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SVR的石油期货价格短期预测

将SVR原理引入到石油期货价格的时间序列中,并以美原油价格进行了实证分析.结果表明:该方法能充分反映石油期货价格序列走势,对短期价格的预测具有较高的精度;并且还发现,超级参数的选择服从一定规律,即其乘积在一定范围内效果较佳.之后,还将此理论推广到多维影响因素和其他金融时间序列的预测中.     

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.     

澜沧江上游某倾倒变形体蓄水作用下演化机制分析及稳定性评价

澜沧江上游某电站左岸近坝大面积发育倾倒变形体。倾倒变形体早期河谷下切,受重力作用,产生一定范围的倾倒变形破坏,水库蓄水以后,地下水位抬升,倾倒变形体将被大面积浸泡并软化,导致其力学抗剪强度指标降低,倾倒变形体将有可能发生失稳破坏,从而威胁到水电站建筑物尤其是大坝的安全。该处倾倒变形体较为典型,结合相关地质资料建立二维离散元模型分析倾倒变形体不同部位变形破坏特征,成因机制,以及进一步发展演化机制。通过三维数值模拟分析其蓄水前后应力应变,并根据刚体极限平衡理论,对倾倒变形体在多种工况下不同破坏模式稳定性进行验算。     

实时交通流预测的并行SVR预测方法

提高交通流预测的精度和实时性是智能交通系统(ITS)应用发展的一个重要问题.与广义神经网络(GNN)方法相比,支持向量回归(SVR)方法应用于交通流预测理论优势得以实现的前提是选取合适的回归参数.分析、讨论了简单而实际的直接从训练集中选取SVR参数的方法,给出了一个大规模路网交通流SVR预测模型和集群环境下的一种贪婪负载均衡并行算法(G-LB).实验结果证明了基于G-LB算法的并行SVR方法(GLB-SVR)可获得比并行的GNN方法(P-GNN)更好的预测精度和实时性.     

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。     

基于优化支持向量回归的磨古倾倒变形体参数反分析研究

岩土体力学参数的确定将直接影响对倾倒变形体稳定性的分析判断,野外原位监测数据作为反映倾倒变形体现场条件的重要信息,利用原位监测数据能有效地获得倾倒变形体岩土体参数.本文针对雅砻江两河口近坝库区磨古倾倒变形体,提出以海洋捕猎者优化算法对支持向量回归反分析模型参数进行寻优,构建MPA-SVR岩土体参数反分析模型.以倾倒变形体现场安全监测数据为输入信息,反分析得到适用于两河口磨古倾倒变形体折断带的力学参数,其反分析结果可为变形体稳定性分析提供重要数据基础.结果表明磨古倾倒变形体不同高程监测点具有相似的变形规律,变形速率发展趋势与水位变化趋势一致,变形累计值整体呈增长趋势,变形尚未完全收敛;随着分期蓄水进程的推进,倾倒变形体水动力作用特征明显,反分析得到的折断带力学参数逐渐降低,从第二阶段蓄水到第三阶段蓄水,折断带黏聚力下降3.68%,内摩擦角下降1.98%.     

基于优化SVR模型的大跨度样本疲劳寿命预测

针对传统方法在大跨度、小样本情况下的疲劳寿命预测准确率不高的问题,研究基于优化SVR模型的寿命预测方法.根据大跨度样本的特点,提出有效的预处理方法、SVR模型的训练方法及参数优化准则.以LY12CZ(2A12)铝合金疲劳寿命预测为实例,分析了高斯核函数、多项式核函数及多层感知核函数对SVR模型训练误差的影响.结果表明高斯核函数更适用于SVR模型的训练,并通过细菌觅食算法对核参数γ及惩罚因子C进行优化选取,LY12CZ(2A12)铝合金疲劳寿命预测结果验证了该方法的有效性.     

基于支持向量机SVR的黄河凌汛预报方法

黄河内蒙段每年都有不同程度的凌汛灾害发生。准确及时的凌汛预报能够为防汛工作提供决策支持．但至今尚无一种令人满意的预测模型,为此提出一种基于支持向量机回归（SVR）的凌汛预报模型．SVR是基于统计学习理论的一种机器学习（machine learning）方法,具有严格的理论基础,尤其是在小样本情况下．它能够利用有限的样本信息获得最好的学习效果和泛化能力．实例分析结果表明,基于SVR的凌汛预报方法具有训练速度快、泛化能力强的特点,对黄河内蒙段凌汛期封河历时预测比较准确,这对黄河凌汛防范和水资源的可持续发展具有重要意义．     

基于LMBP算法的Drazin矩阵逆的求解

研究利用神经网络求解Drazin矩阵逆的一种新的算法,根据Drazin矩阵所具有的性质和已经研究的成果,对Drazin矩阵逆的求解的预处理过程及求解分别设计了循环神经网络和LMBP神经网络结构.据算法求解的实例结果,与传统算法进行了比较,表明新的算法具有优越性.     

