改进的FS算法选取支持向量回归机参数及应用*

针对支持向量回归机SVR的拟合精度和泛化能力取决于相关参数的选取,提出了基于改进FS算法的SVR参数选择方法,并应用于交通流预测的研究。FS(free search)算法是一种新的进化计算方法,提出基于相对密集度的灾变策略改进FS算法的个体初始位置选择机制,以扩大搜索空间,提高全局搜索能力。对实测交通流量进行滚动预测仿真实验,结果表明该方法优化SVR参数是有效、可行的,与经验估计法和遗传算法相比,得到的SVR模型具有更好的泛化性能和预测精度。     

基于CS-SVR模型的短期风电功率预测

为了提高短期风电功率预测精度,提出一种布谷鸟搜索算法(Cuckoo Search Algorithm, CS)优化支持向量回归(Support Vector Regression, SVR)机的预测方法,该方法首先根据上截断点和下截断点对输入数据进行预处理,剔除异常数据,之后以输入数据中的风速、平均风速、风机状态等属性数据作为SVR算法模型的输入,以风电功率数据作为SVR算法模型的输出,建立短期风电功率的SVR预测模型,针对SVR算法存在难以选择最优参数的缺点,提出采用布谷鸟算法优化SVR参数的方法,建立短期风电功率的CS-SVR预测模型。通过与SVR、PSO-SVR预测模型进行了对比仿真实验,实验结果表明,CS-SVR预测模型具有较高的预测精度。     

基于混沌粒子群优化SVR的网络流量预测

计算机网络流量预测对于网络流量的控制和调整,进而提高网络性能和服务质量起着重要的作用.当前传统计算机网络流量方法预测精度较低,仅为85%左右.针对网络流量的非线性和时变特性,难以准确实现网络流量评估,为了解决此问题,提出基于混沌粒子群优化SVR的网络流量预测方法.支持向量回归算法(SVR)是一种用于趋势预测的支持向量机模型,能找到全局最优解.然而,SVR参数的选择对回归模型优化起着决定性作用.采用混沌粒子群优化算法(CPSO)优化支持向量参数,通过建立混沌粒子群优化SVR的网络流量预测模型.仿真结果表明,混沌粒子群优化SVR网络流量预测模型能力强、效果好.     

分布式SVR在短期负荷预测中的研究

准确的负荷预测,可以合理安排机组启停,降低发电成本,特别是短期负荷预测对电力系统控制、运行和规划都有重要意义。传统的预测方法不能及时准确地反映需求响应,在Hadoop环境下利用分布式支持向量回归机(Support Vector Regression,SVR)实现负荷预测,同时使用基于均匀设计的自调用SVR(UD-SVR)方法进行参数寻优,进一步提高本文实现的分布式SVR算法精度。通过真实的电力负荷数据集验证该算法,实验数据来自我国西部某地级市连续424天的真实用电量数据。结果表明,本文改进后的算法用于短期电力负荷预测是可行的,不仅预测准确度又在原有基础上明显提高,并且随着数据量的增加,计算速度也大幅提高,减小了负荷预测时间。     

人工蜂群算法优化SVR的预测模型

针对人工蜂群算法存在的易陷入局部最优、收敛速度慢的缺点,引入当前最优食物源和惯性权重函数,对该算法的食物源更新方式进行改进;针对支持向量回归机的参数优化问题,将其转化为组合优化问题,并使用改进的人工蜂群算法进行优化求解,进而得到人工蜂群算法优化SVR的预测模型。以短期交通流量数据为例,将该模型的预测结果与蚁群算法优化的支持向量回归机（ACO-SVR）、粒子群算法优化的支持向量回归机（PSO-SVR）和未改进的蜂群算法优化的支持向量回归机（ABC-SVR）进行对比分析,结果表明该模型的预测效果最优且运行时间最短,具有更好的学习能力和推广能力。     

基于ADQPSO-SVR的锅炉飞灰含碳量预测研究

针对锅炉飞灰含碳量的预测问题,提出了自适应扰动量子粒子群优化的支持向量回归机方法(ADQPSO-SVR),即在量子粒子群优化算法(QPSO)的基础上加入自适应扰动,克服了支持向量回归机(SVR)经验选择学习参数的弊端。用此改进算法对SVR的学习参数进行寻优,经过实例研究表明,ADQPSO算法的寻优能力较强,利用ADQPSO算法得到的SVR模型有较高的预测精度,同时与GA-BP算法和GA-RBF算法相比,ADQPSO-SVR能够提高锅炉飞灰含碳量预测的准确性及稳定性。     

