基于灰色 Verhulst 和EVM 模型的项目进度—成本绩效预测研究

传统挣值管理以进度和成本绩效指数为基础进行完工成本预测,在项目实施的早期其预测值与实际数据会存在较大偏差。因此,项目实施的早期,项目管理团队应侧重对进度和成本绩效趋势进行短期预测。在介绍挣值管理和灰色Verhulst 模型的基础上,提出采用Verhulst 模型对项目的实际成本和挣值进行预测,并计算进度和成本偏差,通过比较借此发现进度和成本绩效的发展趋势。最后结合具体案例详细介绍了建立灰色Verhulst 模型以及利用此模型进行预测的步骤。案例表明该方法是可行和有效的。     

基于支持向量机的燃气短期负荷预测

介绍支持向量机的原理和支持向量回归模型,提出支持向量回归(SVR)模型的城市燃气短期负荷预测方法。探讨输入样本数据的选择和预处理方法、核函数和支持向量机参数的选择,结合某城市燃气日负荷数据进行燃气短期负荷预测。与BP神经网络预测方法相比,支持向量回归模型预测方法用于小样本情况下的燃气短期负荷预测精度略高。     

基于时间序列支持向量回归模型的变形监测研究

论述了支持向量机的回归算法,提出了基于时间序列支持向量回归的变形预测方法,并在MATLAB 6.5中编制了相应的基于时间序列支持向量回归程序,建立了相应的基于时间序列支持向量回归模型。以实例数据讨论了基于时间序列支持向量机回归模型的预测方法。研究表明：用时间序列支持向量回归模型建立变形监测的预测模型是可行的和有效的。     

基于卡尔曼滤波法的挣值绩效预测优化模型

为提高挣值法的预测精度,解决预测项目可能发生的工期偏差和费用偏差问题,本文提出了一种将卡尔曼滤波引入挣值法的优化模型。基本思路是:首先,将项目划分为多个观察时刻,并根据每个时刻的观测数据计算成本绩效指标CPI和进度绩效指标SPI;其次,建立成本和进度卡尔曼滤波器预测优化模型,然后将计算出的CPI和SPI作为初值输入模型,利用卡尔曼滤波优化模型进行预测;最后对成本与进度进行预测并进行对比。案例研究证明:利用卡尔曼滤波器优化模型可以提高预测精度,能解决施工周期偏差和成本偏差问题。     

煤层底板破坏深度预测的GRA-FOA-SVR模型

针对煤层底板破坏深度影响因素冗余、预测方法种类繁多且参数优化较为困难的问题,选取支持向量回归机来预测煤层底板破坏深度,引入灰色关联度分析法和近年来较为流行的果蝇优化算法以用于影响煤层底板破坏深度的主控因素的提取和对常规支持向量回归机的优化,提出了煤层底板破坏深度预测的GRA-FOA-SVR模型;选取开采深度、煤层倾角、开采厚度、工作面斜长、煤层底板损伤变量和煤层切穿型断层或破碎带数等6个影响煤层底板破坏深度的因素,采用灰色关联度分析法选出关联度在80%以上的因素组成煤层底板破坏深度的主控因素;用果蝇优化算法对支持向量回归机参数进行迭代寻优,将最优参数代入支持向量回归机模型中。将测试样本的模型预测值与实测值、规程公式计算值、常规支持向量回归机计算值对比分析,结果表明:GRAFOA-SVR模型比规程公式和常规支持向量回归机的预测误差更小,更能有效地预测煤层底板破坏深度。利用排序加权平均算子法将GRA-FOA-SVR模型同"下四带"理论公式、岩石力学试验和规程公式融合,提出了预测煤层底板破坏深度的多源信息融合的方法,并以良庄井田51302工作面为例,表明了该融合方式的实用性,最后据此方法预测出了肥城煤田6个工作面的煤层底板破坏深度。     

