改进CS优化支持向量回归的汽车热舒适性预测

热舒适性指标PMV参数间互相迭代、计算复杂、不易实时预测,而采用支持向量回归（SVR）进行数据拟合时,预测效果易受SVR参数的影响。针对以上问题,提出一种改进布谷鸟算法（CS）优化SVR参数的PMV预测模型。改进CS算法采用自适应步长对Lévy全局随机游动的步长进行调节,并用非洲野狗算法（DOA）的生存行为替换CS算法偏好局部随机游动行为,以提高CS算法寻优能力。实验结果表明,CS优化SVR模型预测值的RMSE为0.00742,比DOA优化SVR模型的RMSE低0.00481;使用自适应步长或DOA算法改进CS优化SVR模型比CS优化SVR模型的RMSE分别降低了32.34%和40.83%;融合两种策略改进CS优化SVR模型预测值的RMSE整体降低了60.52%。融合两种策略改进CS算法优化SVR预测模型具有更高的PMV预测精度。     

城市交通过饱和状态下干线信号的多目标仿真优化研究

针对城市交通过饱和状态下的干线信号优化问题,分析了交通控制目标对车辆排队的影响,提出以绿信比、相序、相位差和周期为优化参数,以车辆平均时延、系统平均排队-车道长度比和系统通行能力为优化目标的交通信号仿真优化模型。构建了优化模型的实施框架,该框架采用自主构建的微观交通仿真环境来获取信号方案评价指标,改进多目标优化算法NSGAII中的重复个体问题,完成对干线各交叉口信号配时方案的同时优化。最后,利用采集的交通数据对由3个交叉口组成的干线进行实例验证,验证结果表明,在过饱和状态下,所提出的信号优化方法不仅可以有效控制车辆排队长度,均衡车辆分布,同时在系统通行能力、车均时延方面表现更佳。     

相空间重构和SVR联合优化的短时交通流预测

短时交通流预测首先重构相空间,然后采用时间序列模型预测交通流量,而支持向量回归机（SVR）是比较好的时间序列预测模型。但短时交通流相空间重构的嵌入维数与延迟时间与支持向量回归机的参数确定往往是分别独立地求解,难以达到两组参数值的同时最优,影响预测的准确性。为了提高短时交通流的预测准确性,提出一种利用粒子群算法联合优化相空间重构和支持向量回归机的预测模型,并用于实际短时交通流数据的预测。该模型的相空间重构和支持向量回归机（SVR）的参数联合一起优化,利用粒子群算法同时优化其两组参数的组合值。采用短时交通流数据仿真,结果表明联合一起优化所得参数的预测器提高了简单模型预测的效果。     

抗野值卡尔曼滤波器在排队长度预测中的应用

车辆排队长度是智能交通控制系统中最关键的交通参数之一,如何准确、有效地预测车辆的排队长度是近年来排队长度预测中研究的主要问题.为此,在利用卡尔曼滤波理论建立排队长度预测模型的基础上,针对滤波过程中较容易出现的野值问题,分析了野值对标准卡尔曼滤波的影响机理,采用了基于M估计的卡尔曼滤波野值处理方法.仿真结果表明,所提方法可有效消除野值对滤波的不利影响,提高排队长度预测的精度,具有较好的应用价值.     

锂离子电池最优充电电流预测方法研究

为解决锂离子电池最优充电中电流设定的关键问题,提出蚁群算法（ACO）优化回归型支持向量机（SVR）核心参数,并将蚁群优化的回归型支持向量机（ACO-SVR）用于最优充电电流的预测。SVR核心参数[C]和[g]以节点值的形式在蚁群系统中体现,以交叉验证意义下误差作为目标函数更新节点信息素浓度,经过有限次迭代得到最优[C]和[g]值,使SVR性能最优。根据锂离子电池实测充电数据建立了ACO-SVR最优充电电流模型,结果表明ACO-SVR模型具有较少的寻优时间和较好的预测精度,通过理论分析和实验数据验证了该方法具有一定的实用性和有效性。     

基于混合算法软测量的污水处理厂污泥回流系统设计

针对污水生化处理中的污泥回流量模型具有高度非线性的问题,提出了基于PCA-GA-SVR（Principal Component Analysis-Genetic Algorithm-Support Vector Regression）的污泥回流量软测量模型.该方法由两部分组成：主成分分析PCA和GA-SVR支持向量回归的混合算法,先使用PCA进行降维,然后再以遗传算法对SVR的影响预测精度的几个有关参数进行优化,建立污泥回流量模型.实验表明提出的预测模型是有效的,具有较快的收敛速度,相比SVR预测模型更高的预测精度及更快的运行速度.     

