支持向量机应用于大气污染物浓度预测

支持向量机是基于统计学习理论的新一代机器学习技术,其非线性回归预测性能优越于传统统计方法。提出了一种大气污染物浓度预测模型,该方法将支持向量机应用于大气污染物浓度预测,首先对各类影响因子进行分析并进行建模预测;而后利用主成分分析的方法对输入因子降维,从而形成支持向量机的训练样本集;在此基础上建立了基于RBF核函数支持向量回归法的大气污染预模型。大气污染预测实例表明,该方法具有泛化能力强、预测精度高、训练速度快、稳定性好、便于建模等优点,有良好的应用前景。     

支持向量机应用于大气污染物浓度预测

支持向量机是基于统计学习理论的新一代机器学习技术,其非线性回归预测性能优越于传统统计方法。提出了一种大气污染物浓度预测模型,该方法将支持向量机应用于大气污染物浓度预测,首先对各类影响因子进行分析并进行建模预测;而后利用主成分分析的方法对输入因子降维,从而形成支持向量机的训练样本集;在此基础上建立了基于RBF核函数支持向量回归法的大气污染预模型。大气污染预测实例表明,该方法具有泛化能力强、预测精度高、训练速度快、稳定性好、便于建模等优点,有良好的应用前景。     

基于支持向量机的航空发动机振动预测模型研究

提出了一种基于支持向量机的航空发动机振动参数预测方法.分析了支持向量机用于时间序列预测的基本理论,对时间序列进行了相空间重构,采用互信息法计算了延迟时间,运用平均一步绝对误差选取了嵌入维数,在此基础上建立了基于支持向量机的时间序列一步预测模型.应用某发动机飞参记录数据对发动机振动参数进行预测,预测精度比RBF神经网络更高.研究结果验证了应用支持向量机模型进行发动机参数预测的正确性和可行性.     

基于SVM的IPO首日投资策略分析

将支持向量机方法应用于新股IPO首日价格变动的预测,预测效果令人满意．目前的股票价格预测研究都局限于通过已知的时间序列来预测将来的时间序列,这类模型对于预测没有历史时间序列的新股IPO无能为力,因此基于支持向量机的新股IPO价格预测模型对股票价格研究有着重要的参考价值．     

基于Renyi熵的LS-SVM财务困境预测模型

为了提高企业财务困境预测的正确率,减少训练模型的样本数和训练时间,在传统支持向量机预测模型的基础上,将Renyi熵和最小二乘支持向量机算法应用于财务困境预测,提出了一种基于Renyi熵的最小二乘支持向量机预测模型.独立推导出了适合财务困境预测这一离散序列的熵以及支持向量机核函数的表达式,同时,给出了这一改进算法的实现步骤.实验结果表明,该算法无论是训练样本的数量还是训练时间,都显著优于传统的最小二乘支持向量机以及标准支持向量机预测模型.     

基于支持向量机的MEMS陀螺仪随机漂移补偿

针对传统方法的不足,将支持向量机应用于MEMS陀螺仪随机漂移的补偿。建立了支持向量机预测模型,通过相空间重构技术,将标量的随机漂移时间序列嵌入到一个辅助的相空间中进行模型的训练和测试,并使用最优化算法得到了核函数和预测模型的各项参数。训练和预测结果均表明,该方法具有很好的预测效果,是一种有效的MEMS陀螺仪随机漂移补偿方法。     

时间序列模型在降水量预测中的应用研究

研究准确预测降水量,可提高应对灾害的能力.降水量的变化既受大气环流、地形、气压、气候带等各种环境因子的影响,降水量的动态特征呈现复杂非线性,使得准确预测未来降水量的变化较为困难.为了提高预测精度,采用融合时间序列模型与支持向量回归提出了一种新的多因子影响降水量预测模型.首先用支持向量机进行环境因子的非线性选择,用时间序列模型进行模型阶数的确定,最后以最优阶模型一步预测法检验模型外推能力.应用于赤峰地区夏季降水量预测,仿真结果表明,改进方法预测精度高,用在旱涝预测方面具有较好的应用前景.     

