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。     

基于模糊信息粒化的支持向量机在犯罪时序预测中的应用

犯罪时间序列一般具有随机性和波动性强的特点。传统的时间序列建模方法利用犯罪时序数据之间的相关性建立预测模型;但对细颗粒度下的信息利用不足。相比之下,基于模糊信息粒化的支持向量机能够在对时间序列的细颗粒度数据进行粒化预处理的基础上建立拟合回归模型,实现粗颗粒度下的时序预测。利用基于模糊信息粒化的支持向量机方法对S市的侵财类案件数据进行分析预测,并与ARIMA模型进行了比较。结果表明该方法在预测精度上要显著优于时间序列预测模型。对公安部门的警务指挥与情报研判具有较高的实用性。     

基于模糊信息粒化的机动车流量SVM预测方法

以某路口全年小时级别的机动车流量为基础,提出了一种基于模糊信息粒化的支持向量机机动车流量预测方法.选取7个影响因素作为自变量,以当前小时的机动车流量作为因变量,利用前360天的8 640组数据预测后5天上午8点的机动车流量.进行了数据的预处理,模糊信息粒化,利用支持向量机对粒化数据进行回归预测.后5天上午8点实际的机动车流量都在模糊粒子Low、R、Up预测的变化区间内,表明本预测方法是可行的.     

基于模糊信息粒化软测量建模方法研究

提出了一种模糊信息粒化方法和支持向量机相结合的软测量建模方法.利用模糊信息粒化方法对样本数据进行特征提取,降低样本的维数;利用提取的特征作为支持向量机的输入进行建模.用该方法建立柴油凝点的软测量模型,结果表明,该模型具有很好的预测精度和泛化性能,是一种有效的数据建模方法.     

基于模糊信息粒化和支持向量机的Brent原油期货价格预测

随着原油市场环境的日益复杂,模型很难准确预测未来某段时间的原油价格.在保证预测精度的前提下为获得尽可能久的预测时长,采用模糊信息粒化方法简化计算复杂度,通过压缩样本点信息得到Up、Low和R三个模糊参数.针对原油价格时间序列周期性、非线性和长时记忆性的特点,基于支持向量机算法对模糊参数进行回归预测.研究表明,此法能够较...     

模糊信息粒化和GWO-SVM算法结合的短期风速范围预测

为了实现对风速范围区间的准确预测,提出一种基于模糊信息粒化和灰狼优化-支持向量机(GWO-SVM)算法的风速预测模型.该模型首先利用模糊信息粒子,从一段连续时间的风速值提取出最大值、最小值及大致的平均水平值;然后,采用时间序列风速输入模型,构建输入支持向量机模型的标签向量与特征矩阵;最后,通过灰狼算法进行支持向量机预测模型的参数寻优,实现对风速范围区间的准确预测.在实例验证阶段,将风速历史数据进行模糊粒化,采取4种不同的参数寻优方式对支持向量机预测模型进行参数寻优.结果表明:GWO-SVM算法可以有效地提高风速范围预测的精确度.     

基于支持向量机的短期GDP预测模型与应用研究

支持向量机是最近几年国际上模式识别研究的热点,具有全局最优和良好的泛化能力.本文在理论分析江门市GDP预测指标体系的前提下,研究了基于SVM的预测方法,并运用实际数据进行建模和预测,获得了比较准确的预测结果.     

多岩性信息融合在砂泥岩孔隙度预测中的应用

储层孔隙度是表征储油物性、建立各类地质模型的重要参数。支持向量回归机(SVR)凭借良好的非线性回归能力,在孔隙度预测中开始广泛应用。由于不同岩性的储层孔隙类型不同,孔隙度结构也存在较大差异,导致该方法的实际应用效果仍不理想。针对上述问题,在孔隙度预测模型中考虑了岩性信息,将样本岩性转化为一种与岩性变化相关性好的属性值,以此构造一种新的预测模型。使用网格粗选和网格精选相结合的方法,优选模型参数。网格粗选确定最优解的近似范围,网格精选可以在局部区间搜索到最优解。结果表明:利用优选参数建立的预测模型,在实际资料预测结果中,加入岩性信息可以提高储层孔隙度的预测精度,该方法可行。     

模糊信息粒化理论及应用研究综述

信息粒化因模拟人类分析处理复杂问题的方式而受到广泛关注．基于模糊集理论、粗糙集理论及商空间理论等典型信息粒化理论及方法的研究已取得长足的发展, 其中基于模糊集的信息粒化理论及方法旨在应对普遍存在的具有模糊性的问题和现象．本文综述模糊信息粒化理论与方法的建立及发展过程, 梳理模糊信息粒化研究成果的系统体系结构, 总结其在聚类、预测和关联规则挖掘等重要领域的应用,以促进该领域的研究．      

基于SVR的非线性时间序列预测方法应用综述

基于支持向量回归(Support Vector Regression,简称SVR)的非线性时间序列预测是智能预测的重要前沿课题,在许多领域有着非常广泛的应用前景。文章介绍了SVR基本理论和方法,从金融、电力、交通、旅游等领域的典型应用对基于SVR的非线性时间序列预测进行了综述,分析了目前SVR在核函数、自由参数选择和输入数据处理方面存在的问题及其在应用领域进一步研究的方向。     

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.     

