高速公路交通量预测的GM(1,1)残差改进模型

针对传统GM(1,1)模型在预测高速公路交通量中存在误差过大、计算复杂的问题,通过定义残差序列,对预测序列与残差序列进行累加再处理,构造新的序列数据;并且对新序列数据构造GM(1,1)残差改进模型,以进行预测。模型应用于某高速公路某收费站,对9期序列数据进行了模拟预测。结果表明,GM(1,1)残差改进模型的平均预测误差为7.25%,优于传统GM(1,1)模型预测的平均相对误差12.7%。     

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。     

基于CPSO和SVM的混沌时间序列预测

提出了一种改进的支持向量机(SVM)混沌时间序列预测精度的方法.对于模型参数估计,引入混沌粒子群优化算法(CPSO)实现全局寻优,利用支持向量回归实现非线性系统的建模和预测.对Mackey-Glass混沌时间序列进行了预测实验的结果表明,本文方法能对Mackey-Glass混沌时间序列进行准确预测.     

蒸发蒸腾量支持向量机预测

分析了遥感月蒸发蒸腾量数据的动态变化趋势,把一维遥感月蒸发蒸腾量输入空间映射到高维输入空间,将蒸发蒸腾量时间序列重构为12维相空间,建立了基于支持向量机的蒸发蒸腾量预测模型。根据预测精度,确定了损失系数ε、惩罚因子C及径向基核函数的宽度σ。通过对48个训练样本的学习,得到拟合样本平均相对误差为3.51%;将模型应用于12个样本的预测,预测平均相对误差为12.30%,预测值与实测值的确定性系数达0.97。结果表明,支持向量机(SVM)模型泛化能力强,具有较满意的预测效果。研究结论较好地解决了小样本、过学习、高维数、局部最小等问题。     

基于支持向量机的多类凋亡蛋白亚细胞位置预测

基于支持向量机,以全部和局部氨基酸序列的n肽组分、序列的亲疏水性分布等五种特征提取方法构成特征向量表示蛋白质序列,对六类细胞凋亡蛋白的亚细胞位置进行预测.结果表明,基于氨基酸二肽组成成分构成的特征向量集(以符号DIPE表示)的预测结果高于其它四种特征向量集的预测结果,在Jackknife检验下,总预测成功率达到了89.3%;与现有的方法比较,发现对于Mitochondrial类凋亡蛋白,支持向量机方法有更好的预测效果.     

基于多种径流预测耦合模型的流域月径流预测优选研究

为了提高径流预测的准确性,以澄碧河流域坝首站1979-2019年共41 a的实测月径流序列为例,在优选Elman神经网络模型、支持向量机模型、BP单一预测模型的基础上,分别耦合经验模态分解(EMD)、集合经验模态分解(EEMD)和经验小波变换分解(EWT),选取纳什效率系数(NSE)、平均相对误差绝对值(MAPE)和均方根误差(RMSE)对测试集的预测结果进行评价与分析。结果表明：相对于Elman神经网络模型和SVM模型,BP模型的预测效果较好;耦合预测模型预测精度都优于单一模型。耦合模型中,EWT-BP的纳什效率系数为0.91,预报等级为甲级,预测精度优于EMD-BP和EEMD-BP。采用数据预处理技术生成平稳序列,可有效减少原序列存在非线性和不稳定性特征的影响,并有利于提高流域水文模型的径流预测能力。     

电阻点焊熔核尺寸的RBF网络模型

以接头质量在线监控为目的,对电阻点焊电极电压和焊接电流等信号进行了时域特征分析,研究了电压、电流信号的周波幅值、峰值、有效值以及接头等效电阻、加热功率的估计方法.利用周波参数时间序列构造RBF神经网络输入向量,进行了点焊接头熔核尺寸预测.结果表明,采用归一化处理后的电流和电压有效值周波序列联合构造输入向量,经样本训练能有效地预测接头熔核尺寸,熔核直径平均验证误差为5.50%,熔核高度的平均验证误差为3.83%,比单独采用动态电阻、加热功率等参数具有更好的精度.     

改进的时间相关序列股票价格混合预测模型研究

金融股票市场是一个极其复杂的演化系统,因此对股价波动进行准确预测是投资者理性规避投资风险的重要渠道。本文首先通过构建科学性较强的自回归移动平均与支持向量机(ARIMASVM)模型分析一维金融时序数据的线性成分,对我国股价波动进行样本内预测并与真实数据作比较,再利用改进的支持向量机(TGDSVM)模型基于金融面板时序数据处理线性预测后剩余的非线性成分信息。采用平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对比例误差(MAPE)、回归指数(WIA)、百分标准误差(SEP)与Nash系数六个预测精度指标检验五只股票日收盘价的预测精度。仿真结果表明:改进的时间相关序列(ARIMA—TGD—SVM)股票价格混合预测模型可以很好的弥补传统支持向量机(SVM)模型对解决多分类问题存在困难和对大规模训练样本难以实施的不足,并有效解决其利用欧式距离表征时序数据内部真实相互关系不足的缺陷,能够为股市预测提供理论依据和实际应用奠定基础。     

