他预测模型.因此,最小二乘支持向量机组合预测模型预测精度不仅高于任一单项预测模型预测精度,而且高于传统的线性组合预测模型与一般BP神经网络组合预测模型.验证了该模型在风速预测中的可行性.     

基于民航团队旅客销售的预测方法分析

利用Matlab分别用后退的回归分析算法、BP神经网络算法、支持向量机算法和组合预测算法对民航团队销售数据进行预测和比较分析,为民航销售人员提供更加精准的预测信息,从而获得更高的航线收益.分析结果显示:后退的回归分析算法比常用的多元线性回归精准性提高,但是数据结果并不具有可靠性.神经网络算法、支持向量机算法和组合算法比常用的回归分析算法预测的精准度有了明显的提高.支持向量机算法预测精度相对神经网络算法稍低,但是却拥有更强的泛化能力.组合预测算法能避免单一预测方法的误差,更加适合航线销售人员的实际操作.     

利用SVM-LSTM-DBN的短期光伏发电预测方法

为解决传统预测算法的不足,利用深度信念网络(DBN)耦合支持向量机(SVM)和长短期记忆神经网络(LSTM),提出一种新的光伏功率组合预测方法.分别构建以高斯径向基函数为核函数的支持向量机预测模型、4层长短期记忆神经网络为单项预测模型,通过深度信念网络组合,优化预测结果并输出.根据实际出力和预测结果的误差,利用DBN动态调整以获得最优值,进一步验证SVM-LSTM-DBN模型的有效性和准确性,并以新疆维吾尔自治区某光伏电站的实测数据进行仿真验证.结果表明:基于SVM-LSTM-DBN组合的光伏出力预测模型与单一模型相比,预测精度明显提高.     

一类产品需求预测的支持向量机方法

 需求预测是企业生产运营决策的基础,预测精度影响着产品的安全库存量,关系到企业利润和市场竞争力.建立了一类产品（包含多个品牌）基于支持向量机(support vector machine, SVM)的需求预测模型.在该预测模型中考虑了诸如季节性和促销等不确定性因子对产品最终需求的影响.模型的训练数据和测评数据采用的是由该类产品需求函数生成的数据.测试阶段的评价则是通过与其他统计模型（回归预测方法(REG）、双因素指数平滑法(DES)、Winter模型预测方法(WIN)）和径向基神经网络模型(radial basis function neural network, RBFNN)的对比来实现的.实验结果表明,基于SVM的需求预测模型预测精度明显优于其他模型,有效地降低了产品安全库存量,提高了企业利润,为解决这类产品需求预测问题提供了一个有力的工具.     

最小二乘支持向量机在害虫预测中的应用

针对害虫发生量数据的小样本、非线性特点,提出一种最小二乘支持向量机的害虫预测方法.首先采用多元线性回归分析法选择害虫发生量的影响因子,然后通过遗传算法对最小二乘支持向量机参数进行优化,最后建立害虫发生量与影响因子之间复杂的非线性关系模型.采用二代玉米螟百株幼虫虫量对模型性能进行检验,结果表明,相对于多元线性回归、BP神经网络模型,最小二乘支持向量机提高了二代玉米螟发虫量的预测精度,是一种有效的害虫变化预测方法.     

基于优化模糊C均值聚类选取相似日的燃气负荷预测

针对短期负荷预测方法中传统的模糊C均值(FCM)聚类容易陷入局部最优和对初始聚类中心敏感的问题,提出利用粒子群优化(PSO)算法的全局搜索特性来优化此缺点.通过优化的FCM聚类来选取与预测日相似的日期作为支持向量机的训练样本,既强化了训练样本的数据规律,又保证数据特征的一致性.实验结果表明,优化预测模型的预测精度优于BP神经网络和支持向量机算法.     

