基于判别分析—SVR的民航客运量预测模型研究及应用

为了提高预测民航客运量的能力,考虑到民航客运量与其影响因素之间存在关联, 并利用训练样本与测试样本间的马氏距离对惩罚因子进行加权,改进传统的ε支持向量回归机(SVR),构造了基于进化ε-SVR的“影响因素民航客运量”预测模型.在选择适当的参数和核函数的基础上,对中国民航客运量进行仿真实验,与标准的ε-SVR方法、BP人工神经网络和线性回归方法进行了对比,发现该方法能获得较小的训练相对误差和测试相对误差.     

基于蚁群优化支持向量机模型的公路客运量预测

针对公路客运量预测难以建立精确预测模型的问题,文章引入基于蚁群优化的支持向量机算法对公路客运量进行预测。由于支持向量机的预测精度很大程度上取决于参数的选取,因此利用蚁群算法来优化其训练参数的选择,以得到优化的支持向量机预测模型,利用其对小样本及非线性数据优越的预测性能进行公路客运量的预测。以北京市的数据作为应用算例,并与BP神经网络及传统SVM的预测结果进行对比分析。实验结果表明,基于蚁群的支持向量机模型的预测精度更高,误差更小,可以更有效地对公路客运量进行预测;也说明利用蚁群算法进行支持向量机参数优选的方法是可行有效的。     

小波分析及支持向量机应用于大气污染预测

针对大气污染物浓度时间序列有一定的年变化趋势,提出了大气污染物浓度的小波分析及支持向量机时间序列预测模型。应用小波分解和重构对大气污染物浓度进行年变化趋势分析,在此基础上将大气污染物浓度序列划分为若干时段。各时段分别独立应用支持向量机进行大气污染物浓度预测,各时段均使用ν-支持向量回归机(ν-SVR)算法和径向基函数。预测结果表明,所提出的预测方法应用于大气污染物浓度时间序列预测有较高的预测精度和良好的推广能力,而且明显优于一般的支持向量机模型。     

城市燃气负荷的混沌特性与预测

采用混沌理论分析方法,对燃气负荷时间序列进行了相空间重构,通过计算关联维数和最大李亚普诺夫指数判定燃气负荷具有混沌的性质.在此基础上,分别采用基于混沌理论的加权一阶局域法、最大李亚普诺夫指数法和贝叶斯正则化神经网络模型对城市燃气日负荷进行了预测.实例预测结果表明,混沌时间序列分析方法可应用于燃气负荷预测研究,特别是结合了混沌理论、神经网络与贝叶斯正则化方法各自优点的神经网络模型取得了较好的预测效果.     

自适应矩估计最大相关熵算法的混沌序列预测

为了提高非高斯噪声环境下混沌时间序列的预测精度,提出了一种基于自适应矩估计的最大相关熵算法(AdamMCC).在AdamMCC中,采用最大相关熵准则作为代价函数有效地抑制了异常噪声值对预测性能的影响,利用代价函数梯度的一阶矩和二阶矩估计自适应调整算法的权重参数,在不同阶段为算法提供了更好的最优权重搜索方向,从而提高了AdamMCC的预测性能.采用Mackey-Glass和Lorenz两类混沌时间序列进行仿真实验,验证文中提出的AdamMCC的收敛性能和稳态性能.实验结果表明,在非高斯环境下的预测过程中,相比于最小均方算法、最大相关熵算法和分数阶最大相关熵算法,文中提出的基于自适应矩估计的最大相关熵算法在保持鲁棒性的同时,还能以合理的计算复杂度获得更高的预测精度.     

基于多维泰勒网的自适应混沌时间序列多步预测

提出了一种新的混沌时间序列预测方法——多维泰勒网方法.该方法不以相空间重构方法中嵌入维数和时间延迟这两个关键参数的选取为前提,无需系统的先验知识和机理,仅根据已知的时间序列样本,通过多维泰勒网模型获得n元一阶多项式差分方程组,进而得到能反映非线性系统动力学特性的多维泰勒网动态模型.在此基础上提出了基于多维泰勒网的自适应多步预测方法,通过数据窗口的滑动自适应建模,实现对混沌时间序列的多步预测.将该方法应用于Lorenz混沌时间序列的一步和多步预测,均方误差分别达到2.56×10-5和2.76×10-3.仿真结果表明,该方法可以对混沌时间进行有效预测,且具有较高的预测精度.     