综采面区段煤柱宽度的PSO-SVM预测模型

为准确预测缓倾斜煤层区段煤柱宽度,分析了缓倾斜煤层综采工作面的主要影响因素,选取8个因子,建立了粒子群优化的支持向量机区段煤柱宽度预测模型(Particle Swarm Optimization Support Vector Machine,PSO-SVM),通过缓倾斜煤层的区段煤柱宽度情况统计分析,对粒子群优化的支持向量机模型(PSO-SVM)、网格搜索优化的支持向量机模型(GS-SVM)和遗传算法优化的支持向量机模型(GA-SVM) 3种预测方法的精度进行了对比分析。结果表明:3种方法的预测平均相对误差PSO-SVM为1. 81%,GS-SVM为8. 36%,GA-SVM为3. 78%. PSO-SVM模型有较高的预测精度和较强的普适性,能够相对精确、高效地预测缓倾斜煤层区段煤柱宽度,对缓倾斜煤层综采面区段煤柱宽度选取具有一定指导意义。     

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.     

基于聚类分析的短期负荷智能预测方法研究

短期电力负荷预测作为电网企业的基本工作,其精度的提高对于电网企业运营管理和调度管理具有较大的意义,然而由于电力负荷受到诸多非线性因素的影响,因此得到高精度的电力负荷预测结果是比较困难的.本文首先利用数据挖掘中的k-means聚类技术对训练集的气象数据进行聚类分析,分析提取相似日,在提取相似日的相关历史数据后,建立支持向量机模型进行短期电力负荷预测.经算例结果证明,由该方法得出的预测结果平均相对误差为0.88%,和同结构支持向量机预测的平均相对误差(1.66%)以及ARMA预测的平均相对误差(3.81%)相比,预测精度得到明显的提高,证明了该方法的有效性.     

基于灰色关联分析的季节性民航货运量预测

为更精确地预测月度航空货运量,提出组合模型预测方法.该模型由季节GM(1,1)和季节ARIMA乘积模型构成,它结合了该2种模型中时间序列预测的优点.灰色模型GM(1,1)能准确反映时间序列的增长趋势;ARIMA乘积模型对季节特征有较好的拟合效果.依据霍尔特温特预测模型计算季节性GM(1,1)模型的季节指数,并用灰色关联分析求出组合预测中的权值.组合预测模型的平均相对误差为0.62%,而季节性GM(1,1)模型和ARIMA乘积模型的平均相对误差分别为4.49%和-3.16%.预测分析结果说明,该模型的非线性曲线拟合精度和预测精度明显高于单个模型,可较好地反映系统的动态性和运量的季节时序关联性,为季节性时间序列预测提供了新的途径.     

基于不同时间粒度的城市轨道交通短时客流预测

为探究城市轨道交通进站客流量预测精度与时间粒度之间的关系,以西安地铁自动售检票(AFC)系统连续50 d进站客流量数据为研究依据,将地铁运营有效时间划分为5、15、30 min,1、2 h及1 d等不同时间粒度,并对不同时间粒度下客流量时间序列采用Pearson系数法进行相似性度量,然后利用差分整合移动平均自回归(ARIMA)模型对不同时间粒度下的全网进站量进行拟合。以Pearson系数等于0.95作为短时客流预测时间粒度的选取阈值,最终选取在30、60 min及1 d三种时间粒度下用ARIMA模型进行短时客流预测,并与自回归滑动平均(AR)模型、支持向量回归(SVR)模型和BP神经网络预测模型的预测结果进行比较分析。研究结果表明:时间粒度相关性系数变化呈现单波峰形态,在30、60 min及1 d时间粒度下,ARIMA模型预测结果平均相对误差分别为4.12%、3.54%、4.97%;在这4种模型中,ARIMA模型平均预测精度最高,在不同时间粒度下这4种模型的预测误差呈现相同的变化趋势,即平均预测误差由大到小的3种时间粒度分别为1 d,30、60 min。因此,时间粒度大小选取的极端化并不会带来短时客流预测效果的直接提升,优化后的时间序列模型在西安地铁全网进站客流量短期预测方面具有较高的精度,研究成果可为城市轨道交通行车组织优化提供技术支持。     

基于非平稳序列的主机负载预测及合成技术

提出一种新的主机负载表征指标--并发连接数,分析基于并发连接数的主机负载的自相似性和非平稳性,构建基于小波和支持向量回归的负载预测及合成算法.将主机负载序列进行多层小波分解与单支重构,低频信号采用AR模型预测,最小尺度高频信号采用加权移动平均方法预测,其它分支采用支持向量回归(SVR)预测;各信号预测值基于SVR方法加以合成,获得最终预测值.实验结果表明,将小波与支持向量回归应用于Web服务器负载预测的效果明显好于传统方法.     