基于PSO优化LSSVR的三维WSN节点定位方法

提出了一种基于粒子群优化最小二乘支持向量回归机的三维无线传感器网络节点定位方法。该方法首先运用最小二乘支持向量回归机构建三维节点定位模型,再利用粒子群优化算法对最小二乘支持向量回归机核函数参数和规则化参数寻优。然后,根据若干虚拟节点定位的预测位置与实际位置的均方差构造粒子群算法适应度函数,通过有限次建模参数迭代寻优获得最小二乘支持向量回归机全局最优参数。最后,返回回归模型中进行定位计算,实现节点定位。仿真结果表明,所提出的方法与最小二乘和最小二乘支持向量回归机定位方法相比,可以提高节点定位精度。     

基于PSO-SVR气膜薄壳钢筋混凝土结构的成本预测

针对新型气膜薄壳钢筋混凝土结构,建立基于粒子群算法优化的支持向量机模型对其成本进行预测。通过与原始数据进行对比,验证了结果具有良好的回归能力和预测能力。     

基于GA-SVM的输电塔结构基础施工成本预测

针对输电塔结构施工地点偏远,基础结构施工成本难以预测的问题,提出了一种基于遗传算法(GA)-支持向量机(SVM)的输电塔基础施工的成本预测方法。该方法通过遗传算法得到最优参数组合的支持向量机,将输电塔成本预测问题转化为回归问题。通过一输电塔基础施工实例来说明方法的有效性。结果表明,相比神经网络和传统的SVM算法,GA-SVM对小样本的模型预测效果显著,所述方法能较准确预测输电塔结构基础的施工成本。     

基于RF-GA-SVM的医院集中供暖系统一次侧流量预测模型研究

医院集中供暖系统一次侧流量受多种不确定因素影响。为了降低输入空间维度、节约运算成本、提高预测精确度,提出了一种基于随机森林(RF)特征重要性评估-遗传算法(GA)优化支持向量机(SVM)参数算法的预测模型。首先利用RF算法对特征变量实施重要性评估,利用交叉验证法对特征变量进行过滤,构建供暖系统影响因素指标体系,其次利用遗传算法优化支持向量机参数建立回归预测模型(RF-GA-SVM),最后结合某医院集中供暖系统数据进行了实例分析并与RF预测模型、GA-SVM预测模型进行了对比。预测误差分析表明,本文提出的预测模型(RF-GA-SVM)降低了输入空间维度,避免了局部最优,提高了预测精确度。     

基于支持向量机回归法的绝缘子污闪电压预测研究

为探讨污闪电压的有效预测方法,采用支持向量机回归方法,建立盐密、灰密与污闪电压的关系模型,对污闪电压进行预测。实例分析表明,其预测结果与实测结果的误差很小,表明支持向量机是一种非常有前景的预测工具。     

SVM在水泥机械故障诊断中的应用研究

基于支持向量机的故障预测和诊断方法是目前该领域的研究热点。这里介绍了支持向量机的原理、支持向量机在故障诊断过程中故障状态分类及回归上的应用,针对经典支持向量机的不足,提出了改进方法:双扰动集成支持向量机,并通过试验数据说明了其有效性。     

基于混沌支持向量回归机的短期空调负荷预测

提出了1种基于混沌分析和支持向量回归机的短期空调负荷预测建模方法。通过研究实际空调负荷序列的混沌特性,确定其混沌特征参数并选取支持向量回归机进行预测。支持向量机建模过程使用粒子群算法进行参数寻优。仿真结果表明,空调负荷序列具有一定的混沌特性,使用混沌支持向量机方法的预测精度比单一支持向量机法预测结果 EEP指标降低了31.4%,预测精度有了明显提升。     

高速公路软土路基沉降预测

软土路基沉降量的准确预测对高速公路施工与维护是非常重要的,但是影响路基沉降量的因素众多,并且沉降量之间具有高度复杂的非线性关系,用传统的数学、力学方法很难表示;将最新的机器学习技术-支持向量机应用于软土路基沉降量预测研究,提出了软土路基沉降量预测的支持向量机模型,该模型的应用结果表明,利用支持向量机进行预测是科学可行的,建立的模型很好地表示了沉降量之间的映射关系,并且提出的模型准确性高、推广预测能力强。     