基于免疫模糊聚类的LSSVM在短期负荷预测中的应用

最小二乘支持向量机(least square support vector machines,LSSVM)在解决小样本、非线性和高维度问题中表现出许多特有的优势.但是,如果输入的训练数据本身存在着大量的噪声和冗余,LSSVM在训练数据时会因抑制它们而削弱本身的推广能力,结构风险无法达到最小化,从而导致收敛速度慢、预测精度不高等缺点.提出了一种基于免疫模糊聚类(immune fuzzy clustering,IFC)的最小二乘支持向量机预测模型,运用免疫模糊聚类算法对历史数据进行预处理,从聚类后的数据提取LSSVM的训练样本,从而提高训练速度和预测精度,克服LSSVM的上述缺点.最后,将该模型运用到短期电力负荷预测中,与经典的SVM和BP神经网络相比具有更好的泛化性能和预测精度.     

基于灰色-反向传播神经网络的江西省公路货运量预测

鉴于反向传播（Back Propagation,BP）神经网络算法收敛速度慢、局部极小化、结构选择不一的问题,提出结合灰色关联度分析的BP神经网络方法进行公路货运量预测,提高了模型的非线性学习和泛化能力及预测精度。该预测模型以江西省为例,首先利用灰色关联度分析确定预测目标的影响因子;然后,将关联度强的第一产业、第二产业和人均GDP作为公路货运预测模型的自变量,公路货运量和自变量作为训练样本,BP神经网络模型通过正向计算传播,误差反向传播,训练神经网络;最后,该方法应用于江西省公路货运量实际预测中进行有效性验证,结果表明该方法非线性拟合效果较好,具有较高的预测精度。     

特征提取和小样本学习的电力工程造价预测模型

通过特征提取和小样本学习的结合,提出一种全新的基于混合算法的电力工程造价预测模型。利用主成分分析对原始指标进行预处理,消除原始指标之间的相关性,并提取潜在的综合独立指标,将新指标作为输入集构造基于最小二乘支持向量机的预测学习模型,将其预测结果和神经网络模型预测对比分析。并通过不同主成分数目预测结果的比较,确定最优的主成分个数,达到理想的预测效果。实例预测结果表明:该方法可以有效提取原始指标的信息量,在小样本学习方面表现突出,能够达到期望的预测效果。     

基于最小二乘支持向量机的压印字符识别方法

将最小二乘支持向量机引入到小字符集压印字符识别中.首先介绍最小二乘支持向量机的基本原理和主要算法,然后在实验中采用最小二乘支持向量机训练软件,针对标牌上的压印字符的数字集进行仿真,同时与神经网络等其他分类方法进行比较.实验结果表明此方法的识别率较高,在小字符集识别中具有较强的实用性.     

支持向量机回归在油气钻井成本预测中的应用

钻井成本是钻井公司成本的重要组成部分,对钻井成本进行准确预测,有利于提高钻井成本的控制和计划管理水平.应用作业成本法分析影响钻井成本的主要因素,结合某钻井公司钻井成本数据,运用支持向量机回归建立预测模型,同多元回归与BP神经网络回归进行对比,验证了支持向量机模型具有较高的预测精度.     

基于灰色支持向量机的矿山安全事故预测研究

为了提高矿山安全事故预测的可靠性,在灰色预测模型GM(1,1)和支持向量机SVM的基础上,提出了矿山安全事故次数的灰色支持向量机G-SVM的组合预测模型.首先采用GM(1,1)进行数据趋势预测,然后对于残差序列采用支持向量机预测进行捕获,最后将两种模型的结果进行融合,得到组合预测结果.结果表明,组合模型比单一的GM(1,1)模型和SVM模型具有更高的预测精度.     

基于改进GM(1,1)和SVM的长期电量优化组合预测模型

针对中长期电量预测可使用的相关历史数据较少、影响因素较为复杂等特点,提出一种基于改进GM(1,1)和支持向量机的优化组合预测模型.该模型将改进灰色预测模型和支持向量机模型进行组合,采用蛙跳寻优算法求取组合预测模型中各单一模型的权重,构建基于蛙跳优化的组合预测模型.将优化后的组合预测模型应用于我国中长期电量预测,选择我国1991-2005年电量进行分析,对2006-2010年的电量进行预测,并与一般组合预测模型及各单一模型进行比较.研究结果表明:本文方法得到的电量平均相对误差为2.06％,比等权组合预测模型、方差－协方差优选组合预测模型以及各单一预测模型的预测精度都有所提高.