基于改进支持向量回归机的煤炭物流成本预测

煤炭物流成本控制的必要条件就是对其成本进行预测,这样才能对煤炭物流成本进行科学合理地控制。本文提出一种鸡群算法(CSO)和支持向量回归机(SVR)结合模型,即CSO-SVR煤炭物流成本预测模型。模型利用CSO算法对SVR进行参数优化,优化后的支持向量回归机模型进行煤炭物流成本预测。通过CSOSVR模型对已有煤炭物流成本数据预测仿真。模拟结果显示,从煤炭物流成本预测精度角度出发,CSO-SVR模型预测结果优于GA-SVR、SVR、BPNN等算法。     

基于粒子群优化的SVR风电功率超短期预测

建立了风电功率预测系统并提高其预测精度和预测速度.分析影响风机出力的主要因素并结合风电场实测风速数据和环境参数,提出了一种基于粒子群优化的SVR风电功率超短期预测模型,该模型可以有效地优化支持向量回归机(SVR)的主要参数.通过与遗传算法优化的预测模型(GA-SVR)进行比较,发现该预测模型在超短期风电功率预测上有较高的预测精度和运算速度.     

基于混合VNS-SVR模型的高校学生成绩预测

学生成绩是评价高校教学质量的重要因素，利用学习分析技术挖掘高校学生成绩的影响因素并对学生成绩进行预测，是教师优化教学方法的关键。首先利用所采集高校学生的基本信息、兴趣表现、课堂表现及课外表现的学习行为特征，使用支持向量回归（SVR）构建学习成绩预测模型。其次，设计了变邻域搜索算法（VNS）对支持向量回归的参数进行优化。最后，将变邻域搜索算法-支持向量回归（VNS-SVR）模型应用于某高校学生数学成绩数据，并与SVR、GS-SVR、GA-SVR和FA-SVR等模型进行对比，验证了所提模型的有效性。     

基于GA-SVR的煤炭需求预测模型研究

在煤炭需求预测中, 存在历史样本量较小和非线性强的特点, 从而致使预测精度较低. 将支持向量机回归(support vector regression, SVR)与遗传算法(genetic algorithm, GA)相结合, 提出了适用于小样本量学习的GA-SVR煤炭需求预测模型. 通过分析选取5项指标作为煤炭需求的影响变量;以历史煤炭需求与其影响变量值为学习样本, 结合遗传算法确定SVR预测模型参数;实例结果表明GA-SVR模型预测精度优于BP神经网络模型.     

基于遗传算法-深度神经网络的分布式光纤监测工作面矿压预测

为了准确掌握工作面矿压显现规律并对来压位置进行准确预测,搭建了相似材料物理模拟试验,并引入分布式光纤监测煤层采动过程中上覆岩石变形。结合光纤测点频移值的统计特征及工作面开采位置等矿压影响因素,利用门控循环单元深度神经网络(Gated Recurrent Neural Networks ,GRU),并采用遗传算法(Genetic Algorithm,GA)对GRU网络中的超参数寻优,建立了GA-GRU-BP的工作面来压位置预测模型。采用相关性系数(R2)、平均绝对误差(MAE)和均方根误差(RMSE)作为预测模型的性能评价指标,并与随机森林(RF)、GA-支持向量机(SVM)、GA-GRU进行算法性能比较。实验结果表明, GA-GRU-BP预测模型的预测精度R2达到了98.7%,MAE、RMSE分别为1.224cm,1.769cm, 远低于对比方法的评价指标,表明GA-GRU-BP预测模型具有较高的准确率和鲁棒性,为工作面矿压来压位置预测提供了新的方法。     

Boosting集成支持向量回归机的滑坡位移预测

支持向量回归机(SVR)在实际的学习应用中,由于数据时空的复杂性和算法本身的参数选择,学习模型难以达到预期的效果.针对这个问题,提出了基于Boosting集成的支持向量回归机方法.通过在原始数据集加权采样的基础上,进行多次迭代子SVR机器学习,不断调整样本权值再采样,优化机器学习模型,然后对迭代所得的每级支持向量回归结果按某种组合方法进行集成,得到最终的回归函数形式.应用该方法进行了仿真试验和滑坡变形时序预测研究.结果表明:使用集成的SVR进行回归预测较之单一的SVR具有更高的准确性和更好的泛化性.对Boosting与Bagging 2种不同的集成SVR,进行了比较研究,试验结果表明,2种算法性能相差不大,总体上前者强于后者.     

