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。     

基于边坡位移监测数据的进化支持向量机预测模型研究

支持向量机方法是基于统计学习理论和结构风险最小化原则的学习方法,在回归预测方面具有良好外推能力,并且适合小样本的统计学习问题。建立支持向量机预测模型,对边坡位移进行预测计算,将预测值和实测值对比分析,验证了支持向量机预测模型较强的外推能力和预测计算的有效性。通过对边坡位移初始时序位移数据进行灰色理论的累加生成和累减生成处理,形成新的时间序列数据,在此基础上,计算出预测值,并与基于初始时间序列的支持向量机预测结果对比分析,基于新生成的时间序列数据进行预测计算结果精度明显提高。基于边坡位移监测数据构建训练样本数据集,研究了训练样本数据集的选取对预测结果的影响。对支持向量机预测模型的关键参数进行敏感度分析,并采用进化算法–微粒群算法对支持向量机模型参数加以优化,提高了预测精度。     

基于LSSVM-ARMA模型的高层建筑地基变形时间序列预测

由于建筑物沉降受多种因素的影响和制约,其变化规律很难用一个显式的数学公式予以正确表达。本文基于时间序列预测法,结合小波变换、粒子群优化的最小二乘支持向量机和自回归移动平均模型建立了联合的预测方法和模型。将沉降变形时间序列通过小波分解和重构为趋势时间序列、随机时间序列。分别对趋势时间序列和随机时间序列采取滚动预测,最后将两个序列预测结果叠加即为最终预测结果。通过算例分析表明,该方法用于建筑物沉降与倾斜预测是可行的。     

基于相空间重构的滑坡位移时间序列预测

本文基于滑坡时间序列位移,根据相空间理论构建位移时间序列矩阵,利用熵值理论求取熵值。通过熵值变化及位移预测误差反馈调整该时序相空间重构的嵌入维数,然后利用支持向量机学习创建支持向量回归机模型。并通过实例进行位移时间序列预测,预测效果好。     

支持向量机在隧道围岩变形预测中的应用

将支持向量机应用于隧道围岩变形的预测中,将围岩变形看作一个非线性变形序列,然后采用时间序列分析技术,用支持向量机建立非线性变形序列之间的映射关系,进而对未来的变形进行预测。结果表明,该方法是科学可行的,并且具有简单、方便、实时等特点。     

基于SVM的混沌时间序列预测模型应用研究

混沌时间序列预测是混沌理论的一个重要应用领域和研究热点,目前它在信号处理、自动化控制等领域中已得到了广泛的应用。本文联系支持向量机(SVM)和混沌时间序列预测的相关理论,建立基于二者的变形序列预测模型。同时,结合具体实例从变形时间序列的混沌识别、相空间重构以及预测模型的参数优化等方面探讨了模型的具体建立过程。实验结果表明,该模型的预测精度要优于BP神经网络。     

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。     

火灾信息的时间序列分析

介绍了对于火灾事故的基于支持向量机和神经网络的时间序列分析／预测方法，并在试验仿真的基础上指出神经网络模型和支持向量模型的适用范围及其局限性。     

基于SVR-EVM的项目进度-成本评价及预测研究

在介绍挣值法和支持向量机的基础上,提出借助项目的进度绩效指数和成本绩效指数建立回归型支持向量机模型,从而预测下一阶段的进度和成本偏差。提出利用交叉验证方法选择惩罚系数、不敏感损失系数和核函数的宽度,使回归型支持向量机模型具有较好的泛化能力。最后结合具体案例详细介绍了建立回归型支持向量机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的和有效的。     

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。     

基于小波支持向量机的城市用水量非线性组合预测

基于支持向量机(SVM)和小波框架理论,建立了城市用水量非线性组合预测模型,介绍了该模型的结构设计方法,并采用SMO算法对模型进行求解。实例表明,该模型具有很强的泛化能力与适应数据和函数变化的能力,能够有效提高预测精度,可用于供水系统调度的用水量预测。     

基于LMD-PSO-LSSVM组合模型的深基坑变形预测

变形是造成基坑安全隐患的重要因素。为准确预测基坑变形趋势,提出一种将局部均值分解(LMD)、粒子群优化算法(PSO)与最小二乘支持向量机(LSSVM)组合的深基坑变形预测模型。通过 LMD 将时序样本分解为多个分量,利用PSO优化后的LSSVM模型对各分量建立非线性基坑变形预测模型,最后采用滚动预测的方法对各分量进行预测并将结果叠加得到时序样本的预测值。通过实际工程进行模型预测与分析。结果表明:该模型不仅反映出基坑变形本质特征,而且预测精度明显提高,将其运用于基坑变形预测研究中具有较好的应用性和可靠性。     

基于小波分析与支持向量机的地铁隧道沉降预测

根据地铁隧道监测点沉降变化中非线性、不确定、时变性的特点,建立了基于小波分析的支持向量机预测模型。首先运用小波分析将监测点沉降序列分解为低频近似分量和高频细节分量,然后对各分量分别进行支持向量机预测,最后将各分量预测结果进行小波重构得到监测点的沉降预测曲线。预测结果表明,在相同样本数和短周期预测条件下,Wavelet—SVM模型的预测精度优于BP神经网络方法。对地铁沉降监测提前进行预警预报有一定的参考价值。     

