逐步RVM-Markov模型在大坝变形预测中的应用

相关向量机(RVM)模型具有结构稀疏化、核函数选择范围广等特点,应用到大坝变形预测中比支持向量机(SVM)模型更具优势.同时考虑到残差对预测精度的影响,引入Markov链用于预测数据修正,从而得到一种高精度的逐步RVM-Markov组合模型.在实际应用中,RVM模型的泛化能力与SVM相当,向量数量却远小于SVM模型,计算过程得到简化,Mrakov链对残差进行修正后又提高了预测精度.将上述组合模型用于大坝变形实例分析,获得了较好的回归预测效果.     

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.     

支持向量机在公交车辆运行时间预测中的应用

为实时获得道路交通状况并对车辆运行进行调度,开发一个基于支持向量机(SVM)的公交车辆到站时间预测模型,并以大连市23路公交车为例对该模型进行检验.结果表明,本文提出的SVM模型比历史平均模型(HMP)和神经网络模型(ANN)的预测精度更高.     

基于SVM短时交通流量预测

交通流量预测是智能交通系统中非常重要的研究领域,传统的预测方法在交通流量预测中有着非常广泛的应用.但是,在短时交通流量预测中,由于其影响因素错综复杂,传统的预测方法对于短时交通流量不能很好地进行预测.随着机器学习和数据挖掘各种理论的不断提出及完善,机器学习和数据挖掘与交通流量预测的结合是智能交通系统未来发展的一个重要方向.本文利用SVM (support vector machine)构建了短时交通流量预测模型,并利用遗传算法(genetic algorithm)对SVM的惩罚参数C和核参数σ进行优化,同时比较SVM中不同核函数,包括多项式核函数(polynomial kernel)和径向基核函数(RBF kernel)的预测效果.径向基SVM (RBF SVM)训练时间要比多项式SVM (polynomial SVM)短,预测准确率和精度也要比多项式SVM要好.从仿真结果上看,SVM非常适合应用于短时交通流量预测,能够取得很好的预测效果与精度.     

应用支持向量机的空中交通流量组合预测模型

为了提高空中交通流量预测的准确性,研究了将支持向量机(support vector machine, SVM)应用于空中交通流量预测的方法,建立了基于SVM的自回归预测模型,讨论了模型参数确定等关键问题.在SVM预测模型基础上,将SVM与多项式和鲁棒自回归预测模型结合,提出组合预测模型.利用北京周边空域实测流量数据进行的对比实验结果表明: SVM预测模型的预测误差小于5%, 组合预测模型的预测误差小于2%, 均优于多项式和鲁棒自回归预测模型;组合预测模型的预测精度和稳定性整体上又优于SVM预测模型.     

基于潜变量SVM的出行方式预测模型

为提高小样本下的出行方式选择模型的预测精度,提出了考虑低碳出行心理变量的支持向量机(SVM)算法.首先基于计划行为理论,考虑低碳出行心理因素,建立多原因多指标潜变量模型.然后将预测后的潜变量带入SVM分类器,构建了带潜变量的SVM选择模型.最后,利用交叉验证优化所建模型参数,并以长三角地区城市居民为研究对象实证检验了模型性能.实证结果表明,所建带潜变量的SVM选择模型具有较好的预测效果,比不带潜变量的SVM选择模型的精度提高了4.54%,比传统的带潜变量的混合选择模型提高了2.56%,同时验证了小样本下模型仍然具有很高的精度.本研究为出行方式选择模型和低碳出行方式选择研究提供了一定的理论参考.     

基于ARIMA与SVM混合模型的连续血压预测

由于血压时间序列数据受到多种因素影响,具有时变性、非线性和非平稳性特征,因此利用单一的时序预测模型难以准确描述血压的复杂变化规律.为了提高模型的预测精度,本文提出一种基于差分自回归移动平均(ARIMA)和支持向量机(SVM)的混合预测模型,并利用粒子群优化(PSO)算法优化SVM模型参数.利用养老院血压历史数据对模型进行验证.实验结果表明,基于ARIMA与SVM的混合模型预测精度高,更能全面描述血压时间序列的变化趋势.     

