基于灰色关联分析与ISSA-LSSVM的配电网可靠性预测

为了准确高效地进行配电网可靠性预测,提出一种基于灰色关联分析与改进麻雀搜索算法(improved sparrow search algorithm, ISSA)优化最小二乘支持向量机(least squares support vector machine, LSSVM)的配电网可靠性预测模型(ISSA-LSSVM)。首先,运用灰色关联分析法筛选出影响配电网可靠性的强相关影响因素;接着,引入自适应t分布策略和动态自适应权重对麻雀搜索算法进行创新性改进;然后,针对LSSVM模型中的参数选择盲目性的问题,采用改进后的麻雀搜索算法优化LSSVM的模型参数C和σ2并得到最佳模型;最后,将ISSA-LSSVM模型应用于实际电网中,并与传统的LSSVM模型、PSOLSSVM模型、GA-LSSVM模型以及未改进的SSA-LSSVM模型的预测结果及误差进行对比。结果表明,所提模型的预测精度更高、稳定性更强。     

基于小波核LS-SVM的网络流量预测

网络流量预测对大规模网络管理、规划、设计具有重要意义.支持向量机方法是近年来发展起来的新型机器学习算法,用于解决高度非线性分类及回归问题.介绍了基于小波核最小二乘支持向量机的网络流量预测方法,利用小波核函数的多分辨特性提高了支持向量机的非线性建模能力.通过对实测网络流量数据的学习,对未来网络流量进行预测.实验结果表明,取得了较好的预测效果.     

基于自适应遗传算法LS-SVM的网络流量预测

网络流量受众多因素的影响并且具有复杂的非线性特点,因此网络流量的预测和分析是一个很复杂的问题,最小二乘支持向量机能够成功地解决非线性问题并应用于网络流量的预测和分析.提出一种最小二乘支持向量机模型,将自适应遗传算法用于最小二乘支持向量机参数寻优,并将该模型用于网络流量的预测和分析.对比实验表明,基于最小二乘支持向量机的网络预测模型具有更强的预测能力,在网络流量预测中有一定的实用价值.经实例验证,该模型预测精度高.     

基于灰色关联支持向量机的粮食产量预测

研究粮食准确预测问题,由于粮食产量受到多种高维非线性、随机性和有限样本等因素的影响,单一模型不能全面描述其变化趋势,预测精度较低。为了提高粮食产量预测精度,提出一种将灰色关联支持向量机的粮食产量预测模型。首先采用灰色关联分析确定粮食产量变化主要影响因子,然后通过支持向量机学习建立粮食产量与因子之间的非线性映射关系,最后为避免人为选择参数的盲目性,采用遗传算法确定支持向量机参数并对将来粮食产量进行预测。利用1978-2011年我国粮食产量进行仿真,并将预测结果与单一机模型进行对比。结果表明,灰色关联支持向量机提高了粮食产量的预测精度,可以较好地应用于粮食产量预测中。     

基于LS-SVM的小样本费用智能预测

最小二乘支持向量机引入最小二乘线性系统到支持向量机中,代替传统的支持向量机采用二次规划方法解决函数估计问题。该文推导了用于函数估计的最小二乘支持向量机算法,构建了基于最小二乘支持向量机的智能预测模型,并对机载电子设备费用预测进行了研究。结果表明最小二乘支持向量机具有比多元对数回归更高的小样本费用预测精度。     

基于LS-SVM的石油期货价格预测研究

建立了基于最小二乘支持向量机的石油期货价格预测模型。应用该模型对纽约商品交易市场的两种石油期货价格数据进行了预测,并将预测结果与RBF神经网络的预测结果进行了比较。研究结果表明最小二乘支持向量机预测模型具有较高的拟合和预测精度,明显优于RBF神经网络预测模型。     

