共查询到10条相似文献,搜索用时 31 毫秒
1.
2.
基于小波分析-支持向量机(WA-SVM)组合预测模型方法,将原始降雨序列进行小波分析分解到不同层次,对每层分别采用支持向量机预测,最后合成原始序列的预测值。将该模型应用于实际流域月降雨量预测,并与单独支持向量机回归方法的结果进行了对比分析。 相似文献
3.
为提高日用水量预测精度,提出一种基于多尺度相关向量机的预测模型。通过静态小波分解将用水量非平稳时间序列分解为不同尺度的平稳时间序列,然后在分解后的各子序列分别建立相关向量机回归模型进行预测,最后通过小波逆变换将各子序列预测结果整合得出原始用水量时间序列的预测值。在实例分析中分别利用多尺度关联向量机模型和单尺度相关向量机预测模型对实际用水量进行预测分析。结果表明,前者具有更高的预测精度,可应用于城市日用水量的预测。 相似文献
4.
针对径流时间序列过程的高度非线性,将小波分析方法、粒子群优化算法与支持向量回归相结合,建立了小波-粒子群-支持向量回归耦合日径流预测模型(WPSO-SVR)。该模型充分挖掘小波分析的多分辨功能和支持向量回归的非线性逼近能力,应用小波分析方法将日径流时间序列分解为不同频段的子序列,将重构后的序列作为模型的输入,利用粒子群全局搜索能力实现模型参数寻优,得到最佳模型参数,构建模型,并将该模型应用于金沙江中游石鼓站日径流预测。结果表明,该模型的预测效果明显优于单一支持向量回归模型,在日径流预测中具有较强的适应性。 相似文献
5.
6.
BRR-SVR月降水量预测优化模型 总被引:5,自引:1,他引:4
受多种因素影响,水文时间序列具有非平稳性。研究时间序列的传统模型如ARMA对数据的平稳性有较高要求,不适用于非平稳水文时间序列的研究。近年来,机器学习算法越来越多地被应用于研究水文过程,本文将支持向量机回归(SVR)和贝叶斯岭回归(BRR)应用于月降水量的预测。运用小波变换对降水数据进行分解和重构,然后对各子序列进行相空间重构,运用校验数据从SVR和BRR中选取每个子序列上精度更高的模型,构建耦合支持向量机回归和贝叶斯岭回归的BRR-SVR优化模型,并与单一的BRR模型和SVR模型加以对比。以北京站、南京站和太湖流域7个雨量站为例,采用确定系数、平均绝对百分比误差和平均绝对误差3项指标评估各模型的预测性能,以相对误差图探讨三类模型之间的差异,计算结果验证优化模型的有效性。 相似文献
7.
针对最小二乘支持向量机(LS-SVM)参数不易确定的问题,利用遗传神经网络模拟LS-SVM计算结果与参数之间的关系,提出了一种基于遗传神经网络(GA-BP)的参数选择方法,该方法利用正交分解法构建训练参数组,并将参数组代入最小二乘支持向量机以获得计算输出值,然后将计算输出值与训练参数组代入遗传神经网络进行训练并获得合适的LS-SVM参数。最后以土石坝渗流分析为例进行验证,结果表明该方法对优化选择最小二乘支持向量机参数十分有效,预测精度可达10-4。 相似文献
8.
在大坝工程变形分析和预测方面,研究了一种基于支持向量度的模糊最小二乘支持向量机(LS-SVM)算法,结合具体实例进行对比分析,结果表明模糊LS-SVM模型的预测精度要高于LSSVM模型,且支持向量机(SVM)的稀疏性也优于LS-SVM模型,可以很好地应用于大坝变形监测分析. 相似文献
9.
基于相空间重构的大坝服役性态小波支持向量机预测模型 总被引:2,自引:0,他引:2
通过支持向量机与相空间重构、小波分析、粒子群算法等的组合应用,充分考虑大坝原型监测数据特征,开展了大坝变形性态预测模型研究。为提升模型的抗噪能性,首先利用小波分析工具对监测数据序列进行时频分解,对分解所得的高频子序列实施阈值去噪处理;进而在借助混沌相空间重构技术,计算各子序列延迟时间与嵌入维数的基础上,重构各子序列的相空间。依据去噪和重构后的变形子序列,建立大坝变形性态支持向量机预测模型。考虑到支持向量机惩罚因子与核函数参数对模型预测精度影响显著的特点,引入粒子群算法,并通过支持向量机的参数寻优,进一步提高了模型的预测精度。工程实例分析表明,相空间重构的大坝变形性态小波支持向量机预测模型具有较强的抗噪和泛化能力,且能够更好地辨识蕴含于大坝原型监测数据中的时频非线性特征,更利于大坝变形性态的精准预测。 相似文献