基于EMD-GWO-SVR组合模型的短期风速预测

风速预测对风电场进行调度与控制具有重大意义。针对风速序列的随机性与间歇性，文中提出了EMD-GWO-SVR组合预测模型。先对原始序列进行经验模态分解，并应用GWO算法对支持向量回归模型的参数进行寻优。随后将寻优得到的最佳参数代入支持向量回归模型，并对分解后的本征模函数及残差项分别进行预测，将得到的各预测结果相加从而对风速进行预测。以甘肃省酒泉市的历史气象数据为例，建立BP神经网络、SVR、PSO-SVR、GWO-SVR、EMD-PSO-SVR和EMD-GWO-SVR6种预测模型，对该地的风速进行预测。仿真结果表明，文中提出的EMD-GWO-SVR模型预测精度相比SVR提高了61.759 8%,且其MAE、MAPE和RMSE等误差指标评价值显著低于其它5种模型。     

基于残差预测修正的局部在线时间序列预测方法

 对于复杂的非线性和非平稳时间序列预测,基本的支持向量回归(Support Vecotr Regression,SVR)在线算法无法有效兼顾执行效率和预测精度.本文首先采用局部SVR进行时间序列建模预测,同步计算在线更新序列数据预测的残差,并采用Online SVR对残差序列进行混沌时间序列预测,将预测残差值实时补偿到局部SVR模型预测输出.实验结果表明,新方法在执行效率和预测精度方面较单一Online SVR均显著提高.     

区域物流需求预测的应用研究

为了提高区域物流需求精度,综合考虑区域物流需求线性、周期性和非线性信息,提出了采用组合模型的预测方法.通过将各种单一预测模型看作代表不同信息的片段,通过BP神经网络对不同信息进行集成,充分利用各单项预测方法的有用信息,从而提高区域物流需求预测精度.通过上海市的物流需求数据对组合模型进行测试,实验结果表明,组合模型很好揭示了上海物流需求的变化规律,提高了物流需求的预测精度,为区域物流需求预测提供了一种新的思路和方法.     

基于多种数学模型的电力需求预测系统

对电力需求预测发展进行了介绍,对几种较为经典的、具有较好预测效果的数学预测模型进行分析。提出采用数学预测模型来有效提高用电需求预测的精度。     

基于内核时变回归模型的电能预测分析与研究

为实现“双碳”发展目标和满足新型电力系统应用需求，亟需对用电进行精准预测。为了应对周期长、变化幅度大的数据，将KTR模型应用于电能负荷预测的实际场景中。该模型在时变系数回归的方法上进行改进，能够应对较长的时间序列，避免出现过拟合的情况；以及根据不同数据变化情况自适应地使用不同的核函数，保证模型学习与数据特征匹配。实验结果表明，使用通过最佳参数构建的KTR模型进行预测，其总体的电能负荷数据预测值和原始值的SMAPE为8.46%。此外，将文中方法与Prophet和SARIMA模型预测结果进行了对比，结果表明，文中方法的预测精度比另外两种模型分别高2.57%和9.23%，验证了该方法电能预测的准确性。     

混沌理论和极限学习机的物流需求预测模型

为了提高物流需求的预测精度,为物流园区规划提供科学支撑,提出混沌理论和极限学习机的物流需求预测模型。物流需求受外界因素综合作用,具有混沌变化特点,通过互信息法和G-P法分析其混沌变化规律,根据混沌变化特点处理物流需求数据,并采用极限学习机进行回归与预测,最后与其他物流需求模型的性能进行对比与分析。结果表明,该模型获得了更高的物流需求预测精度,预测结果更加稳定、可信,预测结果有利于物流园区规划。     

基于高斯过程回归的电力负荷预测算法

针对基于传统算法的电力负荷预测方法误差大的问题,本文提出一种基于高斯过程回归的负荷预测算法。算法首先利用电量数据当作高斯过程回归的学习样本,并构建电力负荷预测模型,然后采用遗传算法对超参数进行优化,避免用共轭梯度法优化超参数的缺点。最后,利用测试集对该模型性能进行实验测试。基于某地区的电网数据的仿真显示,基于高斯过程回归的负荷预测算法比神经网络和支撑向量机算法的预测精度更高。     

灰色稀疏极端学习机在激光陀螺随机误差系数预测中的应用

为了提高激光陀螺的性能,有效地补偿激光陀螺的随机误差,提出了一种灰色稀疏极端学习机的预测新模型。为了克服极端学习机(ELM)训练样本缺乏稀疏性的不足,根据矩阵求逆引理实现了冗余样本递推剔除,提出了一种稀疏极端学习机;利用灰色预测模型对原始数据进行初步预测,将实测值与预测值生成残差序列,选取适当长度残差序列作为训练样本,剩余数据序列作为测试样本,输入稀疏极端学习机进行残差回归预测,将预测的残差值与灰色预测得到的数据结合生成最终的预测结果。将灰色稀疏极端学习机预测模型应用于某型激光陀螺随机误差系数预测实验中,结果表明:该模型能够取得比其他3种预测模型更加精确的结果。     