依赖单形向量机的启发式网络安全态势预测

以支持向量机(SVM)为基础提出一种网络安全态势预测方法.SVM可以借助于已有的网络安全态势值对未来安全进行预测,并引入了遗传算法对SVM进行参数优化,进而提升其预测效率.仿真结果表明,此模型在预测网络安全态势变化趋势方面有着很好的前景,能够显著提升预测精度,相较于传统预测技术优势显著,更契合当前的互联网环境.     

基于支持向量机的不锈钢冷轧薄板力学性能的预测模型

介绍了支持向量机(SVM)技术中的支持向量机回归模型原理,建立了不锈钢冷轧薄板力学性能预测模型.结果表明,随着训练样本的增加,模型的预测精度也得到提高.证明应用支持向量机构建不锈钢冷轧薄板力学性能预测的数学模型,能较好地解决小样本和模型预测精度间的矛盾,具有较强的泛化能力.     

基于IG-SVM模型的供应链融资企业信用风险预测

为了提高对供应链融资中小企业信用风险预测的精度,在通过对中小企业信用风险评价研究基础上集成机器学习算法构建了能够提高信用风险预测的组合模型。该模型采用支持向量机(Support vector machine,SVM)建立供应链中小企业信用风险分类预测模型,并引入信息增益(Information gain,IG)提取对预测结果有显著贡献的特征变量,优化模型特征输入。在与其他模型的对比实验中可知,采用IG-SVM模型预测的测试样本精确度为97.62%,比单一SVM模型精度提高8.97%。采用IG进行特征优化,能进一步提高SVM模型的预测能力。     

基于LSTM神经网络的畸形波预测

采用长短时记忆(LSTM)神经网络预测方法对某岛礁地形模型的四个典型波浪试验数据进行预测分析,并建立了单步和多步预测模型.首先对波高时间序列数据进行归一化处理;然后建立了包括输入层、隐藏层和输出层的LSTM网络模型框架;最后对测试样本进行单步预测,将预测结果与支持向量机(SVM)模型和反向传播(BP)模型进行了对比.结果表明:LSTM神经网络预测精度有明显优势;多步预测中,提高预测时长其预测精度并无明显降低.     

基于改进PSO的ARIMA-SVM空气质量预测研究

针对现有的单一模型对PM_(2.5)质量浓度预测误差较大的问题,提出自回归积分滑动平均(Autoregressive Integrated Moving Average,ARIMA)-支持向量机(Support Vector Machine,SVM)组合预测的方法.首先,为了解决单核SVM泛化能力弱、学习能力差的缺点,构建基于线性组合的混合核SVM;然后,考虑到普通粒子群算法对SVM参数寻优存在易陷入局部最优解和后期震荡的问题,提出基于余弦函数的自适应惯性权重和增加动量项的改进粒子群算法;最后,以北京市某站点的PM_(2.5)质量浓度数据进行验证.结果表明:改进的组合模型均方根误差较未改进组合模型和单一ARIMA模型分别降低了1.741μg·m~(-3)和6.720μg·m~(-3),具有更加良好的预测精度.     

基于机器学习的拉矫延伸率预测模型及数值分析

在冷轧弯曲矫直过程中,针对拉矫机工艺参数设置问题,利用经验公式、有限元仿真建立的延伸率模型预测精度不高.为提高预测精度,基于传统解析模型与机器学习算法进行研究,比较了两种方法预测模型的精度,得到机器学习算法的延伸率预测模型要比数值解析模型的拟合优度高.比较BP神经网络算法和支持向量机(SVM)算法,得到两种机器学习算法的预测模型精度基本一致.为进一步提高预测精度,采用Adam算法对BP神经网络进行优化,采用遗传算法对SVM预测模型的参数进行优化,最终得到最优预测模型的均值绝对百分比误差MAPE以及拟合优度R^○2分别为13.4%和0.953,可以为实际生产提供技术指导.     