基于CS-SVR模型的短期风电功率预测

为了提高短期风电功率预测精度,提出一种布谷鸟搜索算法(Cuckoo Search Algorithm, CS)优化支持向量回归(Support Vector Regression, SVR)机的预测方法,该方法首先根据上截断点和下截断点对输入数据进行预处理,剔除异常数据,之后以输入数据中的风速、平均风速、风机状态等属性数据作为SVR算法模型的输入,以风电功率数据作为SVR算法模型的输出,建立短期风电功率的SVR预测模型,针对SVR算法存在难以选择最优参数的缺点,提出采用布谷鸟算法优化SVR参数的方法,建立短期风电功率的CS-SVR预测模型。通过与SVR、PSO-SVR预测模型进行了对比仿真实验,实验结果表明,CS-SVR预测模型具有较高的预测精度。     

RQEA-SVR在交通流预测中的应用

建立在统计学习理论和结构风险最小化准则基础上的支持向量回归（SVR）是处理小样本数据回归问题的有利工具,SVR的参数选取直接影响其学习性能和泛化能力。文中将SVR参数选取看作是参数的组合优化问题,确定组合优化问题的目标函数,采用实数量子进化算法（RQEA）求解组合优化问题进而优选SVR参数,形成RQEA-SVR,并应用RQEA-SVR求解交通流预测问题。仿真试验表明RQEA是优选SVR参数的有效方法,解决交通流预测问题具有优良的性能。     

基于磷虾群算法优化的SVR-ARMA组合模型的ORP预测

为了实现生物氧化提金预处理过程中关键参数的准确预测,提出一种基于磷虾算法优化的SVR-ARMA组合预测模型。该改进的组合预测模型把具有较好连续空间非线性寻优性能的磷虾群算法用于SVR模型的参数优化过程,对原始数据进行预测,然后用ARMA模型对SVR模型产生的线性残差进行预测,将两部分的预测值几何相加得到最终预测值。仿真结果表明,与基本SVR模型、KH-SVR模型和SVR-ARMA组合预测模型相比,该改进模型具有更高的预测精度,能够满足对氧化还原电位(ORP)的精准预测。     

基于SVR与成分分解的轨道交通站点流量预测

轨道交通站点数据具有显著的非平稳性和时间尺度差异性,为了对其进行准确高效的预测,提出了基于SVR与成分分解的预测方法.采用模态分解对站点流量数据进行局部特征提取,成分分解结果由若干IMF和一个残差组成,能够降低特征提取过程中的局部极值干扰.在站点流量成分分解基础上设计了 SVR优化模型,利用SVR模型对数据的训练来实现结果预测.模型针对低维线性分解、预测精度和效率问题,依次引入了核函数,损失因子,及惩罚因子,并采用遗传算法对SVR优化模型的引入参数进行寻优.仿真分别对站点流量预测的准确性和效率进行性能分析,结果表明SVR优化模型能够有效处理轨道交通的小样本站点流量数据,基于SVR与成分分解能够显著提升站点流量预测的RMSE、MAE和MAPE指标性能,同时保持较低的预测耗时.     

基于PSO-SVR的岩质边坡稳定性评价模型

针对边坡稳定性影响因素的复杂性,提出了基于粒子群算法（PSO）和支持向量回归（SVR）的边坡稳定性评价模型。该模型利用粒子群算法快速全局优化的特点和支持向量回归机对小样本数据的良好学习能力,建立了岩质边坡稳定性与其影响因素之间的非线性关系。仿真实验表明,该方法具有比BP神经网络和自适应模糊推理系统（ANFIS）方法更好的预测精度。     

支持向量机与神经网络相结合的板带凸度预测

为提高热轧生产过程中板带凸度的预测精度,提出了一种将粒子群优化算法(particle swarm optimization, PSO)、支持向量回归(support vector regression, SVR)和BP神经网络(back propagation neural network, BPNN)相结合的板带凸度预测模型。采用PSO算法优化SVR模型的参数,建立了PSO-SVR板带凸度预测模型,提出采用BPNN建立板带凸度偏差模型与PSO-SVR板带凸度模型相结合的方法对板带凸度进行预测。采用现场数据对模型的预测精度进行验证,并采用统计指标评价模型的综合性能。仿真结果表明,与PSO-SVR、SVR、BPNN和GA-SVR模型进行比较,PSO-SVR+BPNN模型具有较高的学习能力和泛化能力,并且比GA-SVR模型运算时间短。     

求解整合资源条件下的运输调度问题

针对传统的物流运输调度问题(Vehicle Routing Problem,VRP)中车辆之间不协作会造成资源浪费的情况,提出整合资源条件下的运输调度问题(Vehicle Routing Problem with Integration of resources,VRPIR),建立了相应的数学模型。由于混沌具有良好的遍历性,而粒子群优化算法(Particle Swarm Optimization,PSO)具有概念简单,参数少,容易实现等优点,将混沌优化方法引入到粒子群优化算法中,应用混沌粒子群优化算法(Chaos Particle Swarm Algorithm,CPSO)求解VRPIR和VRP,并用CPSO和PSO分别求解VRPIR,实验结果证明该算法优于粒子群优化算法,也证明了提出的VRPIR模型优于VRP,能节省资源,且最小化成本。     

