基于支持向量机预测的时序多属性决策法

针对时序多属性决策问题中的预测量大且时间样本有限的特点,以各决策单元的属性时间序列为样本数据,进行多变量时间序列相空间重构,建立用支持向量机预测未来属性值方法,进而提出综合考察决策单元的过去、现在与未来的情况下进行更科学、合理的时序多属性决策方法.     

基于支持向量机的空气降尘预测

支持向量机(Support VectorMachine,SVM)是近年来受到广泛关注的一种学习机器.将支持向量机引入环境时序预测中,有效地求解了空气中降尘的预测问题.实验结果表明,支持向量机不仅具有较强的理论背景,而且具有更强的预测预报能力.     

基于CE-EMD分解和BBO-ELM-BP模型的水文站蒸发量预测研究

为准确掌握大王庙水文站蒸发量数据的变化规律,以该站2009—2021年的蒸发量监测数据为基础,先利用互补式集合经验模态（CE-EMD）开展蒸发量数据的分解处理,将其分解为主趋势分量和周期分量,再通过BBOELM-BP模型实现蒸发量的组合预测,以掌握蒸发量的后期变化规律.分析结果表明：CE-EMD模型能有效实现蒸发量数据的分解处理,并与其他分解模型比较,该模型具有更为有效的分解结果;同时,组合预测结果的相对误差值多在2%～3%,具有较高的预测精度,能有效实现蒸发量的后期预测,并通过不同模型的对比研究,得出该组合预测模型对大样本、长周期的预测效果要优于对小样本、短周期的预测效果,且预测距离对预测结果具有较大影响,主要表现为短距离预测的可信度相对更高.通过本文研究,可有效分析地区的蒸发量变化特征,对掌握其水文规律具有重要意义.     

基于FIG和GWO-SVM的灌浆功率时序预测

为更好地预测灌浆功率时序,建立基于模糊信息粒化(FIG)和灰狼优化支持向量机(GWO-SVM)的灌浆功率时序预测模型。首先,引入信息粒计算方法,将原始详尽的时间序列数值点分解为一系列信息粒,以减少模型的数据输入总量;其次,基于模糊集理论,采用模糊集算子对每个信息粒进行模糊计算,使得到的模糊信息粒可以合理地表示原始数值点集;最后,以支持向量机作为预测工具,并采用灰狼优化算法进行参数寻优,对产生的模糊信息粒进行快速准确的预测。结合实际工程,应用该预测模型对灌浆功率的波动范围和变化趋势进行预测研究,经过性能评价和对比分析,验证了模型的有效性和优越性。     

基于EMD-RVM的短期光伏发电系统功率预测

由于光伏发电并网会对电网产生冲击,进而影响电网的稳定,因此提高光伏发电预测的精度对电网具有重要的意义。考虑到光伏出力的非平稳性和随机性,提出了一种基于经验模态分解(EMD)和相关向量机(RVM)的组合方法(EMD-RVM)对光伏发电系统功率进行预测。首先把历史数据按照天气类型进行分类,利用欧氏距离算法筛选出与待预测日特征相似的历史数据;然后将光伏发电输出功率序列进行集合经验模态分解,得到若干个不同频率的相对平稳的固有模态分量(IMF),通过分析不同分量的特征规律对各分量建立对应的RVM模型,再将各分量的预测值等权值求和得到最终预测值。仿真结果表明,同一些传统预测方法相比,利用EMD-RVM组合方法进行光伏发电预测具有较高的预测精度。     

支持向量机在农业经济预测中的研究

提出了一种基于支持向量机预测农业经济产值的方法.利用14年的棉花数据建立支持向量机预测模型,运用该模型预测了5年的棉花产量,并对预测结果和实际值进行了比较分析,表明该方法用于经济预测是有效的.     

基于神经网络的可靠度时序预测方法研究

提出了利用人工神经网络进行可靠度时序预测的方法 ,分别利用径向基函数 (RBF)网络及自适应模糊神经 (ANFIS)网络对发动机涡轮增压器进行了可靠度的时序预测 .结果表明 ,利用神经网络进行可靠度时序预测是可行的 ,并且ANFIS的预测能力要优于RBF .     

基于支持向量回归机的时态数据预测研究

基于支持回归支持向量机模型,建立了一种对时态数据预测的方法,可以对多属性时态数据进行预测,实验结果表明该方法在预测上具有一定的稳定性和准确性.     

基于CATPCA的优化Transformer卫星电源消耗时序预测研究

提出一种由基于最优尺度量化的分类主成分分析数据处理模块和优化Transformer时序预测模块组成的卫星电源消耗预测方法.针对卫星工程数据的高冗余问题,建立了基于赫斯特指数分析（Hurst）、灰色关联分析以及分类主成分分析（CATPCA）的卫星高维数据处理模型,对百维度时序数据进行有效提取,重构输入数据.采用对抗学习网络架构,建立多学习Transformer的卫星电量预测模型,模型综合考虑影响卫星能源消耗的多种因素以及时序数据依赖,可以在较短的时间内完成高精度卫星电源消耗时序预测.实验部分采用卫星真实运行数据,综合考虑影响卫星能源消耗的多种因素,12 h预测拟合优度达到94%,比BP神经网络,长短期记忆网络（LSTM）精度更高.可以有效克服常规工程数据的冗余、缺失以及脏数据问题,解决了常规时序预测需要依赖长期数据的不足缺陷,有效完成卫星能源短时消耗高精度预测.这对卫星在轨任务规划、卫星在轨健康管理等后续任务提供可靠支持.     

