无线接入点吞吐率预测的建模与优化

针对接入点吞吐率的多步预测问题,提出基于Nu-支持向量回归的建模策略,设计了并行混合粒子群算法,从特征选择与参数选择两个方面对预测模型进行联合优化。评估结果表明,Nu-支持向量回归模型在吞吐率多步预测中能取得较高精度,并行混合粒子群算法具有良好收敛性,且能显著提高预测模型的性能。     

基于PSO与多变量支持向量机的通信基站能耗预测

为准确预测通信基站的能耗,提出了一种基于微粒群算法与多变量支持向量机(PSO-MSVM)的通信基站能耗预测模型。该模型基于温度和日期两个重要因素,运用MSVM建立通信基站能耗预测模型;采用PSO对模型核函数中的参数c和ε进行优化整定,以提高算法效率。湖南某地区通信基站的测试结果表明:与最小二乘法相比,PSO-MSVM的预测结果更接近基站实际能耗,预测精度达93.8%以上,表现出良好的工程价值。     

基于粒子群优化-支持向量回归的高速公路短时交通流预测

为实现高速公路短时非线性交通流的精准预测,依托高速公路运营积累的大量数据资源,构建了基于粒子群优化(par-ticle swarm optimization,PSO)的支持向量回归(support vector regression,SVR)预测模型.首先,对获取的高速公路交通流数据进行异常值剔除、缺失值填充以及归一化等预处理;其次,基于SVR算法采用滑动窗口的方式建立预测模型,并基于具有较强寻优能力的PSO优化算法获取SVR模型的最优参数组合;最后,通过京台高速济南西收费站断面交通流数据进行实例验证.模型的预测结果表明,所提出的高速公路短时交通流预测模型能够满足实际需求,且相较反向传播(back propagation,BP)、差分整合移动平均自回归模型(autoregressive integrated moving average model,ARIMA)模型具有较高的准确性,可为日后高速公路运营决策提供理论支持.     

基于IPSO-SVR的盾构下穿既有道路沉降预测分析

目前,有关盾构隧道平行下穿既有道路的沉降预测研究相对较少。为准确预测在盾构过程中不同因素对既有平行道路沉降的影响规律,本研究提出一种基于改进粒子群优化的支持向量回归(IPSO-SVR)预测模型,将其应用于实际地铁隧道工程的地表道路沉降预测中。以长春地铁6号线下穿飞跃路区间工程为依托,结合盾构施工过程中盾构掘进参数、地层信息与道路沉降的监测,应用libsvm网格搜索法缩小超参数范围,同时结合非线性递减策略改进粒子群算法中惯性权重与加速因子的变化情况,最终建立IPSO-SVR预测模型,实现区间内后续路段的沉降预测。研究结果表明,对比网格搜索法与常规粒子群优化训练中目标函数(均方误差)的变化情况,经改进后的粒子群优化的收敛速度有较好提升,目标函数收敛效果更好,其最小值缩小近15%。本研究提出的IPSO-SVR对道路沉降预测平均绝对误差(MAE)为0.287,拟合决定系数R²为0.884,平均相对误差仅为8.91%,较反向传播(BP)神经网络、支持向量回归(SVR)、粒子群优化的支持向量回归(PSO-SVR)预测模型有更佳性能表现。由此可知,IPSOSVR对于复杂情况下多...     

基于混沌粒子群的SVM参数优化算法

支持向量机的性能与核函数的参数及惩罚系数C有很大关系.利用Lozi’s映射的较好遍历性,在粒子群优化算法中引入Lozi’s映射的混沌思想,提出基于混沌粒子群优化算法的SVM参数优化方法.仿真实验表明,该算法能有效提高整个迭代搜索的收敛速度和精度,从而更好地优化SVM参数.     

基于PSO-SVMＰ模型的理论线损率预测研究

深入分析了线损率的影响因素,对现存的线损率预测方法进行了研究,采用粒子群算法对支持向量机进行参数寻优,建立基于粒子群优化的支持向量机预测模型对理论线损率进行预测仿真,为线损的降低和电能的高效利用提供保障;最后通过实例验证了该模型在理论线损率预测中的精度.     

基于混沌粒子群的SVM参数优化算法

支持向量机的性能与核函数的参数及惩罚系数C有很大关系.利用Lozi’s映射的较好遍历性,在粒子群优化算法中引入Lozi’s映射的混沌思想,提出基于混沌粒子群优化算法的SVM参数优化方法.仿真实验表明,该算法能有效提高整个迭代搜索的收敛速度和精度,从而更好地优化SVM参数.     

