基于支持向量机回归算法的旅游短时客流量数据预测模型

传统的客流量数据预测模型获取的数据维数较高,难以消除冗余数据,导致预测结果误差较大。为此本文提出了基于支持向量机回归算法的旅游短时客流量数据预测模型。首先利用局部线性嵌入算法对旅游短时客流量数据样本点进行局部重构,减小重构误差,降低数据维数,并消除客流量数据中存在的噪声数据和冗余数据。然后利用支持向量机回归算法构建旅游短时客流量数据预测模型。实验结果表明：该模型预测结果的最大百分比误差、平均百分比误差和均方误差均较低,证明该模型实现了设计预期。     

支持向量回归中的预测信任度

Support vector machine (SVM)has been widely applied to classification and regression problems, but it suf-fers from some important limitations, one of the most significant being that it makes point predictions rather thangenerating probability output. A notion of predicting credibility is proposed in support vector regression machine based on the problem, which can make predicting value have a definite measure, and then relationship between pre-dicting credibility and noise is discussed. Finally, an example of predicting chaotic time series shows the rationality of the definition.     

区域航空市场航线客流量预测研究

为了有效地控制和合理地分配区域航空市场航线客流量,提高航空机场的效率,为航管决策部门提供制定计划的理论依据,在深入研究国内外航空客流量预测研究成果基础之上,针对区域航空市场的特点,提出了一个自顶向下的航线客流量预测模型.它包括总体趋势预测、中长期预测模型和短期预测模型三部分;并将神经网络和支持向量机构成的组合模型引入中长期预测模型中,使用神经网络实现短期预测模型;并结合A公司实际进行了实证研究,证明了该预测模型的有效性.文中研究成果对所有航管部门具有一定的指导意义.     

区域航空市场航线客流量预测研究

为了有效地控制和合理地分配区域航空市场航线客流量,提高航空机场的效率,为航管决策部门提供制定计划的理论依据,在深入研究国内外航空客流量预测研究成果基础之上,针对区域航空市场的特点,提出了一个自顶向下的航线客流量预测模型。它包括总体趋势预测、中长期预测模型和短期预测模型三部分;并将神经网络和支持向量机构成的组合模型引入中长期预测模型中,使用神经网络实现短期预测模型;并结合A公司实际进行了实证研究,证明了该预测模型的有效性。文中研究成果对所有航管部门具有一定的指导意义。     

旅游客流量预测：基于季节调整的PSO-SVR模型研究

旅游客流量具有明显的非线性和季节性特征, 所以采取季节调整方法对样本数据进行预处理, 消除季节性的影响, 可以提高客流量预测的准确性。同时SVR(支持向量回归机)是一种良好的机器学习方法, 非常适合预测研究, 辅以PSO (粒子群算法)选取合适的回归参数可以获得更加精确的预测结果。鉴于此, 构建一种考虑季节影响的PSO-SVR模型, 以北京为例将不同旅游客流量预测方法的拟合优度进行比较。结果显示：季节调整的PSO-SVR模型预测精度明显高于SVR、季节调整的SVR和PSO-SVR模型, 该模型是进行旅游客流量预测的有效工具。     

基于支持向量回归机的公路货运量预测模型*

为了提高公路货运量预测的能力,应用基于结构风险最小化准则的标准支持向量回归机方法来研究公路货运量预测问题.在选择适当的参数和核函数的基础上,通过对成都公路货运量时间序列进行预测,并与人工神经网络、线性回归分析等方法进行了对比,发现该方法能获得最小的训练相对误差和测试相对误差.     

基于支持向量机回归模型的海量数据预测

预测是很多行业都需要的一项方法和技术,随着数据积累的越来越多,基于海量数据的预测越来越重要,在介绍支持向量机基本原理和实现算法的基础上,给出了航空服务成本预测模型,最后对预测结果的评价和选取情况进行了分析。     

基于支持向量回归的唇动参数预测

支持向量机学习方法以结构风险最小化原则取代传统机器学习方法中的经验风险最小化原则，在有限样本的机器学习中显示出优异的性能．将这一新的统计学习方法应用到多媒体交互作用的研究中，用支持向量回归的方法由语音预测唇动参数．通过对语音的线性预测系数进行主分量分析，有效地压缩了声学特征参数的维数．结合交叉校验和最速下降优化方法，选择最佳的支持向量回归学习参数．在汉语0～9的任意数字串上对唇高参数的预测实验结果达到了均方误差0．0096，平均幅度误差7．2％及相关系数0．8的效果．这一结果优于一个文中优化过的人工神经网络所达到的性能，说明这一方法很有潜力．     

基于加权支持向量回归的网络流量预测

网络流量预测对于网络的安全和可用性至关重要,但是,传统的网络流量预测方法使用平均时间加权的方法进行预测,缺泛化能力导致预测精度低。基于每一个网络流量历史数据到预测点的时间间隔计算其时间权重,使用带时间权重的加权支持向量回归模型w-SVR预测网络流量。该模型因为其泛化能力和为每个训练数据设置单独的权重而提高了网络流量预测的准确性。模拟实验显示w-SVR模型相对于ANN和AR模型,预测错误率分别降低了37.4%和65.6%,而标准误差降低了46.2%和53.3%。     