基于贝叶斯优化的CNN-GRU短期电力负荷预测

为了提高短期电力负荷预测精度,针对负荷数据时序性与非线性的特点,提出一种基于贝叶斯优化的CNNGRU短期电力负荷预测模型。首先,将电力负荷数据按时间滑动窗口构造连续特征作为输入,采用CNN对负荷数据进行特征提取,将特征以时序序列方式作为GRU网络输入;然后通过GRU网络进行短期负荷预测,构建CNN-GRU预测模型。针对CNN-GRU模型易陷入局部最优以及超参数寻找难的问题,利用贝叶斯优化寻找最优超参数组合,对模型进行超参数优化,构建贝叶斯优化的CNN-GRU短期电力负荷预测模型。实验结果表明,贝叶斯优化的CNN-GRU模型的MAE值比传统的CNN-GRU网络模型降低58%,精度提升1.23%,说明所提模型能够有效提高负荷预测精度,可作为短期电力负荷预测工具。     

遗传算法优化的支持向量机回归计算老龄化人口方法

老龄化问题对中国经济、就业、医疗等方面的影响越来越大,因此对老龄化人口进行准确预测具有重要的意义.本文利用遗传算法(GA),对支持向量回归模型(SVR)的初始参数进行优化,并利用优化后的SVR模型预测中国老龄化人口.实验证明,使用遗传算法参数寻优后的SVR模型具有良好的预测精度.     

结合注意力机制的BiLSTM电力负荷预测

为了提高电力负荷预测精度,促进能源合理配置,文章首先对既有电力负荷预测相关研究展开讨论,指出目前研究中存在的不足。其次提出一种融合注意力机制（Attention Mechanism）的双向长短时记忆（Bi-directional Long Short-term Memory,BiLSTM）神经网络模型——BiLSTM-Attention模型,将长短时记忆神经网络作为特征提取单元,引入注意力机制提高模型对关键信息的表征能力。最后以国内某区域电力负荷数据为例,与基线模型进行对比,实验结果表明,本文提出的BiLSTM-Attention模型误差均小于三个基线模型：支持向量机回归（Support Vector Regression,SVR）模型、卷积神经网络（Convolutional Neural Network,CNN）模型和BiLSTM模型,证明BiLSTM-Attention模型对电力负荷具有较高的预测精度。     

基于INTLBO-SVR的低压断路器热脱扣时间预测

热脱扣时间是低压断路器的关键指标,利用断路器生产过程中可检测数据可以实现热脱扣时间的预测。针对支持向量回归(SVR)进行热脱扣时间预测,参数的选择对预测的精度和泛化性能影响较大问题,提出一种基于隔离小生境教学算法(Isolated Niche Teaching-Learning-Based Optimization Algorithm,INTLBO)优化支持向量回归的热脱扣时间预测方法。该方法针对教学算法易陷入局部最优的缺点,采用隔离机制的小生境技术对其进行改进,然后利用INTLBO寻优找到最优的SVR参数。根据低压断路器生产历史数据,建立基于INTLBO-SVR的热脱扣时间预测模型。仿真结果表明,与TLBOSVR和常规SVR等方法相比,INTLBO-SVR模型具有较好的预测性能。     

基于NGO-VMD-FCBF-Informer的电力负荷组合预测模型

电力负荷预测对电力系统安全稳定运行至关重要,现有的预测算法在精度及稳定性方面优化存在着欠缺,在此提出一种基于NGO-VMD-FCBF-Informer电力负荷组合预测模型。为提高原始数据的平稳性,使用VMD算法对原始数据进行分解,同时利用NGO算法对VMD的IMF分量层数及惩罚因子两个参数进行寻优。针对电力负荷预测受温度、电价等众多不确定性因素影响的问题,采用FCBF算法筛选出相关性程度高的特征变量作为输入变量。最后采用Informer网络对各个IMF分量进行单独预测,并对每个IMF分量预测结果进行重构叠加得到最终预测结果。同时,将该模型与其他预测模型进行对比实验分析,实验结果表明,该模型均值绝对误差、平均绝对百分比误差及均方根误差均低于列举的预测模型,能够有效地提高电力负荷的精度。     