基于混沌粒子群SVR的烟气轮机状态预测

研究烟气轮机状态测试,为了保证安全,克服当前烟气轮机状态预测精度低的问题,结合混沌粒子群与支持向量回归模型(SVR)的特点,提出一种烟气轮机状态预测的新方法,混沌粒子群能克服粒子群优化算法容易陷入局部最优且收敛速度较慢等缺点,以获得高预测性能的支持向量回归模型.在分析支持向量回归算法和混沌粒子群算法基础上,采用混沌粒子群算法选取合适的支持向量回归模型,并利用训练集建立混沌粒子群SVR烟气轮机状态预测模型.以某烟气轮机机组作为应用对象测试方法在机电状态预测中的效果.实验结果表明,与粒子群SVR相比,混沌粒子群SVR的预测精度有了较大幅度提高,证明适合烟气轮机状态预测.     

改进型支持向量回归预测模型的轧机轧制力预测

对轧机轧制力预测模型进行研究.使用人工鱼群优化算法对支持向量回归(SVR)参数选取进行最优的参数组合,将粒子群优化算法引入到常规人工鱼群算法中,并对其进行改进,提高了人工鱼群算法的性能.研究结果表明:Ekelund模型的轧制力计算结果误差较大,超过了10％,常规SVR预测模型的轧制力预测精度低于10％,而本文研究的改进SVR预测模型得到的轧制力误差低于5％,说明通过人工鱼群算法优化SVR算法模型的参数能够提高预测模型的预测精度,并且预测消耗时间在3种预测模型中是最短的.     

基于改进灰狼优化算法的支持向量回归预测

为了提高支持向量回归(SVR, Support Vector Regression)进行数据驱动预测的精度,针对SVR存在的参数优化问题,通过引入Tent混沌映射进行种群初始化、改进收敛方式、并结合模拟退火算法,改进了传统的灰狼优化算法(GWO, Grey Wolf Optimization)来优化SVR超参数,并基于改进后的GWO算法提出了一种IGWO-SVR预测模型。将提出的IGWO-SVR模型应用于NASA锂电池数据集仿真SOH预测以及实际生产中的车灯电流预测实验后,实验结果表明IGWO-SVR预测模型在NASA锂电池数据集上进行预测的误差相较GWO-SVR模型降低了23％,相较粒子群算法和遗传算法优化的SVR模型均存在明显优势,误差分别降低了39%和51%;在实际工作中使用IGWO-SVR模型进行车灯电流预测也取得良好效果,与实测值之间的相对误差达到2.67%,相较GWO-SVR模型误差降低了近7个百分点,证明了模型在实际应用中的具有良好的价值。     

铁水硅含量的混沌粒子群支持向量机预报方法

提出一种基于混沌粒子群优化(CPSO)的支持向量回归机(SVR)参数优化算法, 并使用该算法建立高炉铁水硅含量预测模型(CPSO–SVR), 对某大型钢铁厂高炉铁水硅含量的实际采集数据进行预测, 结果表明基于混沌粒子群优化算法寻优的参数建立的铁水硅含量支持向量回归预测模型具有良好的预测效果. 与最小二乘支持向量回归机(LS–SVR)、使用粒子群优化算法训练的神经网络(PSO–NN)进行比较, CPSO–SVR模型对铁水硅含量进行预测时预测绝对误差小于0.03的样本数占总测试样本数的百分比达到90%以上, 预测效果明显优于PSO–NN, 且比LS–SVR稳定性更强, 可用于高炉铁水硅含量的实际预测, 表明混沌粒子群优化算法是选取SVR参数的有效方法.     