基于支持向量机的干气制乙苯反应器出口温度预测模型研究

鉴于化工过程往往机理复杂、耦合性强、高度非线性,难于建立其机理模型,这时就需要采用经验建模的方法。支持向量机是一种新的机器学习方法,其基于结构风险最小化原则,用支持向量机建模不需要考虑对象机理,且对非线性问题有很好的效果,是一种良好的经验模型,己被应用于不少化工问题中。在本文中我们把支持向量机这一新颖算法应用于干气制乙苯反应器出口温度预测模型中,简要介绍了支持向量机的一些基本理论,在此基础上详细研究支持向量机在干气制乙苯反应器出口温度预测模型建模中的应用。首先,选择支持向量机的类型为ε-SVR,通过四种核函数在实际预测中误差的比较选择径向基(RBF)核函数作为本文支持向量机模型所用的核函数,之后应用交叉验证的方法选择最佳参数C=4,γ=0.0051543,最后建立预测模型并对训练集和预测集分别预测,预测结果相关系数在90%以上,说明模型精度达到要求。对支持向量机和遗传算法优化的BP神经网络算法的建模效果进行综合比较和讨论,得出支持向量机与传统建模方法相比有更好的预测准确率的结论。     

基于灰色理论的时间序列预测模型研究

为了提高对数据的预测效果,本文首先以灰色理论的数据处理为辅助处理,得出较好的机器学习数据内容,提出了支持向量机与灰色理论相结合的综合预测模型。并且在以灰色的数据序列为例的数据处理的基础上,重点与ε-支持向量回归机算法相结合,提出综合模型的结构,以及如何运用综合模型来进行预测,详细的介绍其实现过程。并以都江堰管理局提供的岷江来水量数据为例,将综合预测模型应用于来水量时间序列的预测,通过训练预测模型,得出较好效果的预测结果。     

相空间重构-最小二乘支持向量机用于间歇过程变量在线预报

时间序列预测技术可实现过程参数未来变化趋势的早期预报,从而为分析判断工况是否正常、确定转入下一工序的时机提供依据.针对间歇过程数据长度短、非线性、动态、不同批次数据不等长等特点,提出了一种基于相空间重构-最小二乘支持向量机的非线性时间序列预测方法.首先将多批次数据随机的拼接组成长数据向量,差分处理后采用相空间重构关联积分C-C方法计算该序列的延迟时间τ和嵌入维数m,从而构建训练集和检验集,然后采用最小二乘支持向量机算法建立预测模型.对某间歇蒸馏过程上升气温度建立的5步预测模型可用于生产现场的在线预报.     

Oracle中使用支持向量机的时间序列预测方法

利用Oracle数据库中的数据挖掘选件（Oracle Data Mining,ODM）,并使用存储在Oracle数据库中的时间序列数据,可构建预测时间序列未来值的支持向量机（Support Vector Machines,SVM）模型。建模时,需去除时间序列中的趋势,将目标属性标准化,确定包含延迟变量窗口的尺寸,利用机器学习方法,由时间序列历史数据得出SVM预测模型。与传统时间序列预测模型相比,SVM预测模型能够揭示时间序列的非线性、非平稳性和随机性,从而得到较高的预测精度。     

基于GA-GRU环境空气污染物预测研究

针对现有的环境空气污染物预测方法存在缺少输入特征相关性分析和时序信息丢失问题,提出一种将遗传算法和门控循环单元神经网络相结合的环境空气污染物PM2.5小时浓度预测模型,充分挖掘了污染物时间序列内在依赖关系,并解决了不相关因子的干扰和输入特征维度灾难的问题。最后基于绵阳市4个空气污染物监测站点的数据集进行仿真实验,与门控循环单元神经网络、深度信念网络预测比较。结果表明,基于GA-GRU的PM2.5小时浓度预测模型在训练时间、预测精度和鲁棒性上优势显著,是一种可行且有效的预测方法。     

基于支持向量机的复杂时间序列预测研究

介绍了相空间重构和基于支持向量机的时间序列预测建模技术,提出了复杂时间序列的多尺度分解方法,对支持向量机回归与预测的各项参数设置进行了试验分析。对股票数据进行建模和预测,结果表明支持向量机对复杂时问序列具有较好的预测效果。     

