基于主成分分析和支持向量机的区域降水预测应用研究

将主成分分析和支持向量机回归相结合, 以广西5、6月区域平均日降水量作为预报对象, 进行区域日降水量预测研究.首先,整理分析大量的T213数值预报产品信息数据进行主成分分析, 得到主成分数据序列; 其次, 根据主成分数据序列建立训练集训练支持向量机, 并利用遗传算法优化参数; 最后, 输入支持向量机所需数据, 得到主成分预测结果, 建立广西日降水预报模型. 实例计算结果表明, 支持向量机回归模型比逐步回归模型有更好的预测能力.     

基于遗传算法优化支持向量回归机的网格负载预测模型

提出一种基于遗传算法优化支持向量回归机的模型进行网格负载预测,使用遗传算法和交叉验证技术解决了支持向量回归机参数难以确定的问题.标准数据集仿真实验结果表明,该模型与试验法定参的支持向量回归机和BP神经网络相比具有更优的预测性能.     

基于PSO—SVR的电力负荷预测

电力系统负荷预测精度直接决定了预测模型的质量.为了降低预测模型输出结果的预测误差,提出了粒子群算法优化支持向量机回归这一智能预测方法.通过对环境温度、节假日、工作日、日期的采集与分析作为模型的输入,以日平均负荷作为模型的输出.最后,通过仿真,对引入粒子群算法的支持向量机回归模型的预测结果进行对比分析.结果表明:优化后的智能模型取得了更为理想的预测结果.     

融合Logistic回归与Tabnet模型的P2P网贷违约预测方法

结合P2P网贷平台的特点,融合Logistic回归和Tabnet模型,提出一种P2P网贷违约预测方法。采集人人贷平台借贷数据,并对数据进行清洗与加工预处理;通过信息价值法和相关性分析,对众多解释变量进行筛选,以借款状态作为因变量,采用Tabnet神经网络进行训练,根据训练得到的特征重要性选择关键的解释变量;将Tabnet神经网络预测结果作为新的训练数据集,构建Logistic回归模型;将人人贷数据集输入Logistic回归学习与训练,以训练好的Logistic回归用于网贷违约预测。实验结果表明,Tabnet模型的网贷违约平均预测准确率和精确率分别为9958%、9547%,Logistic回归的平均准确率和精确率分别为9872%、9221%,而融合模型的平均准确率和精确率分别为9960%、9672%;在3个测试集上的准确率标准差分别为0001 4、0000 6、0000 5,精确率标准差分别为0034 4、0013 3、0013 2。表明融合Logistic回归与Tabnet的网贷违约预测方法具有Logistic回归模型的可解释性与稳定性,可提高单一模型的预测精确度。     

基于组合模型的高铁隧道围岩收敛变形预测

为提高围岩收敛变形预测精度,依托阳山高速铁路隧道,基于贝叶斯参数优化的经验模型预测收敛变形的趋势项,然后采用支持向量回归算法修正经验模型的预测结果,据此构建基于组合模型的高铁隧道围岩收敛变形预测模型.将均方误差和平均绝对百分误差作为评价指标,与同类型支持向量机回归模型的预测结果进行对比.结果 表明,经验模型的预测值与目标值随时间变化的趋势一致,但对于数据中的波动部分,预测值与目标值存在较大偏差.误差修正模型较好地预测数据中的波动部分,对提高预测精度效果明显.在2组实测数据中,组合模型预测值的均方误差相较于经验模型降幅分别达到97.0％和93.4％,且较同类型支持向量机回归模型具有更高的预测精度.     

