基于交叉验证支持向量回归的供热负荷预测

支持向量回归机(Support Vector Regression,SVR)在供热负荷预测中得到了一些研究,然而模型的拟合度和泛化能力依赖于其相关参数的选取,需要足够的先验信息,寻优过程存在难度.针对上述情况,提出采用交叉验证(Cross Validation,CV)的思想对其中的重要参数(惩罚因子C和RBF核函数参数γ)进行网格划分,在训练集中自动寻找最佳参数,从而得到最佳的训练模型,并用该模型对测试集进行回归预测.以某热源数据进行了实验研究,结果表明:该方法能够快速建立预测模型,有效地预测供热负荷,具有较高的拟合度和较强的泛化能力.     

基于支持向量区间回归的供热负荷概率预报

提出了一种基于支持向量区间回归(SVIR)的概率预报方法,克服了点预报法无法确定预报结果波动范围的缺点。该方法利用支持向量回归确定SVIR模型的初始参数,再利用两个径向基网络分别辨识SVIR的上限和下限,可以同时给出置信区间和点预报。最后,以某热力站实际供热负荷数据与BP神经网络点预报方法进行比较,验证了该方法的有效性和实用性。     

支持向量机在非点源污染负荷预测中的应用

针对非点源污染形成过程复杂、基础资料不完备的特点,尝试将支持向量机技术用于小样本渭河流域华县站非点源总氮年污染负荷量预测.支持向量机(SVM)能在有限样本情况下,采用结构风险最小化准则,把学习问题转化为一个二次规划问题来获得全局最优解,从而克服了神经网络易陷于局部极小值的缺点.采用华县站1976-1993年总氮非点源负荷及与其产生关系密切的径流、泥沙、降雨资料,前15 a资料用作训练,后3 a资料用作检验.经过与最小二乘支持向量机、BP神经网络和最小二乘回归方法预测结果比较,表明SVM方法预测精度要优于后两者,可用于有限资料条件下非点源负荷预测.     

基于支持向量回归的短期负荷预测

对短期负荷特性进行分析,选取与负荷相关的气象因素、日期类型、前几日负荷作为最大(最小)负荷预测回归模型的输入。夏冬两季休息日的负荷特性与春秋两季不一致,根据气象因素修正日期类型对应的数值。采用最小二乘支持向量机(least squares support vector machine, LSSVM)建立气象因素和日期类型与最大(最小)负荷的映射关系。利用相似日法计算日负荷变化系数,在预测最大负荷和最小负荷基础上,计算预测日各点负荷。算例分析验证了本研究预测模型的有效性。     

基于小波变换的支持向量机短期负荷预测

提出了一种基于小波分解和支持向量机的短期负荷预测方法．首先利用小波变换把负荷序列分解成不同频段的子序列，对高频序列利用软阀值消噪法去除负荷噪声；对降噪后的负荷序列利用不同的小波进行分解．然后用相匹配的支持向量机模型预测各子序列．仿真结果表明db4小波的预测精度最高，平均绝对预测误差为1．6692％．所得结果同直接用支持向量机预测结果进行比较表明，该方法是有效的。     

基于负荷规律性分析的支持向量机短期负荷预测方法

提出了一种基于傅里叶分析的支持向量机的电力系统短期负荷预测方法。利用离散傅里叶变换的方法将历史负荷数据分解为不同频域上的分量,将不同频域上的分量依据负荷的成因及其特性组合成四种不同性质的负荷分量,对上述各分量选择不同的预测模型,对于受温度等影响较大的负荷分量,构造支持向量机模型进行预测。实例计算表明该方法是可行和有效的。     

模糊支持向量机在径流预测中的应用

在分析现有径流预测模型局限性的基础上,考虑径流量随时间变化的不确定因素,建立了基于模糊支持向量机的径流预测模型,使得较近时间的径流数据与较远时间的径流数据相比,对预测精度的提高影响更大.将该模型应用于新疆伊犁河雅马渡站年径流预测中,与传统的支持向量机预测模型比较表明,模糊支持向量机预测精度有较大的提高,并能进一步在其他流域径流预测中推广应用.     

基于支持向量回归学习机的网络流量预测

对最小二乘支持向量机的回归算法做了改进,并将其应用到网络流量预测中,在linux下编写网络抓包程序,统计出一个网段节点的流量,与文中算法所得到的预测结果进行对比,实验结果表明,将最小二乘支持向量机用于网络流量的预测,可以取得令人满意的效果.     

