基于偏最小二乘支持向量机回归区域物流量预测

研究采用偏最小二乘支持向量机回归模型进行区域物流量预测问题.针对普通最小二乘预测所存在的问题和物流系统样本量少的具体状况,提出偏最小二乘支持向量机回归区域物流量预测方法,采用主成分分析法提取影响物流量因素的新综合变量,建立以新综合变量为输入,物流量为输出的支持向量机回归非线性预测模型,在廊坊市物流量预测中进行仿真试验,证明了该方法的可行性与正确性.     

基于改进型主元分析和SVR的煤矿瓦斯涌出量预测

针对传统的主元分析存在的缺点和样本的特征,结合煤层瓦斯涌出影响因素,建立了基于权重的改进型主元分析和支持向量回归机的煤层瓦斯涌出量的预测模型.首先,采用改进型主元分析法对影响瓦斯涌出量的指标分析处理得到主成分即输入变量,然后建立以主要成分为输入变量,以瓦斯涌出量为输出变量的基于支持向量回归机的预测模型.实验表明,该模型能够消除输入变量间相关性,减少输入变量个数,有效解决样本少、模型复杂的问题,并且提高了预测精度.     

基于最小二乘支持向量机的数控机床热误差预测

为实现数控机床热误差的补偿控制,提出基于最小二乘支持向量机进行数控机床热误差建模预测的方法.根据最小二乘支持向量机回归预测的原理,优化选择最小二乘支持向量机参数,对数控车床热误差进行最小二乘支持向量机建模.通过测量数控车床主轴温升值与主轴热变形量,将获得的数据进行最小二乘支持向量机建模训练,以建立机床热误差预测模型.实验结果表明,该模型能有效描述热动态误差,与最小二乘法建模进行比较,结果显示,基于最小二乘支持向量机的数控机床热误差预测模型精度高、泛化能力强;采用最小二乘支持向量机得到的预测模型可用于数控机床热误差实时补偿,以提高机床的加工精度.     

基于核主元分析和支持向量机的f-CaO含量预测

将核主元分析和支持向量机相结合,运用核主元分析对数据样本进行非线性特征提取,得到更易于回归的特征主元分量,达到了降低支持向量机的输入空间维数,然后运用最小二乘支持向量机进行训练,通过网格搜索和交叉验证确定最小二乘支持向量机的最优参数.建立了预测水泥熟料游离氧化钙含量的核主元分析支持向量机模型.计算结果表明提出的模型能有效地预测水泥熟料游离氧化钙含量.     

变量选择在废水处理过程软测量建模中的应用

化学需氧量与悬浮固形物含量是造纸工业废水排放中需要重点监测的指标,建立有效的废水出水水质预测模型是优化控制废水中污染物排放量的有效方法。由于实际工业废水处理过程的复杂性,可测变量之间存在强相关性,利用偏最小二乘法提取变量的投影重要性信息进行变量选择,将选择后的最优变量子集作为软测量模型的输入,建立出水水质的最优预测模型。以最小二乘支持向量机模型为例,基于变量选择的最小二乘支持向量机模型对出水化学需氧量进行预测时均方根误差降低了15.2%,相关系数提高了14.4%;对于出水悬浮固形物模型,均方根误差降低了20.5%,相关系数提高了16.1%。结果表明在建模时进行变量选择可以降低模型的复杂度和提高模型的泛化能力。     

SKPCA⁃LSSVM模型在汽油干点预测中的应用

常压塔塔顶汽油干点与产品质量密切相关,因为常减压蒸馏工艺流程和变量相关性均复杂,所以汽油干点预测很难在线进行。软测量方法是解决这类变量估计和控制预测问题的一种技术途径。在核主元分析（KPCA）算法中引入稀疏主元分析（SPCA）思想,采用稀疏核主元分析（SKPCA）算法对模型的输入变量进行选择,实现了数据的非线性降维,简化了主元结构,增加了主元变量的稀疏性。将选择的稀疏主成分作为最小二乘支持向量机（LSSVM）的输入,建立常压塔塔顶干点软测量预测模型。仿真结果表明,SKPCA?LSSVM模型相对于传统PCA?LSSVM、KPCA?LSSVM方法具有较高的预测精度和性能优越性。     