基于时序分解和SSA-LSTM-Attention模型的尾矿坝位移预测

针对尾矿坝位移变形的动态特性和传统预测模型在进行尾矿坝位移预测中的不足,提出了一种基于时序分解和麻雀搜索算法-长短时记忆-注意力机制(sparrow search algorithm-long short-term memory-attention mechanism, SSA-LSTM-Attention)模型的尾矿坝位移预测方法。首先,通过改进的自适应噪声完备集合经验模态分解算法(improved complete ensemble empirical mode decomposition with adaptive noise, ICEEMDAN)将尾矿坝位移监测数据进行分解为趋势项和波动项;其次,一方面采用高斯拟合方法对趋势项进行拟合预测,另一方面通过灰色关联度进行波动项相关影响因子筛选,并将注意力机制与LSTM相结合,建立了基于注意力机制及LSTM的波动项位移预测模型,同时利用SSA对该模型的超参数寻优;最后,将趋势项与波动项叠加得到总的位移预测值。以攀西地区尾矿库为例对模型性能进行了验证,并与反向传播(back propagation, BP)、LSTM、LSTM-Atte...     

基于MWSA的热力系统单参数时序预测方法

热力系统的状态参数变化可以实时反映系统的运行状态,针对热力系统参数运行数据预测手段匮乏的现状,基于4种算法提出一种单参数预测方法并简称MWSA,对当前设备状态参数进行分解降噪、趋势提取和时序预测,并将预测结果作为下一步运行管理策略和装备维修的参考,对系统的长期安全稳定运行具有重要意义.首先,利用中值回归经验模态分解(MREMD)方法将监测得到的运行状态参数分解为若干个本征模态函数(IMF)和残余分量.然后,对不符合筛选条件的分量进行小波阈值降噪(WTD),并将去噪后的分量与原本符合筛选条件的分量重组成新的IMF分量.最后,利用基于奇异值分解(SVD)和优化参数排列熵(PE)的K-means聚类算法,对重组后的IMF分量进行分类,取熵值较低的一类分量重构为趋势项并采用整合滑动平均自回归模型(ARIMA)进行预测.经实际案例验证,该方法能够有效克服原始参数时序中高频噪声的干扰,与不采用降噪处理的同类方法相比,该方法预测的准确度更高.     

小城镇规划的规模预测与发展时序——锡山市杨市镇规划试点研究

现行的小城镇规划规模预测如何补充完善？规模确定后如何分步实施？这些问题是我们当今小城镇能否良性发展的关键问题．本文从理论与实践两方面对其进行了探索研究     

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。     

SVM的特征选择方法在高校就业预测中的应用研究

针对样本和高维数据,研究基于支持向量机的特征选择算法及其在高校就业预测中的应用.利用采集的就业数据,使用SVM方法对数据集进行特征选择,再利用SVM分类器对数据进行已就业和未就业学生的分类,得到了较好的预测结果,为高校就业指导提供了一定的依据.     

作物产量预测时序集对分析模型的应用研究

将时序分析原理和集对分析理论相结合,构建了时序集对分析组合预测模型,并应用于木薯单位面积产量的预测。     

基于误差同步预测的SVM金融时间序列预测方法

在现有支持向量机(SVM)方法的基础上提出对预测误差进行同步预测的双重预测方法,利用预测到的误差对初步预测值进行校正以提高预测精度.针对误差序列非线性、非平稳以及系统动力信息不足的特点,将经验模态分解(EMD)和支持向量机(SVM)方法结合引入误差序列的预测中.对误差序列的预测分别运用初步训练误差和测试误差对预测集合的误差进行预测,将所得到的误差序列分解为若干固有模态分量(IMF),根据各个IMF不同尺度的特点,选择不同的参数对其进行预测,最终合成原始序列的误差预测值,将所预测到的误差与初步原始序列预测值结合,得到最终的预测值.仿真结果表明该方法能够很好地解决预测滞后性和拐点误差大的缺点,相对于普通的SVM预测方法具有更好的预测精度.     

基于支持向量机的城市燃气日负荷预测方法研究

天然气是绿色、高效的能源,在工业生产和居民生活中应用日益广泛。天然气日负荷预测有助于科学合理地进行供应调配,预测结果对于实际工作具有重要参考价值。该文采用支持向量机方法对华北某城市的燃气实际日负荷数据进行了分析,建立了城市燃气日负荷预测模型。讨论了影响燃气日负荷变化的若干主要因素及其对燃气负荷预测建模的影响,分析了数据规则化方法对预测模型准确性的影响。该文建立的模型,对于全年负荷的预测误差小于5%;对于供暖期负荷的预测误差约为2%,结果较好。该文对建模影响因素和预测准确性的讨论,对类似问题有一定借鉴意义。     

差分进化优化参数的LSSVM中长期径流预测

针对LSSVM预测模型参数难以确定的问题,利用差分进化(DE)算法的收敛速度快和全局优化能力,优化LSSVM模型的惩罚因子和核函数参数,避免了人为选择参数的盲目性。将优化后的LSSVM模型应用于中长期径流预测问题。选取黄河三门峡站1919年至1992年径流量实测数据进行分析和训练,对1993年至2002年的年径流量进行预测,并与BP神经网络和SVM模型进行比较。研究结果表明,该模型具有较高的预测精度。