基于遗传算法优化的LS-SVM井下场强预测

为了进一步研究井下电波传播损耗规律,提高场强覆盖预测准确度,提出使用基于遗传算法优化的最小二乘支持向量机方法对井下巷道的场强进行预测。首先通过软件仿真生成巷道场强数据,并将数据分为训练集和测试集;然后采用最小二乘支持向量机方法对训练集进行学习,并使用遗传算法对最小二乘支持向量机方法的参数选择进行优化,采用测试集对方法性能进行验证;最后将基于遗传算法优化的最小二乘支持向量机方法用于井下巷道的场强预测。仿真实验结果表明,基于遗传算法优化的最小二乘支持向量机方法能够有效提高井下场强预测的精度,可获得较好的预测效果。     

基于LS-SVM算法的混沌时序递推预测

研究利用最小二乘支持向量机（LS-SVM）预测变参数混沌时间序列。支持向量机方法是基于结构风险最小化原理导出的,最小二乘支持向量机是一种在二次损失函数下采用等式约束求解问题的支持向量机,保留支持向量机优点的同时计算量大大减少。变参数混沌时间序列预测是典型的小样本学习问题,由于参数的慢变导致系统的动力学特性不断发生变化,全局建模预测方法很难适用,必须在线实时预测。为了快速跟踪预测变参数混沌系统的时间序列,研究了利用一种简化的最小二乘支持向量机在线递推算法进行预测。最后对典型变参数混沌时间序列的预测实验结果表明了该方法的有效性。     

基于LS-SVM的航空润滑油金属含量分析

在航空润滑油光谱分析故障诊断中,对润滑油浓度的变化趋势进行预测是油液光谱分析故障诊断的重要内容之一.针对这一分析方法,介绍了最小二乘支持向量机并对航空发动机滑油系统铁元素浓度的变化趋势进行了预测;并采用遗传算法对最小二乘支持向量机的参数进行优化,通过与灰色模型的预测结果作比较,其结果表明,优化后的最小二乘支持向量机的预测精度高,具有很好的泛化能力和学习能力.     

基于WA和LS-SVM的净化过程钴离子浓度预测

针对硫酸锌溶液净化过程具有多变量耦合、强非线性、大时滞性等特点和过程数据具有高噪声、非平稳等特性,提出了一种结合小波分析和最小二乘支持向量机方法的净化过程钴离子浓度预测方法;该方法通过小波分解,将钴离子浓度序列分解得到不同的高频和低频序列,对分解得到的各序列重构并采用LS-SVM方法进行预测,最后将各预测结果合成得到钴离子浓度的预测值;仿真结果表明,该模型具有较高的预测精度,能为生产操作提供有益的指导。     

城市交通事故的局部相关性可视分析方法

交通事故数据蕴含有交通事故规律,如交通事故与天气、时间、道路等因素的关 联规律,值得深入挖掘。虽然天气、时间、道路等因素对交通事故均有影响,但对不同区域交 通事故的影响不尽相同,即具有局部相关性。挖掘局部相关性能更好地揭示这些因素与交通事 故之间的相关性。为此提出一套分析挖掘交通事故数据中所蕴含的局部相关性的方法。首先基 于交通事故数据提取事故多发路段,每个事故多发路段包含有位置、时间以及相关的交通事故 信息;然后提出一套聚类支持的局部相关性可视分析方法分析事故多发路段：①以待分析因素 直方图(如天气直方图、时间直方图)刻画事故多发路段;②基于直方图相似性对事故多发路段 进行聚类分析;③在多关联视图支持的交互环境中进一步观察、分析聚类结果以挖掘待分析因 素与交通事故之间的局部相关性。通过分析安徽省合肥市 2015-2018 年交通事故接警数据,取 得了一些有意义的分析结果,验证了该方法的有效性。     

基于灰色模型的高炉炉温预测

以高炉炉温预测应用性为基本出发点,以灰色理论为基础,当实际系统的历史数据序列呈现增长过快或下降过快时,就不能盲目使用GM（1,1）模型,否则,预测效果会不令人满意。只有当满足建模的一定条件时,误差才能够被接受。对数据进行开方处理后能使平均相对误差在10%左右,效果不错。     