克隆规划-交叉验证参数优化的LSSVM及惯性器件预测

为改善最小二乘支持向量机的泛化性能,将克隆规划、交叉验证相结合的优化算法用于最小二乘支持向量机的参数优化．克隆规划算法是具有局部、全局搜索能力的优化算法,能有效避免陷入局部极值;交叉验证算法的无偏估计性抑制了训练过程中“过拟合”和“欠拟合”．在该优化算法中,用交叉验证误差构造抗体抗原亲合度,用克隆规划算法寻找最小二乘支持向量机的最优参数．用优化的最小二乘支持向量机回归模型建立了惯性器件时间序列预测模型．实验结果验证了算法的有效性及预测模型的泛化性能．预测模型为动态补偿、故障预测提供了依据．     

变结构遗传最小二乘支持向量机法预测日用水量

为解决日用水量预测模型的动态参数估计问题,提出了基于变结构遗传最小二乘支持向量机的预测模型.以日用水量的主要影响因素和相关日用水量为输入,利用遗传算法对基于LSSVM的历史日用水量模型参数进行寻优,获得模型结构参数序列;采用扩展卡尔曼滤波器估计基于最小二乘支持向量机的预测日用水量模型参数,进而预测下一日用水量.实例分析表明:提出的模型具有较高的预测精度,预测的最大绝对相对误差仅为9.3%,平均绝对相对误差为2.09%.     

遗传最小二乘支持向量机法预测时用水量

为解决传统最小二乘支持向量机采用交叉验证确定参数耗时较长的问题,提出基于遗传算法和最小二乘支持向量机的城市时用水量预测方法.根据城市时用水量序列具有较强相关性的特点,利用自相关系数法分析时用水量序列的变化规律,并引入二进制编码的自适应遗传算法优化最小二乘支持向量机的超参数,采用交叉验证法确定遗传算法个体的适应值,建立了时用水量预测模型.实例分析表明：与基于传统最小二乘支持向量机的时用水量预测方法相比,基于遗传算法和最小二乘支持向量机的时用水量预测方法计算速度更快,预测精度更高.     

支持向量机模型改进及在短期边际电价预测中的应用

传统的最小二乘支持向量机模型对训练样本的各个输入点同等看待,各输入向量的贡献度是相同,未对离群点加以考虑.在最小二乘支持向量机模型中引入隶属度的相关理论并建立模糊隶属度函数,对离群点和正常点赋予不同的贡献度,建立了模糊最小二乘支持向量机模型.最后,以美国PJM电力市场的边际电价预测为例,验证了本文模型的预测精度比传统的最小二乘向量机模型高50％左右,且复杂程度基本不变.     

上海地铁周客流量的数值分析与预测

构建周客流日均量的回归模型,测算上海地铁周客流日均量趋势值,并估测重大节假日前客流量的可能范围.经实证检验,系统实际客流量预测误差为2%左右.该方法关注节日前夕最大客流量达到的量,而忽略到达的具体时间.     

Soft sensor for ratio of soda to aluminate based on PCA-RBF multiple network

Based on principal component analysis, a multiple neural network was proposed. The principal component analysis was firstly used to reorganize the input variables and eliminate the correlativity. Then the reorganized variables were divided into 2 groups according to the original information and 2 corresponding neural networks were established. A radial basis function network was used to depict the relationship between the output variables and the first group input variables which contain main original information. An other single-layer neural network model was used to compensate the error between the output of radial basis function network and the actual output variables. At last, The multiple network was used as soft sensor for the ratio of soda to aluminate in the process of high-pressure digestion of alumina. Simulation of industry application data shows that the prediction error of the model is less than3%, and the model has good generalization ability.     

一种基于KPCA的非线性故障诊断方法

介绍了一种非线性故障检测方法———核主元分析法(KPCA),通过核函数来完成非线性变换,将变量由非线性的输入空间转换到线性的特征空间.在特征空间中使用PCA计算主元,构造T2和SPE统计量检测过程故障的发生.提出了一种KPCA贡献图计算方法,根据测量变量和非线性主元的相关性,计算测量变量的贡献量绘制贡献图,用于故障变量的分离.仿真结果表明,KPCA方法可以比PCA方法更加迅速的检测到故障的发生,利用KPCA贡献图可以较好的辨识出故障变量.     