基于最小二乘支持向量机的风速组合预测模型

探讨了基于最小二乘支持向量机的组合预测模型在风速短期预测中的可行性.该模型以BP神经网络、RBF神经网络、粒子群BP神经网络3种预测模型的风速预测值作为组合预测模型的输入,实际风速值为输出,利用最小二乘支持向量机回归算法构造风速间的非线性关系,以实现风速多步预测.将该模型的预测性能与BP神经网络组合预测模型、线性组合预测模型进行比较,通过平均绝对误差、误差平方和、平均相对误差3个指标进行评价.结果表明,最小二乘支持向量机预测模型的平均相对误差低于6%,其他误差指标也明显低于其他预测模型.因此,最小二乘支持向量机组合预测模型预测精度不仅高于任一单项预测模型预测精度,而且高于传统的线性组合预测模型与一般BP神经网络组合预测模型.验证了该模型在风速预测中的可行性.     

基于CFD数值模拟和AI算法的燃气轮机燃烧优化

为提高燃气轮机的燃烧性能和稳定性,减少污染物排放,提出了一种基于CFD数值模拟和AI算法的燃气轮机燃烧优化方法.利用大涡模拟(LES)和部分预混火焰面生成流形(FGM)燃烧模型来保证CFD数值模拟的准确性,将其计算结果与电厂运行数据相结合,建立更全面的训练数据库,然后利用拉依达法则和核主成分分析法(KPCA)进行数据预处理.在此基础上,建立了3个最小二乘支持向量机(LS-SVM)模型,分别用来预测NO_x排放量、燃烧效率和压力脉动最大幅值,预测的平均相对误差分别为0.562%、0.336%和0.469%.结果表明,CFD模拟数据的加入使该预测模型适用范围更广,稳定性和准确性更高.基于最小二乘支持向量机模型的预测结果,采用遗传算法(GA)对燃料比例分配、空燃体积比等参数进行优化,最终得到NO_x排放量、燃烧效率和压力脉动最大幅值的平均优化量分别为3.692×10~(-6)、0.568%和0.926 kPa,基本满足优化要求.     

基于3种模型的航线客流预测仿真

准确地预测航线的客流量,对于航空公司的运力安排、航线调整、规划发展都有着重要的作用.针对民航客流量预测具有诸多不确定性和数据不足的特点,基于某航空公司2010年—2017年北京—三亚航线每天的客流数据,运用了随机森林预测模型、支持向量机回归模型、神经网络模型对航线数据进行了数据拟合.经验证,3个模型的平均绝对误差分别为4. 18%、6. 87%、12. 38%,其中,随机森林预测模型精度最高,效果最佳,可以用于客流预测仿真.     

基于神经网络的自适应动态电源管理模型

利用人工神经网络具有从大量不完整数据中逐步获取知识并进行复杂目标优化的能力,提出一种基于改进的BP神经网络预测功耗可管理器件空闲时间长度的自适应动态电源管理模型(AMBA).该模型根据空闲时间长度预测值选择最佳低功耗模式,并且通过预测性能评估结果动态调整神经网络的网络权值,从而能够自适应功耗可管理器件负载特性的变化.仿真结果表明了该模型的有效性,预测正确率可以达到80%左右,平均功耗比指数平均预测方法降低了30%,比Timeout策略降低了37%.     

基于小波分解-卷积神经网络和支持向量回归的短期负荷预测

为了提高短期负荷预测精度,考虑到除历史负荷数据之外的其他因素对短期负荷预测的重要影响,提出了一种基于离散小波分解(wavelet decomposition, WD)、卷积神经网络(convolutional neural network, CNN)和支持向量回归(support vector regression, SVR)的负荷预测模型。首先,该方法通过小波分解算法对历史负荷数据进行分析与重构,得到长度相同的历史负荷数据,降低了原始序列中非平稳性对预测精度的影响;其次,对天气因素、日期类型进行特征构造,得到特征数据;最后,将处理后的负荷数据输入卷积神经网络支持向量回归机模型,将天气特征数据输入反向传播(back propagation, BP)神经网络支持向量回归模型,通过两个模型结果的叠加得到最终的预测值。实验结果表明,模型的预测精度和效率优于传统的CNN网络、SVR网络以及输入不进行划分的CNN-SVR模型,验证了其可行性。     