充填钻孔寿命SVM优化预测模型研究

基于充填钻孔是充填料浆从地表输送到井下采场的咽喉工程,是矿山正常运转的保障,对矿山充填钻孔使用寿命进行预测十分重要,建立支持向量机(SVM)回归预测模型,用训练集对模型进行训练,以验证集预测值的均方误差作为适应度函数,通过遗传算法(GA)对SVM模型参数进行优化选择,应用优化得到的SVM模型对预测集进行预测。以某矿为例,通过GA得到SVM模型最优参数:适应值(均方误差)为0.011 1,惩罚系数C为47.076 8,核函数参数σ为2.263 8。采用优化的SVM模型对预测集充填钻孔寿命进行预测,预测结果的最大预测相对误差为8.6%,平均相对误差为5.2%。对比BP神经网络(最大相对误差为13.6%),优化的SVM模型预测结果更加理想,精度更高。     

基于PLS和SVM的纸张抗张强度建模比较

为解决纸张抗张强度预测模型实际相关性差、预测精度低的问题,基于某瓦楞纸厂生产线,通过机理分析筛选出影响抗张强度的生产变量,分别使用偏最小二乘法(PLS)和支持向量机法(SVM)对抗张强度建模,并通过相关性筛选后的简化模型对模型预测精度进行比较.结果表明,简化后的支持向量机模型更适合纸张抗张强度的现场预测,其均方根误差为321N/m,皮尔逊相关系数为0.909,预测速度快且模型精度较高.     

基于GAMPSO-SVM的大坝变形监控模型

建立合理的安全监控模型对实测资料进行实时分析和处理对大坝的安全运行有着重要意义.近年来,支持向量机(SVM)在建立监控模型中得到了广泛应用.但参数的选取对SVM模型的精度有相当大的影响.为了提高参数选择的精度,在标准粒子群算法(PSO)的基础之上,提出了一种加入高斯扰动项的变异粒子群优化算法(GAMPSO),对支持向量机的参数进行寻优,建立了基于GAMPSO-SVM的大坝变形监控模型,并进行工程实例验证.结果表明,该模型能有效避免陷入局部最优,具有更好的预测精度和泛化能力.     

若干评价准则对不平衡数据学习的影响

为解决绝大部分传统的以精度准则为优化目标而获得的分类器不适于不平衡数据学习(IDL)的问题,文中通过在支持向量机(SVM)模型上进行"元学习",研究了精度、平衡精度、几何平均、F1得分、信息增益、AUC(ROC曲线下方图面积)以及文中新提出的GAF和GBF等评价准则对IDL的影响.在16个来自UCI的不平衡数据集上进行了仿真实验.对实验结果的统计分析表明:不同准则对分类器性能的影响有显著差异;即便是对于先进的学习方法支持向量机(SVM)而言,若以精度准则最大化选择分类器,那么得到的SVM分类器也容易偏向预测多类;通过在其他准则上优化,能输出纠偏了的SVM分类器,它们的整体性能更好,尤其是在预测少类能力方面;在GAF以及GBF准则上优化所得的SVM分类器具有稳定且良好的性能.     

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.     

一种参数自调整风电功率预测模型

为了提高风电功率预测精度,提出一种参数自调整风电功率预测模型.通过加权递推最小二乘(SWWRLS)方法建立预测模型,侧重当前数据对预测结果的影响,排除了历史数据对预测结果的干扰.模型通过加权递推的方法节省了存储空间,并且提高了模型对外界环境数据变化的自适应性.最后,分别采用支持向量机(SVM)方法、卡尔曼滤波(KF)方法和本文SWWRLS方法,以辽宁省某风电场的真实历史数据进行风电功率预测对比实验,实验结果表明,本文方法建立的模型具有较高的预测精度.     

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.