基于Softplus函数的双隐含层BP神经网络的公路客运量预测

为了提高预测模型的精度,提出一种基于Softplus激活函数的双隐含层BP神经网络的预测方法,提高了模型的非线性学习和泛化能力及预测精度,并改善了网络性能。将该方法应用于公路客运量实际预测中进行有效性验证,结果表明该方法对公路客运量有更好的非线性拟合能力和预测准确性。     

基于自适应混合引力搜索算法的混沌系统参数辨识

针对混沌系统未知参数的辨识问题,结合人工蜂群搜索算子和混沌优化策略,提出一种自适应混合引力搜索算法,并应用于混沌系统未知参数的优化辨识.利用混沌序列初始化种群以增强搜索初期的遍历性,基于人工蜂群搜索算子进行变异操作以提高算法的局部寻优能力,依据粒子的性能对进化过程中的万有引力系数进行自适应调整,有效避免了早熟收敛,提高了算法的整体寻优性能.以测试函数和典型混沌系统为例进行仿真实验,结果证明该算法具有良好的全局探测和局部开发能力,与遗传算法、粒子群算法、量子粒子群算法和引力搜索算法比较,其对混沌系统参数的估计具有相对较高的辨识精度和收敛速度,算法的有效性得到了验证.     

基于改进型混合蛙跳算法的支持回归机大坝变形预测模型

支持回归机(SVR)可以用来解决大坝变形的拟合和预测问题,且具有很好的泛化能力,其核心问题是选择适当的惩罚因子和核参数.利用基于拉丁超立方抽样(LHS)和自适应移动算子的改进型混合蛙跳算法(ISFLA)对SVR模型进行参数寻优,建立ISFLA-SVR大坝变形预测模型.通过工程算例表明:ISFLA-SVR模型具有很高的预测精度,可以应用于大坝变形预测.     

基于融合算法优化的卷积神经网络预测方法

由于不同气象条件会影响太阳辐照度的有效利用,这制约了太阳能的应用和发展.为了基于不同站点不同采样时刻的气象属性预测中尺度站的太阳能辐照度,依据传统卷积神经网络的框架,建立了一种新型的卷积神经网络结构幵用于太阳能辐照度预测.为了缓解新型网络由超参数选取不当导致预测性能差的问题,利用融合算法对新型网络的超参数进行优化.为了提高融合优化算法的全局搜索能力,引入帐篷映射对粒子的初始位置和初始速度进行混沌初始化.首先,导入训练集更新新型卷积神经网络框架,训练结束后导入验证集检验当前模型参数下新型卷积框架的性能.其次,混沌融合算法依据新型卷积神经框架在验证集上的预测性能更新模型的超参数.对更新模型的超参数多次检验,直至最优的预测模型在验证集上的性能趋于收敛.最后,辒出模型的最优超参数,建立太阳能辐照度预测模型.基于气象实测数据建立太阳能辐照度预测实验,引入其他两种预测方法进行对比仿真研究,幵尽可能复现了Eustaquio and Titericz团队的预测方法(GBRT)作为太阳能辐照度预测性能的评估基准.实验数据表明:混沌融合算法可以有效地提高新型卷积神经网络的预测性能,所提出预测方法的全年太阳能辐照度的均方误差较GBRT降低25.9%,绝对平均误差较GBRT降低了10.7%;全年太阳能辐照度平均误差率降低了18.4%,误差率小于0.1的样本量增加了21.1%.     

基于相空间重构的支持向量机方法在径流中长期预报中应用

水文中长期预报对于水资源规划管理、水库及水电站调度具有十分重要的意义.针对常规混沌预测方法的局限性,提出基于相空间重构的支持向量机(SVM)预报方法.该方法首先对径流时间序列进行混沌辨识,然后对其进行相空阃重构,采用基于结构风险最小化的SVM进行径流预报.对于SVM的参数优选问题.以径向基核函数作为核函数,采用混沌交尺度优化方法进行参数寻优.实例表明.该方法优于SVM和人工神经网络(ANN)预报方法.且具有良好的泛化推广能力.     

陈氏混沌系统的全局同步与自适应同步

针对陈氏混沌系统提出了两种同步方案:全局同步和不确定参数的自适应同步.基于李亚普诺夫稳定性理论,研究了关于线性反馈耦合全局同步的一般性标准;对于参数未知或不确定的陈氏混沌系统,通过设计适当的控制器和参数自适应律,实现了两种陈氏混沌系统的自适应同步.仿真结果表明:两种同步均能实现陈氏混沌系统指数渐近同步,且同步效果良好,可应用于其他系列混沌系统.     

公路客运量预测方法的比较

科学准确地预测公路客运量,超前掌握公路客运量发展的趋势、特点、规律和数量,是制定公路客运发展和站场配置规划的基础。运用灰色模型、指数平滑模型、回归分析法、弹性系数法等多种预测模型对某城市2003~2015年公路客运量进行了分析预测,通过残差分析和绝对百分误差(MAPE)进行择优,提高了预测精确度。最后采用组合预测确定终值并进行了分析比较。结果表明,组合预测综合考虑了各种因素的影响,能够提高公路客运量预测精度,为公路客运发展提供科学决策依据。     