Forecasting short-term electricity load using hybrid support vector regression with grey catastrophe and random forest modeling

This paper develops a novel short-term load forecasting model that hybridizes several machine learning methods, such as support vector regression (SVR), grey catastrophe (GC (1,1)), and random forest (RF) modeling. The modeling process is based on the minimization of both SVR and risk. GC is used to process and extract catastrophe points in the long term to reduce randomness. RF is used to optimize forecasting performance by exploiting its superior optimization capability. The proposed SVR-GC-RF model has higher forecasting accuracy (MAPE values are 6.35% and 6.21%, respectively) using electric loads from Australian-Energy-Market-Operator; it can provide analytical support to forecast electricity consumption accurately.     

岩石力学性态预测的PSO-SVM模型

 传统的固体力学方法在描述岩石的各种地质因素与其力学性态之间的复杂非线性关系时存在困难。引入粒子群算法(PSO)对支持向量机(SVM)进行优化,提出岩石力学性态预测的粒子群优化支持向量机模型(PSO-SVM)。该模型利用SVM来建立岩石地质因素与力学性态之间的非线性关系;同时利用PSO对SVM参数进行全局寻优,避免人为选择参数的盲目性,从而提高模型的预测精度。将PSO-SVM应用到岩石压缩系数的预测中,并与传统的BP神经网络(BP-NN)进行对比分析。结果显示,PSO-SVM的预测精度较BP-NN有较大的提高,从而表明PSO-SVM在岩石力学性态预测中的可行性和有效性。     

非线性位移时间序列预测的进化-支持向量机方法及应用

提出了一种新的岩土结构位移预测的进化支持向量机方法,用遗传算法来搜索支持向量机的参数和核函数,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;利用这种非线性智能预测方法,滚动预测施工位移变形量,以便及时调整和优化施工步序,维护岩土结构的稳定性。将该方法用于卧龙寺边坡变形、三峡永船闸边坡变形预测,结果表明,该方法具有科学可靠、实时性的优点,具有广泛的应用前景。     

基于SVM 的海上风电项目运行期风险评价

海上风电项目投资成本高、运行环境复杂,为了有效预防控制其运行期风险,降低风险损失,提出了基于SVM（支持向量机）的海上风电项目运行期风险评价方法。在建立海上风电项目运行期风险评价指标的基础上,运用支持向量机理论构建海上风电项目运行期风险评价模型,通过具体项目数据分析其预测准确性。通过实证分析表明,在实际项目风险评价过程中,支持向量机的方法比传统评价方法更便捷、精确度更高,能够为海上风电项目运行期风险管理提供可靠依据。     

Soft computing for solar radiation potential assessment in Algeria

ABSTRACT

Precise estimation of solar radiation is a highly required parameter for the design and assessment of solar energy applications. Over the past years, many machine learning techniques have been proposed in order to improve the forecasting performance using different input attributes. The aim of this study is the forecasting of one day ahead of horizontal global solar radiation using a set of meteorological and geographical inputs. In this respect, the Gaussian process regression methodology (GPR) and least-square support vector machine (LS-SVM) with different kernels are evaluated in order to select the most appropriate forecasting model. In order to assess the proposed models, the southern Algerian city, Ghardaia regions, was selected for this study. A historical data of five years (2013–2017) of meteorological data collected at Renewable Energies (URAER) in Ghardaia city are used. The achieved results demonstrate that all the proposed models give approximately similar results in terms of statistical indicators. In term of processing time, all the models showed acceptable computational efficiency with less computational costs of the GPR model among all machine learning models.     

冲击地压预测的PSO-SVM模型

 冲击地压是一种复杂的非线性动力学现象，其发生机制非常复杂，而在监测数据的基础上对其进行分析预测，是冲击地压的一个重要研究方法，但是采用传统的数学力学方法很难表达冲击地压与其影响因素之间的复杂非线性关系，其中采用时间序列进行预测是一个重要的研究方向。针对这一问题，将冲击地压看作一时间序列过程，采用支持向量机建立冲击地压序列之间的非线性关系；同时，考虑到支持向量机参数对预测效果的影响，采用微粒群算法对支持向量机参数进行优化选择，从而提出冲击地压预测的PSO-SVM模型，提高支持向量机的推广预测能力，并对一具体算例进行研究分析。研究结果表明，该方法是科学可行的，并具有很好的精度。     

基于ACO-LS-SVM 的房地产价格评估研究

针对传统房地产估价方法存在较大主观随意性等问题,通过对最小二乘支持向量机（LS-SVM）模型用于房地产估价的优缺点分析,针对其参数选取问题提出了运用蚁群算法（ACO）进行优化,经整合建立了基于蚁群算法优化的最小二乘支持向量机（ACO-LS-SVM）的房地产估价模型。给出了模型的估价算法步骤,并采用Matlab 软件编程,以训练样本为基础,用测试样本检验了模型用于商品住宅价格评估的准确性、有效性和可行性。