一种新型灰色预测模型在陀螺漂移预测中的应用研究

针对某型导弹的陀螺漂移趋势预测问题,提出1种基于经验模态分解（EMD）的新型灰色支持向量回归预测模型。该模型通过运用经验模态分解算法将陀螺漂移数据趋势项和随机项进行分离,然后分别运用灰色GM（1,1）和支持向量回归算法对这2种数据进行预测,最后将预测结果进行重构得出最终的预测值。给出了这种算法的具体步骤并将其应用到某型导弹陀螺漂移的预测中,仿真试验结果表明这种预测模型的有效性和可行性。     

基于双重预测模型的非线性时间序列预测

在支持向量机( SVM)预测问题中,为了减小错误参数选取对预测结果的影响,提出了1种基于双重预测模型的非线性时间序列预测算法.该算法在充分考虑支持向量机参数对推广能力影响的基础上,分别利用自回归预测模型(AR)、自回归滑动平均模型( ARMA)、线性回归和决策树模型对SVM参数进行预测,将预测参数运用到SVM预测模型中...     

Hybridizing nonlinear independent component analysis and support vector regression with particle swarm optimization for stock index forecasting

One of the major activities of financial firms and private investors is to predict future prices of stocks. However, stock index prediction is regarded as a challenging task of the prediction problem since the stock market is a complex, chaotic and nonlinear dynamic system. As stock markets are highly dynamic and exhibit wide variation, it may be more realistic and practical that assumed the stock index data are a nonlinear mixture data. In this study, a hybrid stock index prediction model by utilizing nonlinear independent component analysis (NLICA), support vector regression (SVR) and particle swarm optimization (PSO) is proposed. In the proposed model, first, the NLICA is used to deal with the nonlinearity property of the stock index data. The proposed model utilizes NLICA to extract features from the observed stock index data. The features which can be used to represent underlying/hidden information of the data are then served as the inputs of SVR to build the stock index prediction model. Finally, PSO is applied to optimize the parameters of the SVR prediction model since the parameters of SVR must be carefully selected in establishing an effective and efficient SVR model. In order to evaluate the performance of the proposed approach, the closing indexes of the Taiwan stock exchange capitalization weighted stock index, Shanghai stock exchange composite index and Bombay stock exchange index are used as illustrative examples. Experimental results showed that the proposed hybrid stock index prediction method significantly outperforms the other six comparison models. It is an efficient and effective alternative for stock index forecasting.     

基于MPSO-SVM巷道围岩松动圈预测研究

针对目前巷道围岩松动圈确定方法的种种缺陷,提出了一种新的预测方法,采用改进的粒子群算法（MPSO）优化支持向量机（SVM）对巷道围岩松动圈进行预测。在标准PSO中引入压缩因子,实现了算法全局搜索和局部寻优的有效平衡;应用MPSO对SVM的参数C和g进行优化,建立MPSO-SVM回归预测模型;将该预测模型应用于巷道围岩松动圈的预测,将预测性能与PSO-SVM、GA（遗传算法）-SVM、GSM（网格搜索）-SVM模型、BP神经网络进行对比分析。结果表明：该模型具有较强的泛化能力,较高的预测精度,可以对围岩松动圈厚度进行有效预测。     

基于改进PSO优化SVR的交通事故预测模型

为了有效预测交通事故,提出一种基于改进粒子群算法优化支持向量回归机的预测模型。改进粒子群算法利用网格搜索对全局最优粒子的邻域进行精细搜索,结合粒子群算法较快的收敛速度和网格搜索较强局部搜索能力的优点,提高了支持向量回归机相关参数的优化精度,进而改善了交通事故预测模型的预测性能。仿真结果表明,基于改进粒子群算法优化支持向量回归机的交通事故预测模型达到了较快的学习速度和较高的预测精度,具有良好的工程应用性。      

基于KFCM-MultiSwarmPSO的SVR参数寻优策略

针对目前支持向量回归机模型（SVR）参数寻优的各类基本方法,从提高计算效率及降低早熟收敛概率角度,从粒子群算法出发,提出一种新型的基于核模糊聚类（KFCM）算法参数自学习方法：多种群粒子群算法（MultiSwarmPSO）来对支持向量回归机的参数寻优策略进行改进。在改进策略中,融入k折交叉验证（k-CV）法并提出用幂函数作为粒子群算法动态学习因子的方法来提高算法性能。针对5个不同特点的数据集,用提出的改进粒子群算法与网格算法（Grid Algorithm）、标准粒子群算法（PSO）、标准遗传算法（GA）、人工蜂群算法（ABC）4种智能参数自学习算法进行对比,实验结果表明,改进算法在参数寻优的时间效率及拟合准确度方面相对传统方法有一定的提高,可以求解出更符合需求的参数组。