基于信息粒化、语词计算模糊控制系统中的信息重组

在定义了粒元关系网络和矩阵的基础上,研究了基于信息粒化、语词计算模糊控制系统中的信息重组方法,并通过算例说明了此方法的有效性。     

基于信息粒化和语词计算的模糊控制器

提出了一种基于信息粒化和语词计算（IGCW）的模糊控制器的结构,此模糊控制器具有更强的信息处理和推理判断能力,更高速度地模拟了人类智能,对于具有不确定性的大复杂大系统的控制、决策,有着良好的应用前景。     

粒集理论:粒计算的新模型

在已有的有关粒计算研究成果的基础上,表述了信息的粒化、层次化和动态性原理,并综合了粒的表示形 式后,提出了粒集的概念,确认了粒的二元组的表示形式#同时借用统一集的形式对粒集进行了描述,分析了统一 集与粒集的异同,给出了与粒集相关的一些概念,讨论了用粒集形式来表达其他各种各样的集合,诸如经典集合、 模糊集合、可拓集合、Vague集合、粗糙集合等后,又讨论并表示了粒运算和粒集运算,最后给出了粒集理论的初步 应用框架。粒集理论为粒计算提供很好的理论基础，从而使粒计算确立自己独立的研究领域。     

小波分析和SVR在供热负荷预测中的应用

采用热计量后供热系统将成为变流量系统，结合小波分析和支持向量回归（SVR）及时准确预测热负荷，使供热控制跟踪热量的变化,利用偏相关分析来选择模型输入参数，将小波分析应用于数据消噪处理，建立支持向量回归负荷预测模型。研究结果表明，该方法提高了运算效率和预测精度。     

基于SVR的火控机解算性能测试

针对火控机解算性能的测试问题,提出使用支持向量机回归模型来拟合射击诸元曲线.通过使其与火控机解算出的实际射击诸元进行互相关计算来统一时序关系,以便于比对误差,从而检测火控机解算的正确性.为了验证该拟合方法的可行性,对支持向量机回归的拟合过程进行了计算机仿真,并与用人工神经网络等方法拟合的效果进行了比较.     

基于SVR的旋转电弧焊接形态预测模型

本文提出了SVR算法建立旋转电弧焊接形态的算法。旋转电弧焊接过程是一个多因素耦合的过程,有必要建立关于旋转电弧焊接的焊缝形态预测模型。选择旋转频率,旋转半径,焊枪高度和焊接电流的四个主要变量作为模型的输入,焊缝的宽度和深度作为输出。试验结果表明,基于SVR建立的焊缝形态预测模型在小样本训练数据的情况下具有较高的精度。     

支持向量机在电液伺服系统辨识建模中的应用

提出了电液伺服系统的支持向量机的辨识建模方法。利用电液伺服系统的可测参量,建立了基于支持向量机的电液伺服系统的模型。以电液位置伺服系统为例,进行了仿真实验。仿真结果表明支持向量机模型具有辨识精度高,推广性能好的优点,从而验证了该方法的正确性和有效性。     

支持向量机在机械设备振动信号趋势预测中的应用

将支持向量机（SVMs）用于机械设备振动信号趋势预测中，研究了SVMs参数及核函数类型对SVMs预测能力的影响．试验显示，在短期预测中4种核函数有着基本相同的预测能力，而在长期预测中，径向基函数核和多项式核表现出了相对较高的预测能力，同线性核和神经网络核相比，它们的归一化均方误差约降低了20％．SVMs与向后传播神经网络、径向基函数网络和广义回归神经网络预测能力的对比表明，实现了结构风险最小化原理的SVMs具有更好的预测能力，在长期预测中，其归一化均方误差约降低了15％。     

基于RSBRA离散化方法的支持向量机集成

提出一种新的基于离散化方法的支持向量机集成算法,该算法采用粗糙集和布尔推理离散化方法构造有差异的基分类器,进一步提高了集成学习机的分类性能.实验结果表明,所提算法具有明显优于单一支持向量机的分类性能,并能取得比传统的集成学习算法Bagging和Adaboost更高的分类正确率.