基于FARIMA模型的网络流量预测

论文基于长相关特性的时间序列分析方法,采用FARIMA模型对网络自相似业务进行研究,利用“后向预报”技术对序列进行分形反滤波,在模型辩识、参数估计中利用粗、精估计结合的方法建立模型。选择伯克力实验室的经典实测数据,利用FARIMA模型进行H值估计、分数差分定阶及消除长相关性的操作,实验证明了模型的有效性。     

基于灰色关联分析的仿真数据可信度评估

计算机仿真系统已经发展为重要的产品开发和系统测试手段.由于仿真系统对于用户往往是透明的,所以直接从系统本身对其可信度进行评估比较复杂.仿真数据是仿真系统的直接输出,它可以最直观地反映仿真系统的本身性质,所以对于仿真数据可信度的评估尤为重要.为了能够对仿真数据可信度有着更好的评价,通过引入灰色系统理论,建立了仿真数据的灰色关联分析方法.最后通过一个实例具体说明了该理论在仿真可信度评估中的应用.     

基于相关分析的交通流参数修正方法研究

为了更准确地研究交通流模型,最优化利用交通资源,必须进一步提高交通参数数据的质量。以上海市高架道路某路段的交通流数据为样本,分析交通流特征参数的相关特性,提出一种基于统计相关性分析的参数修正数学方法;通过精确的数值计算,确定最为合适的相关性最大的数据关系,以此进行数据的修正。对所研究路段的交通流数据随机采样后进行修正,并与实际数据比较,修正结果在允许误差范围之内,说明该方法可以有效提高数据质量,且该方法对其他数据处理系统也具有借鉴意义。     

基于短相关ARIMA模型的网络流量预测

不同日期同一时刻的网络流量存在相关性和突发性。为准确预测网络流量,提出一种短相关ARIMA模型。对模型定阶后,运用改进的建模方法推导模型参数,使参数随样本数据的变化而更新。实验结果表明,与AR模型和ARIMA模型相比,该模型能更好地描述网络的相关性和自相似性,预测精度较高。     

灰典型相关分析研究与应用

经典典型相关分析方法在解决时间序列问题时存在不足:不能及时、准确地反映样本数据的时间特征及变化趋势。针对上述问题,本文基于灰色系统时间序列的特性,将灰色系统理论与典型相关分析方法结合起来,提出了一种全新的灰典型相关分析方法并定义了其数学模型。灰典型相关分析方法充分考虑到时间对事物发展趋势的不可忽视的影响,突出了时间序列中新增数据对分析结果的重要作用,因此对具有时间意义的实际问题具有更好的统计效果。将该方法应用到社会伦理与经济发展状况关系的研究中,并通过与经典典型相关分析方法的对比揭示出其在解决时间序列问题方面的优越性,分析结果能够为相关职能部门的决策提供更有力的理论依据。     

基于灰色径向基神经网络模型的流量预测与分析

根据神经网络能有效修正灰色预测模型的思路,本文提出了基于灰色系统及径向基神经网络的组合预测模型。通过采集园区节点交换机的流量数据,在分析网络流量时间序列特性的基础上建立灰色GM（1,1）模型,并采用径向基神经网络对预测模型残差进行修正。实验结果和仿真实验表明,组合模型效果及预测精度远优于单一灰色预测模型。     

基于灰色神经网络的空中交通流量预测方法

空中交通流量预测是空中交通管理领域的研究热点。针对空中交通流量的复杂性、非线性和不确定性,提出一种基于灰色神经网络算法进近空域内的空中交通流量预测方法。将灰色系统与人工神经网络相结合构成的灰色神经网络预测模型,优于单一的灰色预测方法和人工神经网络预测方法。     

一种考虑交通限制信息的道路网络模型

随着城市交通网络的发展,实际道路中的交通限制信息使得道路网络中的最优路径规划变得更加复杂,针对这一问题,笔者讨论了一种考虑交通限制信息的道路网络模型,并详细阐述了该模型的存储方法及各种常见交通限制信息的解决方案,然后给出了利用此模型求解最优路径的改进的Diiktra算法描述。最后,笔者根据北京市道路数据建立道路网络,通过实际数据进行验证,实验结果表明,该模型及算法能满足实际道路网络的最优路径分析的需要,具有一定的应用价值。