支持向量机的装备关重件需求预测

关重件是影响装备战备完好性的重要因素,准确的需求预测可以极大地提高装备的保障能力。基于支持向量机预测方法,构建了关重件需求时间序列预测模型,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,预测结果表明支持向量机的需求预测方法精度较高。     

航空、航天与航海工程

0021443“需求拉动式”航空器材需求预测与控制模式[刊,译,英]/吴桐水//南京航空航天大学学报(英文版).—2000,17(1).—78～83(E)提出了“需求拉动式”航空器材库存控制模式,建立了基于可靠性分析的航空器材需求预测模型。该模型通过对航空器材使用信息进行可靠性分析,得出零件可靠性寿命函数,并根据给定可靠度下的零件寿命预测航空器材需求时间。最后对视情维护下的周转件需求预测与库存控制进行了案例分析。参5     

基于改进灰色马尔可夫模型的雷达备件需求预测

雷达备件是雷达装备维护和修理的重要物质基础,准确预测备件需求对于保持雷达可用性、维持合理备件库存具有重要意义。文章依据较少的备件消耗历史数据,利用改进后的灰色马尔可夫模型对备件需求进行预测,融合灰色模型和马尔可夫模型进行需求预测的优点,减少因样本数据少、随机性大造成的预测偏差,提高模型预测的精准度。最后通过案例验证改进后的模型在雷达备件需求预测中的有效性。     

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。     

基于支持向量回归的现代气象雷达寿命预测

为了准确地预测气象雷达使用寿命,提高气象雷达运行可靠性、安全性和可维护性,提出了一种新的基于多元回归的气象雷达使用寿命预测框架.在该框架内,采用了支持向量回归(法来求解气象雷达使用寿命的多元回归问题;提出了基于SVR的气象雷达特征参数选择FSSSVR (Feature Subset Selection SVR)算法去掉冗余和无效的特征参数.实验结果表明,基于SVR方法的预测算法能够准确地预测气象雷达的使用寿命,能够为雷达全寿命周期管理提供参考依据SVR)方     

基于改进支持向量机的中长期电量预测算法设计

为确保电网能够安全、平稳地运行,且实现经济、科学地发展,应对其建立中长期的电力需求预测体系。对于传统方法在中长期电量预测时所面临的非线性问题,文中基于深度神经网络的方法,设计了一种电力需求的映射器与预测器,来完成对电力需求数据的自动编码。同时针对预测模型中复杂函数难以取得数值解的问题,通过使用混合支持向量机算法,设计并提出了基于各种模型优点的预测算法,进而实现更为精准的模型预测。最终通过与线性回归器等多种算法的对比实验结果可知,所提算法的收敛性最优,且预测平均绝对误差最低。     

基于SARIMA-GS-SVR组合模型的短期电力需求预测

短期电力需求预测在合理分配电力利用、减少能源浪费和增强电力系统的并网运行方面具有重要作用。应用单一的季节自回归移动平均模型对电力需求预测将限制预测精度。为了提高SARIMA的预测精度,文中提出了SARIMA-GS-SVR组合预测模型。采用网格搜索算法将SARIMA预测的残差带入支持向量回归模型进行参数训练,并将寻优的最佳参数带入SVR对残差进行预测。将得到的残差预测结果和SARIMA预测结果加和进行综合分析。建立SARIMA、SVR、GS-SVR和SARIMA-GS-SVR预测模型,以加利福尼亚州电力需求历史数据为例,对该地某日24 h的电力需求进行预测。为了体现模型整体的优越性,选用指数平滑法作为无关基准模型进行实验对比。实验结果表明,相比SARIMA,SARIMA-GS-SVR的预测精度提高了29.181 2%,且其MAE、MAPE和RMSE3种误差指标评价值低于其它4种模型。     

未来频谱需求预测方法浅析

主要对基于业务建模的频谱需求预测方法和基于增长率预测频谱需求预测方法,从业务和无线接入技术模型、预测步骤和重要结论进行了总结,并对2种预测方法的特点、适用范围进行深入分析。     

云桌面虚拟化电子产业云物流环境下灰色神经网络模型预测应用探讨

基于准确的云桌面虚拟化云物流需求预测对璧山县的云物流管理活动具有重要的指导意义。运用灰色关联度与灰色神经网络模型,对璧山电子产品云桌面虚拟化云物流需求进行动态预测,预测结果的检验与分析,表明模型较精确,可以为璧山县电子产品云桌面虚拟化云物流需求预测多层进程预测。     

基于混合分类的插电式新能源汽车行为需求预测

针对新能源汽车行为和充电需求的不确定性问题,提出了结合无监督聚类和有监督深度学习分类器的混合分类方法,以发掘汽车行驶数据中隐藏的行驶模式;提出基于深度长短期记忆网络的需求预测方法,以预测新能源汽车的需求。基于预测结果,提出了基于成本优化的投标模型,以降低新能源汽车充电成本。结合真实的数据集,使用实验评估所提出方法的有效性。实验结果表明,提出的方法在预测新能源汽车需求方面具有出色的表现。     