基于SaCE-ELM的地铁牵引控制单元快速故障诊断

地铁牵引控制单元(TCU)在地铁运行过程中有重要的作用,及时有效地对其进行故障诊断,是保证地铁正常运行的重要环节.针对传统故障诊断方法的学习速度慢、易陷入局部最优、预测精度较差等缺点,提出一种使用自适应差分进化算法(SaCE)进行优化的极限学习机(SaCE-ELM),即通过自适应差分进化算法对极限学习机的输入权重、隐含层参数和输出权重进行优化.其中,差分进化算法的变异策略通过基于混沌序列的自适应机制产生,其他参数使用正态分布随机生成;网络的输出权重使用Moore-Penrose广义逆矩阵计算得出.SaCE-ELM不需要人工选择变异策略和参数,自适应策略比SaE-ELM更加简单.实验结果表明,与E-ELM、SaE-ELM、LM-NN、SVM相比,SaCE-ELM具有更好的预测精度.此外,SaCE-ELM在所有数据集上训练时间比SaE-ELM和SVM更少,有效地改善了生成模型的效率.     

自适应加权最小二乘支持向量机的空调负荷预测

为了提高建筑空调负荷的预测精度,在分析空调负荷主要影响因素的基础上提出了一种基于自适应加权最小二乘支持向量机(AWLS-SVM)的建筑空调负荷预测方法。该方法根据预测误差的统计特性,采用基于改进正态分布加权规则,自适应地赋予每个建模样本不同的权值,以克服异常样本点对模型性能的影响。建模过程中采用粒子群优化(PSO)算法对模型参数进行优化,以进一步提高模型预测精度。基于DeST模拟数据将AWLS-SVM方法应用于南方地区某办公建筑的逐时空调负荷预测中,并与径向基神经网络(RBFNN)模型、LS-SVM模型及WLS-SVM模型作比较,其平均预测绝对误差分别降低了51.84%、13.95%和3.24%,并进一步基于实际空调负荷数据将该方法应用于另一办公建筑的逐日空调负荷预测中。预测结果表明:AWLS-SVM预测的累积负荷误差为4.56MW,亦优于其他3类模型,证明了AWLS-SVM具有较高的预测精度和较好的泛化能力,是建筑空调负荷预测的一种有效方法。     

基于ν-支持向量机的时用水量预测模型

为解决BP神经网络结构较难确定以及过学习的问题,在对时用水量序列进行相关分析的基础上,建立了基于ν-支持向量机(ν-SVM)的时用水量预测模型.ν-sVM算法通过引入参数ν代替传统支持向量机算法的不敏感系数ε,有效地控制支持向量个数.实例分析结果表明,与基于BP网络的预测模型和基于传统SVM的预测模型相比,基于ν-SVM的时用水量预测模型建模速度更快,预测精度更高.     

基于混沌理论的自适应参数图像加密算法

针对数字图像加密特点,提出一种基于混沌理论的自适应参数图像加密算法,将明文图像安全哈希算法(SHA-1)摘要协同用户密钥进行计算,将计算所得的参数作为自适应参数,输入混沌系统产生混沌序列对图像进行置乱和像素扩散,从而使不同的加密图像和加密参数对应不同的加密过程。实验结果表明,该算法密钥敏感度高,能够抵抗选择明文等攻击,具有较好加密性能。     

城市用水量预测的混沌理论研究

分析了混沌理论特征,利用城市用水量混沌特性,建立城市用水量短期预测模型,对城市用水量进行科学预测.利用历史数据信息,在相空间重构基础上对城市用水量时间序列进行分析,分析饱和嵌入维数、延迟时间和Lyapunov指数求解方法并对其进行计算,并以此为指导对城市用水量进行高精度预测.利用建立的模型对东北某市日用水量进行预测,结果表明基于混沌理论的城市用水量预测模型具有较高精度,对于受众多因素影响的城市用水量预测有良好的推广价值.城市用水量受众多因素影响,混沌理论为城市用水量预测提供了崭新思路.     

加权几何平均组合预测方法在公路客运量预测中的应用研究

对我国公路客运量进行科学、准确的预测,提前掌握客运量的变化发展趋势及规律,是为职能部门制定公路客运发展规划和配置基础设施的基础。提出基于向量投影法的加权几何平均的组合预测模型,并运用该模型对某城市2003－2015年公路客运量进行了预测,预测结果表明该方法具有较好的预测精度。     

多变量系统的变时滞无模型自适应单值预测控制

针对难以建模的变时滞多变量非线性系统的控制问题,基于改进具有辅助向量的多变量紧格式动态线性化泛模型,参考多变量单值预测控制算法,提出改进的目标函数,给出变时滞多变量无模型自适应单值预测控制算法,采用自适应递推算式的优化算法进行优化,给出了目标函数的加权网络参数的在线优化算法,解决了试凑法确定加权网络参数的问题.试凑法确定的加权网络参数不能保证控制算法最优,综上研究提出在线优化参数的变时滞多变量无模型自适应单值预测控制算法,仿真结果说明,单值预测控制算法具有无模型自适应控制性能及预测控制功能和参数寻优功能,故算法具有优良的控制性能.