联合改进核FCM与智能优化SVR的WSNs链路质量预测

为提高无线传感器网络（WSNs）链路质量预测精度和降低噪声影响,提出了一种联合改进核FCM与智能优化SVR （improved kernel furry c-means and intelligent support vector regression,IKFCM-ISVR）的WSNs链路质量预测方案.首先将基于紧致度和离散度的有效性指数引入核FCM方法,实现样本集聚类个数自动划分;然后采用改进核FCM方法对链路质量样本数据进行处理,获得样本聚类隶属度;在此基础上,构建群居蜘蛛优化SVR预测模型,采用基于"动态折射"学习机制的群集蜘蛛对模型参数进行优化,得到不同聚类最佳SVR参数组合;最后采用IKFCM-ISVR算法对不同实验场景下的WSNs链路数据进行预测评估.仿真结果表明,同其它预测算法相比,该算法预测精度提高了36.8~68.4%.     

基于机动特征辅助的MFR状态预测方法

针对多功能雷达（Multi-Function Radar,MFR）状态预测方法存在的鲁棒性、预测正确率不佳的问题,提出一种基于机动特征辅助的MFR状态预测方法.该方法将载机机动信息与常规侦收参数共同作为预测特征集,一方面利用支持向量回归（Support Vector Regression,SVR）和侦收信号特征集,得到常规预测模型,另一方面通过SVR和机动特征集,得到MFR各个状态间的转变概率模型;然后利用D-S证据理论得到最终预测状态.实验结果表明,与SVR和LSR方法相比,平均预测精度分别提高了6.97%和7.2%,同时具备更优异的鲁棒性.此外,提出的预测方法通过进一步的拓展,可应用于机械设备、道路交通等领域.     

ARIMA-SVM的物流需求预测模型

物流需求是多种因素综合作用的结果,具有规律性和特殊性,变分十分复杂,导致当前物流需求预测模型的预测效果差,难以满足物流管理的实际应用要求。为了解决物流需求建模过程中存在的难题,提出基于ARIMA-SVM的物流需求预测模型。首先对当前物流需求预测的研究现状进行分析,找到引起物流需求预测效果的原因;然后选择差分自回归滑动平均模型对物流需求的规律性变化特点进行建模,支持向量机对物流需求的特殊性变化特点进行建模;最后采用权值方式确定物流需求预测的预测结果,并采用物流需求的预测实例分析模型的有效性。结果表明,ARIMA-SVM的物流需求预测结果要优于当前其他物流需求预测模型,为其他预测问题提供了一种建模工具。     

基于SVM的雷达装备器材间断性需求预测

准确的器材需求预测可以极大地提高雷达装备的保障能力。针对关重件需求预测问题,基于支持向量机理论,提出了间断性需求时间序列的预测模型,建立了预测需求是否发生和需求量准确度的二维预测结果误差评价机制,通过实验进行了需求预测和参数影响分析。结果表明:基于向量机的预测能很好解决雷达器材间断性需求预测的难题。     

基于LPC的语音谱分析

介绍了自回归模型、线性预测编码原理及其参数算法。对实际语音信号进行线性预测编码分析实验,重点讨论了实际语音信号线性预测时自回归模型参数求取及模型阶数确定,MATLAB仿真绘出了功率谱图。分析实验残差,研究表明线性预测编码分析对短数据的频谱分辨率效果明显。     

边缘网络中一种VNF需求预测方法

针对当前虚拟网络功能（Virtualization Network Functions,VNF）需求预测方法准确率较低且不适用于边缘网络的问题,提出了一种在边缘网络中基于支持向量回归（Support Vector Regression,SVR）与门控循环单元（Gated Recurrent Unit,GRU）神经网络模型结合的VNF需求预测方法。考虑到网络边缘流量具有突发性、自相似性及长相关性等特点,结合SVR和GRU两种模型的优点,利用计算复杂度较低的SVR和GRU模型分别提取网络服务历史时序数据的短期特征和长期特征,以提高VNF需求预测准确率,实现边缘网络中VNF的提前放置。实验表明,所提出的预测方法在边缘网络中针对不同网络服务的预测较于传统方法、循环神经网络（Recurrent Neural Networks,RNN）、长短期记忆网络（Long Short-Term Memory,LSTM）模型能够降低20%~30%的误差,有更佳的预测效果。     

遗传优化神经网络的网络流量预测

为了提高网络流量预测精度,利用相空间重构和预测模型参数间的相互联系,提出一种遗传算法优化神经网络的网络流量预测模型.首先将相空间重构和神经网络参数进行编码,网络流量预测精度作为目标函数,然后通过遗传算法选择模型最优参数,最后进行网络流量仿真实验.实验结果表明相对传统预测模型,遗传优化神经网络模型具有更高预测精度及稳定性更好.