基于杂草算法的支持向量机电力负荷预测

分析各参数对支持向量机学习能力的影响,提出一种基于杂草算法的支持向量机电力负荷预测方法。首先运用杂草算法对支持向量机的两个关键参数进行智能寻优,然后将最优参数运用到支持向量机预测模型。采用新的预测模型对EUNITE第一次竞赛提供的相关电力数据进行分析,并与基于回归树和基于神经网络的预测方法进行比较。结果表明本文方法智能化地解决了传统参数选择方法的缺陷,且对电力负荷预测具有较高的预测精度。     

基于最小二乘支持向量机的短期负荷预测模型

支持向量机（SVM）是近年来发展起来的机器学习的新方法,它较好地解决了小样本、非线性、高维数、局部极小点等实际问题。研究了支持向量机的拓展算法——最小二乘支持向量机（LSSVM）,并将其应用于电力系统短期负荷时间序列预测。通过实例并与神经网络模型预测结果相比较表明,LSSVM模型的预测精度要明显高于神经网络模型,验证了LSS-VM模型可以很好地应用于短期负荷时间序列预测,并且具有较高的准确性与有效性,这为短期负荷预测提供了一个新的解决思路。     

基于OpenCV的电力负荷预测

针对电力负荷预测影响因素多,传统预测方法精度不高,本文分析电力负荷预测影响因素,建立基于支持向量机的电力负荷预测模型。通过OpenCV实验,仿真结果表明本文对电力负荷预测具有较高的预测精度和较快的训练速度。     

基于神经网络和支持向量机的电力系统负荷预测方法

提高电力系统负荷预测的精确度是当前负荷预测工作的难点。考虑到神经网络可以逼近任意的非线性关系，而支持向量机能够将约束问题转化，容易地找到全局极小。本文提出了一种基于神经网络和支持向量机的混合负荷预测方法，此方法能通过支持向量机消除了神经网络的总和较小，但单点误差较大的不利现象，而神经网络消除了支持向量机对于模型的简单化问题。最后，负荷预测结果表明本文的方法非常有效。     

基于粒子群优化和支持向量机的电力负荷预测

提出支持向量机的粒子群优化算法的用电量预测方法.其中,采用粒子群优化算法选取较优的支持向量机训练参数组合.以江西省2008年7月～10月的用电量数据以及相关特征数据作为实验数据,实验结果表明该算法电量负荷预测精度高于BP神经网络.     

基于动态加权LS-SVM的网络流量混沌预测

网络流量是具有复杂非线性、不确定时变性的混沌时间序列.为提高标准最小二乘支持向量机的预测精度与自适应性,提出一种基于动态加权最小二乘支持向量机的网络流量混沌预测方法.该方法在标准LS-SVM回归机的训练样本误差设置时间权,增强对非线性样本的逼近能力.然后结合滚动窗与迭代求逆法实现模型动态在线校正,进而克服网络变化时的累积误差.仿真实验结果表明,相对常规LS-SVM,该模型能降低预测误差、减少计算时间,实现高精度实时混沌流量估计.     

基于小波支撑矢量机的陀螺仪漂移预测

提出了基于小波支撑矢量机的导弹惯性器件故障预报方法。将子波核函数应用于支撑矢量机,得到小波支撑矢量机（WSVM）方法,用于某陀螺仪漂移时间序列预测中,预测精度优于基于传统核函数的支撑矢量机。通过仿真实验证明了算法的有效性和可行性。     

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。     

基于气象因素的PM10浓度预测

为建立准确高效的空气质量预报系统,建立以污染物、气象因素、污染物混合气象因素的三种预测因子模式,并将该三种预测因子模式作为支持向量机回归 (Support vector machine regression, SVR)的输入变量进行PM10浓度的每日预测,寻找最优预测因子模式。并使用灰狼优化算法 (Grey wolf optimization, GWO)对支持向量机回归模型进行优化,形成GWO-SVR模型。实验结果表明,污染物混合气象因素作为输入变量为最优预测因子模式, SVR和GWO-SVR模型测试集确定系数分别达到$R^2$=0.79和$R^2$=0.81,预测精度较高,经比较发现GWO-SVR模型预测性能较好。之后,依据风向条件对数据进行分类,使用较优的GWO-SVR进行PM10浓度预测,预测结果显示盛行西南风时, 预测集评测指标为$R$=0.91、$M_{\rm SE}$=47.15,优于盛行东北风时的$R$=0.87、$M_{\rm SE}$=125.80和所有数据下的$R$=0.90、$M_{\rm SE}$=107.94。