基于深度学习和支持向量机集成学习的PM2.5浓度24 h预测

提前24 h准确预测PM2.5浓度可以有效的避免严重污染天气对人体带来的不利影响.为了提高深度学习模型PM2.5浓度24 h预测的性能和泛化能力,在传统循环神经网络(RNN)模型上添加支持向量回归(SVR)作为下采样层提取非线性特征并降维;然后添加多核卷积神经网络(CNN)提升特征表达能力;最后利用门控循环网络(GRU...     

基于SVM和RBF神经网络的民航不安全事件组合预测方法

为提高航空业安全水平,预测飞行过程中存在的主要事故风险,本文基于2002年2月至2014年2月的民航事故数据统计,采用SVM和RBF神经网络加权组合模型对民航不安全事件发生原因及飞行阶段事故数量进行了预测。通过对3种典型预测方法的均方根误差比较,证明了此方法的可行性与有效性,结论可为民航安全管理提供科学依据。     

基于支持向量机方法的深基坑变形预测

提出了深基坑变形预测的一种新方法,即支持向量机方法.该方法根据有限的学习样本,建立了各种影响因素和深基坑变形之间的一种非线性映射.基于已有的深基坑变形资料,采用支持向量机模型,对深基坑现场实例进行了预测,网络输出结果与实际情况十分吻合.实例研究表明,支持向量机方法用于预测深基坑变形是有效且可行的.     

基于预测和矢量量化的高光谱图像压缩算法

针对高光谱图像波段数目多,存储空间大,为后续研究带来极大不便的特点,提出了一种基于广义回归神经网络预测与矢量量化算法结合的高光谱图像压缩算法。该算法通过预测前一波段的像素数据,将符合要求的预测结果继续预测下一波段,通过设置合理的参数,在预测步骤中95%以上的波段可通过预测结果来预测波段数据。利用矢量量化算法对预测数据进行压缩。该算法只需要已知图像的前2个波段数据,即可预测整个图像波段的数据。广义回归神经网络具有很强的非线性映射能力和学习速度,预测效果好。通过预测得到的数据在不同的压缩比下进行实验,结果表明,在保证图像质量的前提下,该算法与对比算法相比,有效降低了运算复杂度,节约了时间,提高了峰值信噪比。     

基于LMBP算法的崇阳溪流域降雨径流预报模型研究

采用泰森多边形法对流域进行划分,分别确定崇阳溪上游流域6个雨量站控制子流域的面积权重.选择1997至2014年的14场流域降雨径流过程为训练样本,以上游6个雨量站的时段雨量和武夷山水文站前期流量为输入,武夷山水文站相应流量为输出,采用3层网络,其中隐含层节点数采用试算法确定,建立崇阳溪上游流域LMBP神经网络降雨径流预报模型.利用余下的7场降雨径流过程对模型进行检验,结果表明,模型运算速度快、时效性好,预报精度符合要求,可以用于流域的降雨径流预报.     

基于支持向量机回归的港口吞吐量非线性组合预测

提出了一种基于支持向量机回归算法的港口吞吐量非线性组合建模预测方法,并运用该方法进行了港口吞吐量预测,同时将该预测结果与其他方法的预测结果进行了比较．结果表明,该方法具有很强的学习及泛化能力,在处理具有一定程度的不确定性的非线性系统的组合建模预测问题时具有很好的应用价值．     

一种多核加权支持向量机的水质预测方法

提出一种基于多核加权支持向量机的水质预测方法.核函数及其参数选择与数据分布的情况密切相关,采用单一的核函数应对水资源质量评价指标的整个数据分布难以达到很好的预测结果.采用多核加权学习的核函数避免了核函数设计的盲目性和局部最优等非线性优化问题.实例表明,该方法的预测结果是合理可行的,且与以往同类预测方法相比,有着更为客观...     

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％。