基于改进型混合蛙跳算法的支持回归机大坝变形预测模型

支持回归机(SVR)可以用来解决大坝变形的拟合和预测问题,且具有很好的泛化能力,其核心问题是选择适当的惩罚因子和核参数.利用基于拉丁超立方抽样(LHS)和自适应移动算子的改进型混合蛙跳算法(ISFLA)对SVR模型进行参数寻优,建立ISFLA-SVR大坝变形预测模型.通过工程算例表明:ISFLA-SVR模型具有很高的预测精度,可以应用于大坝变形预测.     

边坡变形时序分析的进化-自适应神经模糊推理模型

变形监测与预报是保证边坡工程施工安全与工程质量的重要措施,但由于位移时间序列的强非线性,边坡变形预报成为非常困难的问题.自适应模糊神经推理系统(ANFIS)有优越的学习和泛化性能,而遗传算法(GA)是优秀的全局优化工具.采用遗传算法优化ANFIS参数,并编制了相应的计算程序.结合三峡工程永久船闸施工变形监测和新滩滑坡变形监测,建立了边坡变形时序分析的GA-ANFIS智能模型.为了对比该模型的预测精度,采用GA优化支持向量回归(SVR)和BP神经网络的模型参数,编制了GA-SVR及GA-BP程序,对相同的算例进行了变形预测分析.按滚动预测法对三峡永久船闸高边坡和新滩滑坡的计算结果表明,文中提出的GA-ANFIS模型能够获得比GA-SVR和GA-BP模型更高的预测精度,可以应用于边坡工程变形监测预报分析,并为类似工程提供参考.     

基于遗传算法和支持向量回归的锂电池健康状态预测

为了提高锂电池健康状态(SOH)的预测精度,该文提出了1种基于遗传算法和支持向量回归(GA-SVR)的联合算法。通过GA解决SVR模型中的超参数优化问题。GA-SVR随机生成1组染色体,每个染色体包含了相应的SVR超参数信息。利用适应度函数计算出每条染色体的适应度值。根据适应度值对染色体进行选择、基因重组和变异等遗传操作,从而更新染色体的超参数信息。经过多次迭代后,找到适应度最大的染色体。从该染色体中提取相应的超参数信息,并训练最终的SVR预测模型。在美国国家航空航天局(NASA)锂电池数据集上的实验结果表明,该文算法优于基于混合像元核函数的高斯过程回归(SMK-GPR)算法、基于多尺度周期协方差函数的高斯过程回归(P-MGPR)算法、基于多尺度平方指数函数的高斯过程回归(SE-MGPR)算法和改进的基于粒子群优化的支持向量回归(IPSO-SVR)算法。     

网络搜索数据和GWO-SVR模型的旅游短期客流量预测

利用皮尔森相关系数法处理网络搜索数据,用灰狼算法（grey wolf optimizer,GWO）优化支持向量回归（support vector regression,SVR）中的参数,提出并实现一种基于网络搜索数据和GWO-SVR模型的旅游短期客流量预测模型,并用参数优化后的SVR对客流量进行建模预测. 以四川省九寨沟和四姑娘山两个景区为例,构建GWO-SVR、ARIMA、BPNN、SVR、CS-SVR、PSO-SVR和无网络搜索数据等客流量预测模型进行实证分析. 结果表明,GWO-SVR模型均优于其他模型,具有更高的预测精度.