基于混沌搜索的LS-SVM预测算法

为利用最小二乘支持向量机(LS-SVM)来进行预测,首先要确定影响LS-SVM模型的两个主要参数γ和σ,针对该问题提出了采用混沌搜索算法来搜索该模型的最优参数组合。混沌搜索的运动轨迹具有遍历性,随机性,可以进行全局和局部寻优,利用该算法搜索最优参数来确定预测模型,然后将该预测模型用于预测实践。实验结果表明,该模型具有较精确的预测精度和适用性。     

基于遗传算法参数优化的最小二乘支持向量机财务困境预测

传统支持向量机应用于财务困境预测时,需要求解复杂的二次规划问题,求解难度大。而最小二乘支持向量机模型可以将二次规划问题变成一个线性方程组来求解,有效降低了模型求解的难度。尤其是将遗传算法应用于最小二乘支持向量机模型参数和核参数的优化时,显著提高了模型预测的正确率。本文从沪深两市随机抽取了2002年-2007年252家A股上市公司作为研究样本,并把研究样本分为两组,对这两组样本数据分别进行了短期及中长期预测。实证结果表明,基于遗传算法的最小二乘支持向量机模型的预测效果不但好于传统统计类Logit模型,也优于传统支持向量机模型。短期预测效果显著优于中长期预测效果,训练样本数直接影响到模型的预测效果,二者呈正相关关系。     

基于偏最小二乘法和最小二乘支持向量机方法的熔融指数预测

熔融指数是高密度聚乙烯生产的主要质量指标,通过对生产数据建模实现对熔融指数的预测,为优化操作提供有力依据,从而提高产品的质量。利用偏最小二乘法提取影响熔融指数的主要因素作为最小二乘支持向量机的输入,克服了自变量间的多重相关性问题;同时也降低了最小二乘支持向量机的输入变量的维数。实验表明,利用偏最小二乘法方法和最小二乘支持向量机方法预测熔融指数精度远高于分别使用这两种方法。     

基于支持向量机回归预测水稻叶片SPAD值

提出了一种基于机器学习的水稻叶片SPAD值预测方法。通过水稻栽培实验获取样本叶片的SPAD值和叶片图像的RGB值,应用支持向量机原理,建立以叶色图像RGB值为输入参数,叶片SPAD值为输出参数的回归模型。通过样本训练测试和预测实验,对水稻叶片SPAD值预测结果的平方相关系数为91.70%,平均相对误差为3.423%。结果表明支持向量机回归模型对水稻叶片SPAD值的有很好的预测结果,能够满足农学研究的要求,研究方法具有良好的普适性和推广性。     

基于渔夫捕鱼-最小二乘支持向量机的传感器节点定位的研究

为了提高无线传感器的定位精度,针对最小二乘支持向量机参数优化问题,提出了一种基于渔夫捕鱼优化-最小二乘支持向量机的传感器点定位方法。首先构建三维无线传感器定位模型的学习样本,然后采用最小二乘支持向量机构建三维节点定位模型,并采用渔夫捕鱼的行为来找到最优支持向量机参数。结果表明,本文算法能够有效地提高传感器节点的定位精度,降低定位误差,具有一定的实际应用价值。     

基于SOR-LS-SVM的公路旅游客流量组合预测模型

基于指数平滑、多元线性回归、灰色系统等目前常见的预测方法建立超松弛改进的最小二乘支持向量机算法的公路旅游客流量组合预测模型。通过实例验证和比较,展示了基于超松弛最小二乘支持向量机算法的公路交通旅游客流量组合预测模型具有较好的预测效果和较高的应用价值。     

基于最小二乘支持向量机的数据挖掘应用研究

随着数据仓库技术、联机分析技术的发展。基于数据库的数据挖掘已成为一种重要的数据处理手段。最小二乘支持向量机作为一种新的机器学习方法。具有全局收敛性和良好的泛化能力。本文将其应用于数据挖掘的分类与预测研究。通过棱函数的选择及参数优化，并结合支持向量机、多层感知器神经网络模型及判别分析方法进行比较研究，证明最小二乘支持向量机作为一种有效的数据挖掘算法具有较高精度。     

基于PCA改进的LS-SVM入境旅游客流量预测模型

影响入境旅游客流量的众多因素加大了预测模型输入变量的复杂化,限制了模型的运行速度和预测精确。首先,利用主成分分析对影响入境旅游客流量的众多指标进行综合分析得到主成分,然后建立以主成分为输入变量以入境旅游客流量为输出变量的最小二乘支持向量机预测模型。通过实例验证和比较,展示了基于主成分分析改进的最小二乘支持向量机入境旅游客流量预测模型具有较好的预测效果和较高的推广价值。     

基于PCA改进的SOR-LS-SVM旅游流量预测模型

利用主成分分析法建立以主成分为输入变量而以入境旅游客流量为输出变量的超松弛最小二乘支持向量机预测模型.通过实例验证和比较,演示了基于主成分分析改进的超松弛最小二乘支持向量机入境旅游客流量预测模型有较好的预测效果和较高的推广价值.     