城市声景观

简要叙述了一系列关于城市声景评价、模拟以及预测的综合研究，这些研究特别着眼于城市公共开放空间，其中声景评价重点研究各种声学、环境、社会、人口、心理、文化和行为因素对声景质量的影响，以及描述声景的主要因素，这部分研究主要建立在一系列在欧洲和中国进行的声景调查的基础上．发展了计算小尺度城市区域的声场模拟模型，包括基于声能的虚声源法、声线追踪法、radiosity法、声线追踪／radiosity综合法，以及城市声场可听化技术，然后利用这些模型对小尺度城市区域的声场基本特征以及建筑设计和城市规划的作用进行了分析．最后，运用人工神经网络技术以及序数逻辑回归技术，提出了一个预测声景质量的模型工具，其输入包括设计的空间和声源情况以及使用者的社会、人口及行为特点等．     

基于飞行计划集中处理的预战术航路飞行流量预测

为准确把握航路点流量变化趋势和缓解空中交通压力,提出了一种基于飞行计划集中处理的流量预测方法。首先,在预战术飞行流量管理阶段,通过飞行计划集中处理可得到的航空器飞行计划信息,根据各航班在起飞前提交的领航计划电报和全飞行剖面混杂模型来预测航空器的航迹;然后,通过预测出航空器过关键航路点的过点时间,并结合空域结构数据来获得主要航路点的流量预测值;最后,通过算例仿真的结果可以发现所提出的航路飞行流量预测方法能够很好的对关键航路点进行预测,并且方法是切实可行和有效的。     

基于场强预测模型的无线通信网络规划软件包的设计与实现

设计与实现一种基于场强预测模型的无线通信网络规划软件包．讨论了目前常用的一些场强预测模型，通过分析和比较这些模型的特点与适用范围，提出适用于无线通信网络规划的OM模型、Egli模型与CCIR模型．利用这些场强预测模型，完成了无线通信网络规划软件包的主要功能模块，即地理信息查询模块、场强分布预测模块以及频率干扰分析模块的设计与实现．实际地理环境下的仿真结果证明，该软件包设计合理，计算准确，现已应用于无线通信网络规划的工程实际设计中。     

基于关联规则及组合模型的面料需求预测

由于服装的面料组成具有复杂性,企业在不同时间对不同规格型号面料需求量不一致,传统的人工预测及单维度智能预测模型难以解决问题。针对服装企业面料需求非确定性、预测难的痛点,提出基于关联规则及组合模型的面料需求预测方法。文章首先构建Apriori面料型号关联模型,挖掘多批多类面料间的型号关联规则;然后构建Prophet时间序列模型与长短期记忆神经网络(long short-term memory,LSTM)的组合预测模型Prophet-LSTM,结合其在解决面料需求预测问题上的优势;最后将挖掘出的高关联面料型号历史需求数据作为输入,采用量子粒子群算法(quantum particle swarm optimization,QPSO)优化组合模型权值系数,进行关联面料需求量预测。使用RMES(root mean squared error,RMSE)及MAE(mean absolute error,MAE)作为评价指标设计对比实验,实验结果表明：采用量子粒子群优化的QPSOProphet-LSTM面料需求预测模型RMES较Prophet降低5.464,较LSTM降低1.184;MAE较Prophet降低4.261,较LSTM降低0.819,需求预测精度更高,支持服装企业面料柔性生产。     

一种静态和动态分支预测的组合方法研究

随着指令发射宽度和流水线深度的增加,分支预测成为影响现代微处理器性能的重要因素.传统分支预测策略的静态和动态分法并未充分利用二者各自的优点.提出了一种将静态分支预测和动态分支预测策略相组合的分支预测方法,然后用SPECint95基准程序对其性能进行了评估,仿真实验结果表明,提出的分支预测方法比传统的gshare预测器具有更高的预测准确率,并且与许多其它动态预测器相比,其硬件开销要小得多.     