粒子群算法的支持向量回归机在某企业用水量预测中的应用研究

工业用水量预测对工业企业的规划、运行具有非常重要的作用。采用河南省周口市某食品加工企业近10年来工业用水量时间序列记录资料作为训练样本,提出了在支持向量机回归预测中采用粒子群算法优化参数的方法。通过算例分析表明,此算法能够显著提高预测的精度。     

基于EEMD与LSSVR的能源消费量多尺度预测——以广东省为例

由于能源消费内在的复杂性,传统的单尺度预测方法很难获得理想的预测效果.为提高能源消费量预测精度,提出了基于集合经验模态分解(EEMD)与最小二乘支持向量回归(LSSVR)的能源消费量多尺度预测模型.首先应用EEMD算法将能源消费量环比指数从高频到低频分解成若干结构更简单、变化更平稳、规律性更强、更易于预测的内在模态函数(IMF)和一个残差项;其次利用LSSVR对各IMF和残差项进行预测,并采用粒子群算法(PSO)选择最优的模型参数;然后将各分量的预测值直接加总求和重构出能源消费量环比指数的预测序列;最后通过逆环比化处理,获得原始能源消费量的最终预测值.利用该模型对1980-2013年广东省能源消费量进行实证分析,结果表明多尺度预测模型的确能够显著提高预测精度.     

基于TSA-PSO-SVR算法在碳期货价格中的预测研究

针对支持向量回归(SVR)模型参数选择困难以及在碳期货价格预测中模型误差高的问题,提出一种基于改进粒子群算法-支持向量回归(TSA-PSO-SVR)的期货价格预测模型.通过改进粒子群算法惯性权重实现局部搜索和全局搜索能力的平衡,引入被囊群算法(TSA)对粒子群位置更新公式进行优化,利用改进的粒子群算法(TSA-PSO)找出最优参数有效解决支持向量回归参数选择盲目性的问题;将得到的最优参数应用于期货价格预测模型.选取福建碳交易市场的碳交易价格进行预测,与支持向量回归(SVR)、差分自回归移动平均模型(ARIMA)、长短期记忆模型(LSTM)模型作对比,实验结果表明TSA-PSO-SVR模型有效克服了高预测误差和参数选择随机性的问题,并具有较高的泛化能力.     

基于自适应粒子群参数优化的最小二乘支持向量机用电量预测模型

为应对当前复杂非线性的宏观经济形势与电力消耗情况,本文提出了一种自适应粒子群算法改进的最小二乘支持向量机负荷预测模型。根据粒子群中粒子的成熟程度对其进行分类,对不同类别的粒子分别采取不同的位置更新方式,可以保持粒子种群多样性,避免造成局部最优。利用自适应粒子群算法优化最小二乘支持向量机的模型参数,经过实证分析能够一定程度提高模型的预测精度,可以为中长期负荷预测工作提供一些的参考。     

基于支持向量回归机和粒子群算法的改进协同优化方法

研究基于支持向量回归机和粒子群算法的改进协同优化方法.阐述了协同优化方法和支持向量回归机方法基本原理,为有效解决系统级优化协调困难问题,改善收敛性能,提高收敛速度,采用支持向量回归机构造系统级约束条件的近似模型,引入粒子群算法求解系统级和学科级优化问题.仿真计算结果表明,设计的协同优化方法可有效求解多学科设计优化问题,...     

支持向量机在航空兵部队油料消耗量预测中的应用

分析了支持向量机的基本原理及算法,确定了航空兵部队油料消耗量预测模型的样本输入量,构造了航空兵部队作战油料消耗量预测函数,采用LibSVM Matlab工具箱对模型进行编程求解,选用3个指标对预测结果进行评价。并以某空军航空兵部队油料消耗量为例,运用基于SVM的航空兵部队油料消耗量预测模型,对2009年演习的油料消耗量进行了预测,预测结果与实际值进行比较,预测精度高,为科学预测战场油料消耗量提供了科学定量的分析方法。     