基于小波变换的支持向量机短期负荷预测

提出了一种基于小波分解和支持向量机的短期负荷预测方法.首先利用小波变换把负荷序列分解成不同频段的子序列,对高频序列利用软阀值消噪法去除负荷噪声;对降噪后的负荷序列利用不同的小波进行分解.然后用相匹配的支持向量机模型预测各子序列.仿真结果表明db4小波的预测精度最高,平均绝对预测误差为1.6692%.所得结果同直接用支持向量机预测结果进行比较表明,该方法是有效的.     

Heating load interval forecasting approach based on support vector regression and error estimation

As the existing heating load forecasting methods are almostly point forecasting,an interval forecasting approach based on Support Vector Regression (SVR) and interval estimation of relative error is proposed in this paper.The forecasting output can be defined as energy saving control setting value of heating supply substation;meanwhile,it can also provide a practical basis for heating dispatching and peak load regulating operation.By means of the proposed approach,SVR model is used to point forecasting and the error interval can be gained by using nonparametric kernel estimation to the forecast error,which avoid the distributional assumptions.Combining the point forecasting results and error interval,the forecast confidence interval is obtained.Finally,the proposed model is performed through simulations by applying it to the data from a heating supply network in Harbin,and the results show that the method can meet the demands of energy saving control and heating dispatching.     

基于支持向量机的模糊回归估计

针对给定的大规模数据集的回归估计问题，提出基于支持向量机的模糊回归估计方法.该方法把复杂的数据集看作多个群体的混合，每个群体采用单一的回归模型进行描述，使得大规模数据集的回归估计问题变成了一个多模型估计问题.在此基础上把支持向量机与模糊C聚类结合起来得到基于支持向量机的模糊回归模型，并给出了实现该模型回归估计的算法.该方法对大规模的数据样本进行模糊C聚类，并回归估计各聚类的数据样本.数值仿真结果表明，该方法在聚类数据样本的同时能实现多个模型的回归估计，而且模糊隶属度的初始化影响要小于其他的模糊回归估计方法.     

基于支持向量机回归的减振器非参数模型

利用减振器的示功试验数据,尝试了基于支持向量机回归算法构造减振器非参数模型的方法。分别建立了一支普通减振器和一支位移相关减振器的模型,并利用样本数据之外的试验数据进行了验证。由普通减振器的验证结果可以看出,利用减振器力与速度和位移相关的模型辨识精度要高于力与速度相关的模型。由位移相关减振器的验证结果可以看出,此方法可以有效地辨识出此减振器的非线性特征。     

基于SVM分类器的电信欠费预测模型

对于日益严重的电信欠费问题,采集了某个地区电信的呼叫详单记录、客户信息、欠费和交费信息等数据,使用支持向量机建立了欠费预测模型.然后可以利用所建立的模型来预测潜在的欠费客户,决策者可以得到充分的支持,做出正确的决策.为了提高模型的预测准确率,使用了双变量统计和主成份对数据进行预处理和分析.最后,为了得到最好的模型,主要做了三种实验.实验结果表明使用SVM建立的模型具有很好的预测准确率.     

Thrust estimator design based on least squares support vector regression machine

In order to realize direct thrust control instead of traditional sensor-based control for aero-engines,it is indispensable to design a thrust estimator with high accuracy,so a scheme for thrust estimator design based on the least square support vector regression machine is proposed to solve this problem. Furthermore,numerical simulations confirm the effectiveness of our presented scheme. During the process of estimator design,a wrapper criterion that can not only reduce the computational complexity but also enhance the generalization performance is proposed to select variables as input variables for estimator.     

Forecasting model of residential load based on general regression neural network and PSO-Bayes least squares support vector machine

Firstly,general regression neural network(GRNN) was used for variable selection of key influencing factors of residential load(RL) forecasting.Secondly,the key influencing factors chosen by GRNN were used as the input and output terminals of urban and rural RL for simulating and learning.In addition,the suitable parameters of final model were obtained through applying the evidence theory to combine the optimization results which were calculated with the PSO method and the Bayes theory.Then,the model of PSO-...     

基于支持向量机的在线拍卖成交价格预测方法

针对现有在线拍卖成交价格预测方法计算时间长的问题,依据淘宝网在线拍卖出价特点,建立了一种全新的在线拍卖成交价格预测方法.方法以支持向量机分类算法为基础,通过预测出价次数间接对成交价格进行预测.利用编写程序收集淘宝网在线拍卖交易数据3 310条,对应有效出价记录8 275条,以之作为实验数据.实验证明,预测结果明显优于平均值预测,并有22.1%的预测结果完全准确.由于训练时间仅为数秒,为建立实时在线拍卖成交价格预测决策支持系统奠定了基础.