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.     

基于支持向量机的短期风速预测研究

目的 为了减少风电场风速预测的误差,研究基于支持向量机(SVM)模型的短期风速预测.方法 采用SVM回归估计算法建立预测模型.结果 将该方法应用于实测数据进行预测,结果表明预测误差确实得到了降低.结论 和传统回归方法(如ARMA)比较说明所建模型是可行和有效的.     

多项式与SVM预测模型的理论分析及应用比较

标准支持向量机(SVM)及其改进形式的最小二乘支持向量机(LS-SVM)基于结构风险最小化,成功解决了多项式模型在预测方面所面临的问题;文章首先从理论上分析了SVM模型比多项式回归模型在预测方面更具有优越性;具体实验结果表明,SVM模型预测精度高,抗干扰能力强,更适合在预测方面的应用.     

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。     

基于近红外光谱的杏仁糖中糖含量预测模型的研究

本研究以32个杏仁糖样品为研究对象,使用4种不同近红外光谱仪采集样品的光谱数据,利用二阶导数光谱法处理数据,并结合Savizky-Golay平滑方法,计算二阶导数光谱。将数据集预处理后,建立偏最小二乘(PLS)和支持向量机(SVM)模型用于预测未知样品的糖含量,通过对两个模型的应用发现,PLS模型预测值与真实值偏差较大,均方根误差为2.9822,而SVM模型中利用10折交叉验证优化参数,优化参数后预测值几乎全部与真实值相同,预测值与真实值间均方根误差为0.0127,误差极小。综上所述, SVM模型均方根误差较小,所以选择SVM模型作为糖的预测模型,为杏仁糖样品中糖含量的快速检测提供一种精确简单的方法,此模型可推广至食品中糖含量的定量分析。     

基于SDCS-SVM的大坝安全监测模型

惩罚因子c和核函数参数σ的选择对于支持向量机(SVM)回归模型的拟合和预测精度至关重要.为克服SVM模型易陷入局部最优点的缺陷,利用基于最速下降法的混合布谷鸟搜索算法(SDCS)进行SVM参数的优选,提出了SDCS-SVM模型并运用于大坝的安全监测.通过实例验证分析表明,与多元回归模型相比,SDCS-SVM模型的预测精度和泛化能力均有一定程度的提高.     

基于引力搜索算法的SVM参数优化及应用

为了提高支持向量机(SVM)模型的拟合精度和泛化能力,以最小化输出量的均方误差为目标,采用基于万有引力定律的优化机制,提出了一种基于引力搜索算法的SVM参数优化方法。通过仿真实验验证,基于引力搜索算法的SVM回归模型不但精度高且泛化能力强。将该方法应用于谷氨酸发酵过程的建模研究,仿真结果表明,该方法可以提高谷氨酸质量浓度的预测精度。     

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SVM-LR模型的滑坡易发性评价——以临潼区为例

以临潼区作为研究区,在收集资料的基础上,选取12类影响因素作为评价因子,采用滑坡相对点密度分析滑坡点与评价因子的空间分布关系,通过Spearman对因子相关性进行分析,剔除地形起伏度因子;分别采用支持向量机模型(support vector machine,SVM)与逻辑回归模型(logistic regression,LR)对区内滑坡易发性进行评价,评价结果表明:SVM、LR模型的预测准确率分别为81. 8%、86. 4%。在此基础上,通过建立max{LSI(SVM)、LSI(LR)}函数,提出SVM-LR模型并用于研究区滑坡灾害易发性评价中。最后采用受试者特性曲线(receiver operate curve,ROC)对3种模型的预测精度进行检验与对比,检验结果表明:SVM-LR模型的成功率与预测率均高于SVM、LR模型,在极高易发区—高易发区内,滑坡灾害点所占百分率提高了2. 8%。研究结果可以为滑坡易发性评价提供一种新的思路。     

支持向量机预测煤层含气量

在分析煤层含气量影响因素的基础上,采用基于小样本理论的支持向量机(SVM)回归方法,建立了预测煤层含气量的计算模型。通过对沁水盆地南部目标煤层含气量影响因素分析,建立了煤变质程度、储层压力、温度及煤质特征支持向量机模型并进行了训练和测试。结果表明:SVM模型预测结果和实测结果误差小,为煤层气资源的勘探开发提供参考,是预测煤层含气量的新途径。