木材导热系数的支持向量回归预测

根据木材在不同影响因素(密度、含水率和比重)下沿横纹方向(包括径向和弦向)的导热系数的实测数据集,应用基于粒子群算法(PSO)寻优的支持向量回归(SVR)方法,建立了木材沿不同方向的导热系数的预测模型,并与通过类比法(ANA)导出的理论模型和BP神经网络(BPNN)模型进行了比较。结果表明:基于相同的训练样本和检验样本,木材导热系数的SVR模型比其ANA模型或BPNN模型具有更高的预测精度;增加训练样本数有助于提高SVR预测模型的泛化能力;基于留一交叉验证法(LOOCV)的SVR模型预测的最大绝对百分误差(MPE)、平均绝对误差(MAE)和平均绝对百分误差(MAPE)均为最小。因此,SVR是一种预测木材导热系数的有效方法。     

面向抽油机节能的GRNN过程建模及工艺参数优化

针对抽油机系统效率低,能耗大的问题,提出一种基于数据挖掘的抽油机建模及节能优化方法。抽油机的工艺参数理想与否是决定抽油机效率的一个重要因素,而抽油机模型的有效性又是优化工艺参数的关键。抽油机工作过程是一个复杂非线性系统,很难用准确的数学模型描述,广义回归神经网络(generalized regression neural network,GRNN)非线性映射能力强、容错性高,适于解决非线性系统建模问题。为此,提出利用GRNN确定工艺参数与增产节能指标的映射关系,建立抽油机模型;实验结果表明模型的拟合度较好,建模效果良好。紧接着,运用具有智能特性的Pareto向量评价微粒群算法(vector evaluated particle swarm optimization based on pareto,VEPSO-BP)对模型进行搜索寻优,确定工艺参数的最优值,并用优化后的工艺参数指导实际生产;实验结果表明优化后的抽油机采油系统产量提高6.6%以上,用电量降低4.1%以上,验证了所提方法的可行性和有效性。     

食品比热容的支持向量回归预测

利用粒子群优化算法和支持向量回归方法建立不同食品的比热容与其水、蛋白质、碳水化合物和脂肪等含量间的预测模型,且在相同的训练样本和测试样本条件下,该预测模型的食品比热容预测精度高于反向传播神经网络模型,具有更强的泛化能力。结果表明：该预测模型能有效地预测食品比热容。     

热处理电阻炉的热量损失与节能措施

从加热工件所需要的有效热量、炉体蓄热损失、加热辅助构件所吸收的热量等方面分析了热处理电阻炉的热量损失，讨论了有关电阻炉的能量转换、热传递及能量分布，并在此基础上，就工艺、材料、设备、操作、科学管理等方面提出了若干节能措施。     

青海省能源消耗与工业经济增长协调发展研究

本文对青海省能源消耗状况与工业经济关联度进行分析,结果表明：重工业的发展是青海省能源消耗增加的重要原因.通过对能源消耗成因的分析,提出了青海省工业经济增长与能源消耗协调发展的对策和建议.     

办公建筑运行能耗的混沌时间序列复合预测

针对办公建筑已有的能耗预测方法中未能考虑到能耗数据的混沌变化特性,提出了一种基于混沌时间序列的办公建筑运行能耗预测方法.对研究对象的时间序列进行相空间重构,判断其具备混沌特性,建立混沌理论和支持向量回归的组合模型进行训练,采用Markov链消除组合模型由于参数传递产生的累积误差,得到最终预测结果.为了验证算法的有效性,以西安某办公建筑的能耗监测数据为例进行实例分析,并与非线性自回归神经网络、支持向量回归等其他预测方法进行对比.实验结果表明,经过Markov修正后的混沌时间序列组合模型预测精度显著提高,预测效果优于其他方法,且更符合办公建筑能耗的变化规律,为节能优化提供有效的数据支撑.     

广州市产业结构及其能源消费与碳排放的动态特征

根据广州市统计年鉴中的能源消费数据,分析了改革开放以来广州市产业结构的变化特征,以及2000~2010年间3次产业及其主要工业行业的能源消费结构,再对碳排放量与强度进行了估算与对比分析.结果表明,2010年广州市已经迈入过渡后工业化阶段;第二产业的能源消费量和强度、碳排放量和强度都高于其它2个产业,尤其是轻工业行业的造纸及纸制品业,重工业的电力、热力生产和供应业等;第三产业和第一产业的碳排放强度也有待改善.因此提出了广州市应迫切对第二产业的内部行业进行全面深入的革新和优化,特别是轻重工业中能耗强度和碳排放强度较大的行业,同时应加快第三产业和第一产业的结构优化和技术升级,并提出促进广州向低碳城市发展的建议.