共查询到20条相似文献,搜索用时 140 毫秒
1.
2.
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。 相似文献
3.
4.
《Planning》2015,(27)
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。 相似文献
5.
支持向量机在隧道围岩变形预测中的应用 总被引:2,自引:1,他引:2
赵洪波 《岩石力学与工程学报》2005,24(4):649-652
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。 相似文献
6.
7.
8.
9.
10.
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。 相似文献
11.
基于小波支持向量机的城市用水量非线性组合预测 总被引:1,自引:0,他引:1
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。 相似文献
12.
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。 相似文献
13.
14.
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. 相似文献
15.
岩石力学性态预测的PSO-SVM模型 总被引:2,自引:0,他引:2
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。 相似文献
16.
17.
18.
Mawloud Guermoui 《国际自然能源杂志》2020,41(13):1524-1533
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. 相似文献
19.
冲击地压预测的PSO-SVM模型 总被引:1,自引:0,他引:1
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。 相似文献