基于PSO与LSSVR的坝体顺流向位移预测

顺流向位移是坝体形变监测中的重要指标。针对神经网络、支持向量机模型存在的局限性,提出基于粒子群优化与最小二乘支持向量回归的模型对顺流向位移进行预测。结合实地坝体数据,通过与神经网络、传统支持向量机等模型进行对比实验和分析,结果表明,该方法具有误差低、计算效率高等特点。     

基于小波-回归支持向量机算法的风电场风速预测

将小波多分辨率分析特点和回归支持向量机算法良好的泛化性能相结合,建立小波-回归支持向量机风速预测模型。先将原始风速序列经小波分解成轮廓分量和细节分量,再对各分量分别应用支持向量机模型进行预测,最后将各分量的预测结果经小波重构得到原始风速序列的预测值。仿真表明该方法能够改善预测滞后现象以及减小突变点误差,从而提高模型的泛化性能和预测精度。     

High-resolution probabilistic load forecasting: A learning ensemble approach

High-resolution probabilistic load forecasting can comprehensively characterize both the uncertainties and the dynamic trends of the future load. Such information is key to the reliable operation of the future power grid with a high penetration of renewables. To this end, various high-resolution probabilistic load forecasting models have been proposed in recent decades. Compared with a single model, it is widely acknowledged that combining different models can further enhance the prediction performance, which is called the model ensemble. However, existing model ensemble approaches for load forecasting are linear combination-based, like mean value ensemble, weighted average ensemble, and quantile regression, and linear combinations may not fully utilize the advantages of different models, seriously limiting the performance of the model ensemble. We propose a learning ensemble approach that adopts the machine learning model to directly learn the optimal nonlinear combination from data. We theoretically demonstrate that the proposed learning ensemble approach can outperform conventional ensemble approaches. Based on the proposed learning ensemble model, we also introduce a Shapley value-based method to evaluate the contributions of each model to the model ensemble. The numerical studies on field load data verify the remarkable performance of our proposed approach.     

要素替代及回弹效应视角下中国钢铁行业能源消费研究

基于中国1980~2013年钢铁行业数据,利用超越对数成本函数构建要素成本份额方程,运用动态最小二乘法对模型进行修正,利用似不相关回归对钢铁行业生产要素间的替代关系进行测度,并通过引入价格的非对称性来研究回弹效应.结果表明:钢铁行业的能源和资本自价格弹性均为负;资本和能源的绝对替代弹性和相对替代弹性均为正.能源对资本的绝对替代弹性大于资本对能源的绝对替代弹性,但资本对能源的相对替代弹性自2000年以后逐渐占优于能源对资本的相对替代弹性;钢铁行业的回弹效应高达95.85%,由能源效率提高而节约的能源基本上被回弹效应所抵消.     

中国锡金属消费量预测方法及应用

基于详实的历史数据和合理的预测模型,科学预测中国锡金属消费趋势,对于国家锡资源管理政策的制定与提升国家资源保障能力具有毋庸置疑的意义。在充分考虑影响锡金属消费的宏观经济环境、中观产业政策以及微观消费市场的基础上,采用灰色关联度分析模型,选取了GDP、空调产量、罐头产量、汽车产量和彩色电视机产量等5个关联度>75%的线性因子支撑BP神经网络预测。BP神经网络模型测算得出2002-2013年我国锡消费量的相对误差最大为10.78%,相对误差绝对值平均数为3.33%,对中长期而言精度较高。预测结果显示参考情景下到2020年、2025年及2030年中国锡金属消费需求量分别为26.59万t、29.63万t及31.65万t。     

基于蜻蜓算法和最小二乘向量机的小批量生产质量预测

采用蜻蜓算法(DA)和最小二乘支持向量机(LSSVM)的方法,解决生产过程中小批量产品在质量预测方面的问题。首先以汽车变速箱轴承内圈孔直径的尺寸作为预测数据,连续观测12个单位时间,并记录每个单位时间轴承内圈孔直径的尺寸数据,进行归一化处理;其次采用LSSVM对变速箱轴承内圈孔直径加工过程变化进行量化分析,并采用蜻蜓算法优化LSSVM参数;最后将DA-LSSVM综合方法与多种预测模型进行对比分析。结果表明,DA-LSSVM方法可以提高预测模型的训练预测精度,缩短训练时间。     

LS-SVM和BP算法在逆模型控制中的对比研究

最小二乘支持向量机（least squares support vector machine,LS—SVM）具有很好的非线形逼近能力和泛化能力,通过研究逆模型存在的条件,提出了基于LS—SVM的逆模型辨识方法。仿真结果表明基于LS—SVM的逆模型辨识方法在处理非线性对象时,辨识精度、辨识速度、泛化能力都要强于BP算法。     

预见式网络财务系统安全形势评估方法研究

针对当前预测模型只能对过去和现在网络安全态势进行分析,不能对将来网络安全态势进行预测的缺陷,提出了预见式关联规则的网络安全态势预测方法。该方法能够利用当前和过去的数据对事物进行一定程度地预测,通过将其应用到网络财务系统中,并且采用小区域聚类的方法对关联规则进行一定程度地约束。通过仿真对预测方法性能进行检验。结果表明,预测方法能够准确反映网络财务系统安全形势的变化趋势,提高了系统的预测精度,相对于传统预测方法,更适用于现实的网络财务系统环境。     

基于分布式水文学模型的内蒙古河套灌区水循环特征研究

应用分布式水文模型DEHYDROS进行了河套灌区的水文学过程模拟研究。结合灌区渠系分布特点及水资源利用状况,将灌区划分为11个子流域。应用1986年、2000年土地利用数据,采用1991年～2000年间的数据系列对模型进行参数率定,1980年～1990年的数据系列对模型进行了验证,结果表明选取的参数是可以接受的。根据模型多年模拟的平均结果,蒸散量多年均值为39.0×108m3,渗漏量多年均值为13.0×108m3,系统排水量为77.8×108m3,降水产生径流微弱;灌区多年平均引水量为51.4×108m3,引水通过灌溉渠系和灌溉的方式大量补给地下水,地下水蒸发与基流在地下水排泄中都占有较大比重,地下水蒸发年均值为15.0×108m3。基流量占总水量支出的比例达到43%,仅次于区域蒸散量,对于维持乌梁素海湿地有重要意义,同时也表明灌区的地下水有相当大的开采潜力。