基于改进模糊支持向量回归模型的机场能源需求预测

针对离群点在机场能源数据的预测和分析中存在干扰等问题,建立了一种基于改进模糊支持向量回归(FSVR)的机场能源需求预测模型。首先,采用模糊统计法对测试样本集、系统参数和模型输出进行分析,推导出符合其数据分布的基本隶属函数形式;其次,结合例证法、专家经验法对隶属函数进行"再学习",逐步修改和完善正态隶属函数a、b参数值,半梯形隶属函数边界参数值及三角隶属函数p、d参数值,以此消除或减少不利数据挖掘的离群点,同时保留有效关键点;最后,结合支持向量回归(SVR)算法,建立预测模型,并验证了该模型的可行性。实验结果表明,与反向传播(BP)神经网络方法相比,FSVR方法的预测准确率提高了2.66%,对离群点的识别率提高了3.72%。     

SVM分类核函数及参数选择比较

支持向量机（SVM）被证实在分类领域性能良好,但其分类性能受到核函数及参数影响。讨论核函数及参数对SVM分类性能的影响,并运用交叉验证与网格搜索法进行参数优化选择,为SVM分类核函数及参数选择提供借鉴。     

基于多重核学习支持向量机短期负荷预测研究

近年来,支持向量机（SVM）方法在电力系统负荷预测领域的应用研究成为了热点,鉴于传统的标准支持向量机方法在预测时间和预测精度方面的不足,首次将多重核支持向量回归方法（Multiple Kernel Learning,MKL）应用于电力系统短期负荷预测领域。通过在混合核空间求解二次约束下的二次规划问题实现多重核支持向量回归算法。该方法较标准的支持向量回归算法,不仅可以提高预测性能,而且能够减少支持向量的个数。实际算例表明,该方法能够有效地提高预测精度,缩短预测时间,具有良好的泛化性能。     

基于支持向量机协同训练的半监督回归

将支持向量机与半监督学习理论相结合,提出基于支持向量机协同训练的半监督回归模型,使用两个支持向量机回归模型相互影响,协同训练。利用实验数据集进行实验,并与监督支持向量机回归模型、半监督自训练支持向量机回归模型作比较。实验结果表明,基于支持向量机协同训练的半监督回归模型在缺少标记样本的情况下,提高了回归估计的精度。     

一种改进的再生核支持向量机回归模型

基于支持向量机核函数的条件,将Sobolev Hilbert空间的再生核函数进行改进,给出一种新的支持向量机核函数,并提出一种改进的最小二乘再生核支持向量机的回归模型,该回归模型的参数被减少,且仿真实验结果表明：最小二乘支持向量机的核函数采用改进的再生核函数是可行的,改进后的再生核函数不仅具有核函数的非线性映射特征,而且也继承了该再生核函数对非线性逐级精细逼近的特征,回归的效果比一般的核函数更为细腻。     

支持向量机和遗传算法的人脸识别方法

支持向量机是一种基于小样本学习的有效工具,作为分类器被认为具有很高的推广性能,无需先验知识。但是参数的选取与支持向量机的识别性能是相关的,核函数参数σ²和惩罚因子C对支持向量机识别性能会产生很大的影响。针对支持向量机在人脸识别问题中的应用,提出了一种基于遗传算法（GA）的参数选择优化方法。利用笔者曾提出的基于小波分解和积分投影的人脸特征提取算法对人脸图像进行特征参数提取,然后利用优化的支持向量机进行识别。实验结果表明,该方法是有效的。     

级联SVM和分类器融合的人脸性别识别方法

传统的支持向量机（Support Vector Machines,SVM）在面对大样本训练问题时,其样本数量会受到内存的限制。因此,提出一种基于级联SVM和分类器融合的人脸图像性别识别方法。级联SVM分类器可以通过设定阈值将识别难易程度不同的样本分成若干层次来进行训练;同时,在级联的每一层上,为了降低分类器在识别过程中受各种因素的影响,对不同特征维数下得到的最优分类器进行融合,通过融合减小误差,使中性的人脸样本有更明确的分类。在同一硬件条件下的实验结果表明,单层SVM最多只能训练7万样本,而四层级联SVM训练样本数可达12万以上,相应的识别率也从单层融合前的96.7%上升至四层融合后的99.1%。     

基于支持向量机的测厚仪CS值电压漂移故障判定及处理

支持向量机(SVM)是在统计学习理论基础上发展起来的一种新的模式识别方法,SVM的基本思想是通过非线性变换将输入空间变换到一个高维空间,然后在这个新的空间中求取最优分类超平面。它在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题中。本文着重介绍选取SVM及其如何成功诊断处理钢厂轧机X射线测厚仪CS值电压自动漂移等故障的实例,实践理论与应用并重。     

随机特征上一致中心调节的支持向量机

支持向量机（SVM）是最为流行的分类工具,但处理大规模的数据集时,需要大量的内存资源和训练时间,通常在大集群并行环境下才能实现。提出一种新的并行SVM算法,RF-CCASVM,可在有限计算资源上求解大规模SVM。通过随机傅里叶映射,应用低维显示特征映射一致近似高斯核对应的无限维隐式特征映射,从而用线性SVM一致近似高斯核SVM。提出一致中心调节的并行化方法。具体地,将数据集划分成若干子数据集,多个进程并行地在各自的子数据集上独立训练SVM。当各个子数据集上的最优超平面即将求出时,用由各个子集上获得的一致中心解取代当前解,继续在各子集上训练直到一致中心解在各个子集上达到最优。标准数据集的对比实验验证了RF-CCASVM的正确性和有效性。     

基于SVM分块回归分析的话务量预测模型

针对话务量的特性,提出了一种基于支持向量机分块回归分析的话务量预测模型,将话务量按日期分为工作日话务量、周末话务量进行建模,采用不同的模型预测相应的话务量。实验结果证明了该模型的有效性,相比传统的ARMA模型获得了更好的预测效果。