膨胀土等级判别的遗传支持向量机多分类方法

针对支持向量机模型中的参数难以确定的状况,提出了遗传支持向量机方法,即利用遗传算法来搜索支持向量机与核函数的参数,避免了人为选择参数的盲目性,同时提高了支持向量机的推广预测能力,并将该方法应用于膨胀土胀缩等级的判别分类问题。考虑影响膨胀土判别的重要因素,选用液限、胀缩总率、塑性指数、天然含水量和自由膨胀率5个指标作为模型的判别因子,以4类膨胀土胀缩等级作为相应的输出,以膨胀土实测数据作为学习样本进行训练,建立相应分类函数对待判样本进行分类。研究结果表明：遗传支持向量机模型分类性能良好,预测精度高,是膨胀土     

基于支持向量机的混凝土双轴动态强度预测

介绍了基于支持向量机的混凝土双轴动态强度预测方法,并且利用MATLAB软件编写了相应的支持向量机程序,建立了混凝土双轴动态强度预测模型,与已经普遍应用的神经网络方法进行对比,结果表明支持向量机的方法可以更好地预测混凝土双轴动态强度,且方便可行。     

SVM在张弦桁架施工变形预测中的应用研究

在介绍支持向量机的理论基础及其在时间序列预测中应用方法的基础上,建立一种基于支持向量机的结构变形预测方法。通过在某会展中心张弦桁架实际变形数据中的应用并与AR模型预测方法进行对比,验证了基于支持向量机的结构变形预测方法的准确性和优越性,该方法有较高的预测精度,并且在预测区间较长情况下同样有效,具有较大的研究意义并可以在实际预测中应用。     

基于支持向量机的潜在高血压预测研究

随着高血压患者的逐渐增多,并且日趋于年轻化,如何防治高血压病成为重要课题。鉴于此现状,文章提出基于支持向量机的高血压预测方法。根据支持向量机原理,对高血压病理属性进行分类,建立高血压病的预测模型,通过计算不同分类属性的权重指数,获取不同属性对高血压病影响的重要程度等级,进而实现潜在高血压病的预测。实验结果表明,利用支持向量机算法能够有效对潜在高血压病进行预测,为早期高血压病的检测与防治提供理论支持。     

高速公路软土路基沉降预测

软土路基沉降量的准确预测对高速公路施工与维护是非常重要的，但是影响路基沉降量的因素众多，并且沉降量之间具有高度复杂的非线性关系，用传统的数学、力学方法很难表示；将最新的机器学习技术一支持向量机应用于软土路基沉降量预测研究，提出了软土路基沉降量预测的支持向量机模型，该模型的应用结果表明，利用支持向量机进行预测是科学可行的，建立的模型很好地表示了沉降量之间的映射关系，并且提出的模型准确性高、推广预测能力强。     

位移时序预测的APSO-WLSSVM模型及应用研究

引入改进的粒子群算法对小波核函数最小二乘支持向量机进行优化,提出了位移时间序列预测的改进粒子群优化小波最小二乘支持向量机预测模型(APSO-WLSSVM)。该模型具有小波变换的良好时、频域分辨能力和支持向量机的非线性学习能力;同时利用粒子群算法优化小波最小二乘支持向量机的参数,避免了人为选择参数的盲目性,从而提高了模型的预测精度。为证明该模型的优越性,将该模型与传统的高斯核函数支持向量机模型的预测结果作了对比,结果表明该模型较传统方法预测精度有了明显提高。最后将该模型用于锦屏一级水电站左岸边坡和导流洞进行变形预测,预测结果表明该方法科学可靠,在岩土体位移时序预测中具有良好的实际应用价值。     

基于遗传优化支持向量机的软件缺陷预测模型

有效的软件缺陷预测能够显著提高软件安全测试的效率,确保软件质量,支持向量机(support vector machine,SVM)具有非线性运算能力,是建立软件缺陷预测模型的较好方法,但其缺少统一有效的参数寻优方法。本文针对该问题提出一种基于遗传优化支持向量机的软件缺陷预测模型,将支持向量机作为软件缺陷预测的分类器,利用遗传算法进行最优度量属性的选择和支持向量机最优参数的计算。实验结果表明,基于遗传优化支持向量机的软件缺陷预测模型具有较高的预测准确度。