基于线性LTSA算法维数约减的软件缺陷预测研究

软件缺陷预测是软件开发过程中的一项重要技术,针对软件缺陷数据集的高维、小采样造成预测精度下降的问题,采用线性局部切空间排列算法对数据集降维处理,选用支持向量机作为基础分类器进行二值分类,建立软件缺陷预测模型,采用二维混淆矩阵评价模型的预测精度.实验结果表明,与其他模型相比,该模型可用较少的邻域点约简至更低的维度,不需要重新学习样本空间的流行几何结构,直接映射新的样本点,且预测时间耗费成本由13. 726 9 s降低至6. 217 s,给定参数区间寻优时间耗费由267. 442 1 s降低至165. 98 s,有效提高了软件缺陷预测的效率.     

清香型优质烟叶物理特性指标预测分析

探究清香型优质烟叶物理特性指标与生态因子间的定量关系,构建物理特性指标预测模型。选择云南省玉溪市2019-2020年优质烟叶的物理特性指标数据与生态数据（气象、土壤和海拔）,建立多元线性统计预测模型与BP神经网络预测模型,并分析各生态因子对烟叶物理特性指标的相对贡献率;利用均方根误差（Root Mean Square Error,RMSE）与归一化均方根误差（Normalized Root Mean Square Error,NRMSE）对两种预测模型模拟效果进行检验分析。结果显示,气象因子平均相对贡献率明显高于土壤、海拔的相对贡献率,气象因子对清香型优质烟叶物理特性指标尤为重要;统计预测模型的RMSE、NRMSE值均高于神经网络预测模型,神经网络预测模型预测准确性更高。利用统计方法与神经网络构建物理特性指标预测模型,可以为不同生态条件下提升烟叶品质、促进烟叶品质评价智能精准化提供一定的科学理论依据。     

一种基于衰减系数的混沌时间序列预测法

为提高加权一阶局域模型的预测精度,提出一种改进型混沌时间序列预测方法.该方法用衰减系数和时间延迟修正向量距离公式,调节邻近点与中心点的相关性,同时,只用邻近点中与预测值相关性最大的分量进行线性拟合.利用该方法对Henon混沌时间序列进行预测的结果表明,衰减系数取最佳值时,相对于现有算法,该方法可以更精确地预测混沌时间序...     

基于预测误差的用水预测模型选择方法研究

时间序列法是用水量预测的常用方法,其中预测模型的选择是提高预测精度的关键.针对目前以拟合精度作为模型选择标准的方法,提出了以预测值的置信区间最小为标准选择预测模型的方法.以山西省运城市工业用水量资料为例,分析给出了幂函数、S函数、直线、指数函数、二次和三次抛物线等6个模型95%置信水平下5年和10年两种预测期的预测区间,均以幂函数预测精度最高;对该系列近5年的用水量进行了预测,预测误差也以幂函数最小.表明以预测区间最小选择用水预测模型的方法是合理的、可靠的.     

电大尺寸矩形谐振腔耦合场的神经网络预测

以电大尺寸的矩形谐振腔局部点的前后门耦合场的计算,通过神经网络方法实现其他点耦合场的预测,判定矩形谐振腔的电磁敏感点.由于电大尺寸的矩形腔很难通过全波分析或小波分析获得特定条件下的耦合场,而神经网络方法不需考虑内部模型的复杂性便可实现非线性预测,因此将人工神经网络方法应用于电磁预测中可实现矩形腔耦合场的计算.通过电大尺寸矩形腔前后门耦合场实验方案,提取了目标参数,创建了BP神经网络的预测模型.即在平面波照射下,以入射波的功率,极化方向,预测点的位置坐标作为BP网络的输入参数,相应点的功率(电压)作为输出参数,经过适当的训练,建立耦合场的预测模型,并以此模型预测了腔体内探测点的耦合场.预测结果与实测结果相比较显示了该方法的有效性和准确性,为电大金属腔耦合场的计算提供了一种有效的方法.