Electricity price forecasting using generalized regression neural network based on principal components analysis

A combined model based on principal components analysis (PCA) and generalized regression neural network (GRNN) was adopted to forecast electricity price in day-ahead electricity market. PCA was applied to mine the main influence on day-ahead price, avoiding the strong correlation between the input factors that might influence electricity price, such as the load of the forecasting hour, other history loads and prices, weather and temperature; then GRNN was employed to forecast electricity price according to the main information extracted by PCA. To prove the efficiency of the combined model, a case from PJM (Pennsylvania-New Jersey-Maryland) day-ahead electricity market was evaluated. Compared to back-propagation (BP) neural network and standard GRNN, the combined method reduces the mean absolute percentage error about 3%.     

基于主成分分析和支持向量机的道路网短时交通流量预测

将主成分分析和支持向量机回归相结合,进行道路网多断面的短时交通流量预测研究。首先,整理分析路网中多个断面交通流量数据进行主成分分析,得到主成分数据序列;其次,根据主成分数据序列建立训练集训练支持向量机,并利用遗传算法优化参数;最后,输入支持向量机所需数据,得到主成分预测结果,转化为断面交通流量数据,从而预测道路网短时交通流量。采用城市快速路多断面数据进行实例分析,结果表明,该模型比单一断面预测方法的效果更好。     

公路货运量变权组合预测模型研究

货运量预测是公路运输建设和规划的基础,单一预测方法很难准确有效地进行运量预测．探讨了变权组合模型在此类问题上的应用,以某省全社会公路货运量及经济发展状况为样本,对未来货运量进行了预测．该方法的变权重具有随时间变化的特点,能够反映出各种预测方法的变化情况,从而提高了模型的预测精度,实证分析预测结果更加客观、有效．     

适应长春-吉林高速铁路建设的公路诱增客流量预测方法

分析了长春-吉林高速铁路的修建对吉林省区域公路旅客运输方式的影响,通过分析相关数据,确定了长春-吉林高速铁路公路诱增客流量的变化规律,并采用适当的计算模型预测高速铁路建设项目影响区域范围内的公路诱增客流量。研究结果不仅能为长春-吉林高速铁路建设项目的可行性研究提供理论依据,而且能为受该铁路影响,公路旅客运输系统做相应的调整提供技术支持。     

Regression model for daily passenger volume of high-speed railway line under capacity constraint

A non-linear regression model is proposed to forecast the aggregated passenger volume of Beijing-Shanghai high-speed railway(HSR) line in China. Train services and temporal features of passenger volume are studied to have a prior knowledge about this high-speed railway line. Then, based on a theoretical curve that depicts the relationship among passenger demand, transportation capacity and passenger volume, a non-linear regression model is established with consideration of the effect of capacity constraint. Through experiments, it is found that the proposed model can perform better in both forecasting accuracy and stability compared with linear regression models and back-propagation neural networks. In addition to the forecasting ability, with a definite formation, the proposed model can be further used to forecast the effects of train planning policies.     

基于PCA - GRNN模型的新能源汽车月度销售量预测研究

为预测新能源汽车的月度销售量,提出了一种基于主成分分析(PCA)和广义回归神经网络(GRNN)相结合的预测模型——PCA - GRNN模型.首先,选取动力电池月份装车量、充电基础设施、电池级碳酸锂平均价格、交通和通信类居民消费价格指数、全国城镇调查失业率、汽车制造业工业生产者出厂价格指数等6个指标作为新能源汽车月度销售量的影响因子; 其次,利用主成分分析方法得到可代表6个影响因子的2个主成分,并利用Matlab神经网络工具箱的GRNN神经网络函数构建了广义回归神经网络模型; 最后,将2020—2022年间27个月度的统计数据分别输入到PCA - GRNN、PCA - BP和PCA - Elman模型中进行预测.结果显示, PCA - GRNN模型预测的新能源汽车月度销售量的平均相对误差(4.00%)低于PCA - BP模型和PCA - Elman模型预测的平均相对误差(分别为4.77%和4.29%),因此PCA - GRNN模型在预测新能源汽车销售量方面具有一定的实用性.