基于模糊时序和支持向量机的高速公路SO2浓度预测算法

针对现有SO₂浓度预测方法中存在的污染物来源和影响因素认识不统一、小样本数据敏感、易于陷入局部最优等问题,文中提出了基于模糊时序和支持向量机的高速公路SO₂浓度预测算法,为搭建高速公路环境健康监测系统提供了可靠的理论支持.该方法依据SO₂浓度的季节变动规律,以季节作为时间序列,以24h为粒化窗宽,通过高斯核函数提取原始样本数据的特征值,输入支持向量机训练模型,并利用k重交叉验证法结合网格划分优化模型参数.文中应用该方法建立了SO₂浓度预测模型,并以2014年4月至2015年3月山西省太旧高速公路某监测点SO₂小时浓度监测值为样本数据,在MATLAB平台下应用LIBSVM工具实现了计算过程.结果表明,基于模糊时序和支持向量机的高速公路SO₂浓度预测算法不受机理性理论研究的限制,支持小样本学习,非线性拟合效果好,泛化能力强.     

基于时间序列的支持向量机在股票预测中的应用

由于股票预测是不确定、非线性、非平稳的时间序列问题，传统的方法往往难以取得满意的预测效果。本文提出一种基于时间序列的支持向量机（SVM）股票预测方法。利用沙河股份的股票数据，建立股票收盘价回归预测模型，该模型克服了传统时间序列预测模型仅局限于线性系统的情况。实验结果表明，该方法比神经网络方法以及时间序列方法的预测精度更高，可以很好的应用某些非线性时间序列的预测中。     

基于小波和支持向量机的多尺度时间序列预测

介绍了相空间重构和基于支持向量机的时间序列预测建模技术,提出了基于小波和支持向量机的复杂时间序列预测方法,利用小波对复杂时间序列进行多尺度分解,对重构后的近似序列和细节序列分别利用支持向量机进行回归预测并将结果融合。对股票数据进行预测,试验结果表明该方法预测精度高于单尺度支持向量机和神经网络预测方法,可用于复杂非平稳时间序列的预测。     

基于自适应变异混沌粒子群优化和SVM的导弹命中预测模型

针对国内外关于导弹命中预测方面存在的研究深度不足、算法寻优能力不强、模型预测精度不高等缺陷,提出一种基于自适应变异混沌粒子群算法（AMCPSO）和支持向量机（SVM）的导弹命中预测模型。首先,对空战数据进行特征提取,构建模型训练所需样本库;然后,采用改进的AMCPSO算法对SVM中的惩罚因子C和核函数参数g进行寻优,并用优化后的模型对样本进行预测;最后,与经典PSO算法、BP神经网络法、网格法构建的预测模型进行了对比实验。实验结果表明,所提算法的全局寻优能力与局部寻优能力均得到提高,模型预测精度较高,可为导弹命中预测研究提供一定的参考依据。     

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...     

一种平稳化短时交通流预测方法

支持向量机回归模型是以预测噪声具有对称性概率分布为假设条件,而实际的短时交通流数据序列具有非平稳特征,这就使得在采用支持向量机回归模型进行短时交通流预测时,难以保证预测噪声的对称性概率分布,从而会影响到预测精度.针对上述问题,在证明支持向量机回归模型对平稳时间序列的预测噪声具有对称性概率分布的基础上,分别针对平稳化和未平稳化的短时交通流观测序列进行了仿真预测,并对预测结果进行了比对分析.分析结果表明,采用平稳化短时交通流预测方法可将预测的均方根误差降低约21.6％,绝对值误差降低约21.3％,相对误差降低约17.3％,仿真结果验证了所提方法的有效性.     

支持向量机及其在用电量时间序列预测中的应用

支持向量机在解决非线性及高维模式识别问题中表现出许多特有的优势。由于现实世界中大量数据的采集与时间相关,数据具有时间上的关联性,从而时间序列预测成为人们更感兴趣同时也是更富挑战性的工作。本文探讨了支持向量机对混沌时间序列的预测能力,推导出在用电量时间序列预测中的模型,并进行求解。可以看出将支持向量机理论和方法应用于电流量时间序列预测中具有理论和实际意义。