基于支持向量机的云计算资源负载预测模型

为了准确描述云计算资源负载的动态变化趋势,设计了云计算资源负载预测模型。采用混沌分析算法对云计算资源负载的时间序列进行处理,构建云计算资源负载预测的学习样本。采用支持向量机(SVM)建立云计算资源负载的预测模型,并设计了组合核函数,以提高SVM的学习能力。选择灰色模型、反向传播(BP)神经网络、径向基函数(RBF)神经网络、RBF核函数的支持向量机进行云计算资源负载预测的仿真对比实验。结果表明,对单步云计算资源负载预测时,该文模型的预测精度为94.85%,仅低于灰色模型的95.85%;对多步云计算资源负载预测时,该文模型的预测精度最高,为89.17%。     

基于小波包分解的GJO-XGBoost水面蒸发量预测

为提高水面蒸发量预测精度,提出一种基于小波包变换(WPT)、金豺优化(GJO)算法和极端梯度提升(XGBoost)算法相融合的水面蒸发量时间序列预测模型,通过云南省龙潭站、董湖站、西洋站1991—2021年逐月水面蒸发量时序数据对模型进行检验.首先介绍GJO原理,在不同维度条件下选取4个标准函数对GJO进行仿真测试,并与粒子群优化(PSO)算法的仿真结果作对比.其次采用小波包变换(WPT)对逐月水面蒸发量时序数据进行分解处理,构建XGBoost算法输入输出向量.最后引入GJO算法对XGBoost超参数进行调优,建立WPT-GJO-XGBoost模型对各子序列分量进行预测和重构,并构建WPT-PSO-XGBoost、WPT-GJO-SVM、WPT-PSO-SVM、WPT-XGBoost作对比分析模型.结果表明：在不同维条件下GJO算法寻优精度优于PSO算法.WPT-GJO-XGBoost模型对龙潭站、董湖站、西洋站水面蒸发量预测的平均绝对百分比误差分别为5.491%、4.943%、5.024%,平均绝对误差分别为4.70、3.37、3.39 mm,预测精度优于WPT-PSO-XGBoos...     

基于Log-ARIMA的道路运行车速预测模型

道路运行车速预测是交通预测的难点,运行车速随交通条件的变化而变化,为提高道路运行车速预测精度,构建了自回归移动平均(ARIMA)时间序列模型,并结合实例对重庆市江北区红黄路早高峰小客车平均运行车速进行了预测。结果表明:相较于传统的线性回归、多项式拟合、指数拟合和模糊线性回归预测模型,ARIMA预测模型的平均绝对误差分别下降了19.1%,50%,6.5%和3.7%;另外,将原始序列取自然对数后再建立ARIMA的Log-ARIMA模型可进一步提高预测精度,预测绝对误差为5.21,与普通ARIMA模型比较,平均相对误差下降了29.9%。     

大黄鱼转录组水平miRNA的生物信息学分析

根据成熟miRNA序列在物种间高度保守的特性,miRNA前体可以形成茎环状的二级结构,以及miRNA非编码的特性,搭建出了miRNA挖掘的生物信息学流程,并利用此流程在大黄鱼全转录组中进行miRNA的挖掘,得到54条成熟miRNA序列以及54条前体序列(pre-miRNA),根据其种子区的序列将其归为29个miRNA家族。通过对预测得到的miRNA前体序列同其他物种中相同家族的miRNA前体序列构建系统进化树,揭示出同一家族的miRNA前体在不同物种之间的保守性和多样性。利用两种靶基因预测软件,对成熟miRNA进行靶基因预测,共得到2360个靶基因,并对这些靶基因使用BLAST2GO做了进一步的GO注释和富集分析。     

EMD分解下基于SVR的股票价格集成预测

为实现对非平稳、非线性股票价格时间序列的高精度预测,提出经验模态分解下基于支持向量回归的股票价格集成预测方法EMD-SVRF(EMD and SVR based stock price integrated forecasting)。首先,运用经验模态分解方法获得股票对数收益率时间序列的本征模函数及趋势序列,然后,利用ε不敏感支持向量回归为各本征模函数及趋势序列分别建立预测模型,并计算各本征模函数及趋势项的预测值,最后,集成得到股票收益率序列预测值。实验表明,相对现有的EMD-Elman网络和ARMA-GARCH等主流股价预测方法,EMD-SVRF具有更小的拟合误差和预测误差,是一种高精度的股票价格预测方法。     

基于ARIMA与信息粒化SVR组合模型的交通事故时序预测

该文基于自回归滑动平均(ARIMA)模型和支持向量回归机(SVR)模型,构建时间序列组合预测模型,对道路交通事故相关指标进行趋势预测。通过ARIMA预测模型进行线性拟合;基于模糊信息粒化方法,将ARIMA预测模型残差季度变化趋势映射为包含最小值Low、中值R、最大值Up三个参数的模糊信息粒;并以其为输入构建SVR模型,对季度残差变化趋势进行预测;最后根据SVR残差预测值修正ARIMA模型预测值。实证研究结果表明:时间序列组合预测模型精度优于单一ARIMA模型,由模糊信息粒子确定的预测区间较好描述了实证数据的季度变化趋势。