基于改进的网格搜索SVR的话务预测模型

话务预测是整个通信保障工作的基础,其预测精度决定了整个规划的合理性和科学性。而节假日话务量,具有历史样本量较小和非线性强的特点,传统的预测方法很难实现精确的预测。支持向量机在解决小样本和非线性问题时表现出许多特有的优势。提出了一种改进的网格搜索法和交叉验证法对支持向量回归机(SVR)参数优化选择,并对节假日忙时话务进行预测,并与BP神经网络、基本的SVR和网格搜索SVR三种预测模型进行比较。而且用免疫算法和粒子群算法优化SVR参数与本文算法作比较来预测普通日子的话务量。实验结果表明,基于改进的网格搜索SVR预测精度高、耗时少、稳定性强,具有很好的实用性和推广性。     

一种改进的组合SOFM-SVR股票价格预测模型

股票市场价格预测一直以来都被认为是金融时序预测领域的一项具有挑战性的工作。综合回归支持向量机SVR和自组织特征函数(SOFM)技术,并引入基于过滤的特征选择算法确定重要的输入变量,在SVR核函数的参数选择上采用粒子群优化算法(PSO)。SOFM算法将训练样本聚类,然后分别应用SVR来预测股票价格走势。最后应用上海A股的浦发银行日数据来做股票价格日预测,实验结果表明,经过改进的SOFM-SVR模型与之前的SOFM-SVR模型相比,在预测精度和训练时间上都有了较大的提高。     

基于加权支持向量机与AdaBoost集成的预测模型研究

电力负荷预测是近年研究的热点话题,因受温度、湿度、自然灾害等因素影响,准确预测相当困难。为此,通过引入历史观察数据的权重、改进支持向量回归预测模型和参数的智能选取,克服影响电力负荷的随机因素的影响,运用AdaBoost算法提升加权支持向量回归预测能力,提高预测精度。通过仿真建模,对真实的电力负荷数据进行预测实验,结果表明所提的方法比单个SVR模型和神经网络BP模型的预测精度高,稳定性好。     

基于EEMD-GWO-LSSVM的公共交通短期客流预测

为了提高大型公共交通短期客流预测精度,提出了一种在利用集成经验模态分解原始数据的条件下,采用灰狼优化算法优化最小二乘支持向量机（EEMD-GWO-LSSVM）的算法,利用该算法实现城市大型公共交通短期客流预测。该模型采用EEMD分解原始数据,将分解后的各个本征模函数（IMF）分量运用最小二乘支持向量机进行回归预测,最小二乘支持向量机的预测参数由灰狼算法进行优化。通过对西安地铁二号线北客站一个月进出站人数进行训练预测,将预测结果和支持向量机（SVM）,自回归移动平均模型（ARIMA）,仅利用灰狼优化参数的最小二乘支持向量机（GWO-LSSVM）算法以及基于交叉检验进行参数优化的最小二乘支持向量机进行对比,分析得出该算法具有更加精确的预测结果。     

基于PSO-SVR的下水道可燃气体分析

针对下水道可燃气体传感器非线性、选择性差和交叉敏感的特点,建立了一种基于粒子群算法(PSO)支持向量回归机(SVR)的下水道可燃气体分析预测模型.该模型通过引入粒子群算法对支持向量回归机的重要参数进行优化,从而实现了支持向量回归机的参数自动判定,用于下水道可燃气体的定量分析.仿真结果表明:基于粒子群的支持向量回归机下水道可燃气体分析预测模型优于SVR模型,具有较好的泛化性能和较高的预测精度.     

改进CS优化支持向量回归的汽车热舒适性预测

热舒适性指标PMV参数间互相迭代、计算复杂、不易实时预测,而采用支持向量回归（SVR）进行数据拟合时,预测效果易受SVR参数的影响。针对以上问题,提出一种改进布谷鸟算法（CS）优化SVR参数的PMV预测模型。改进CS算法采用自适应步长对Lévy全局随机游动的步长进行调节,并用非洲野狗算法（DOA）的生存行为替换CS算法偏好局部随机游动行为,以提高CS算法寻优能力。实验结果表明,CS优化SVR模型预测值的RMSE为0.00742,比DOA优化SVR模型的RMSE低0.00481;使用自适应步长或DOA算法改进CS优化SVR模型比CS优化SVR模型的RMSE分别降低了32.34%和40.83%;融合两种策略改进CS优化SVR模型预测值的RMSE整体降低了60.52%。融合两种策略改进CS算法优化SVR预测模型具有更高的PMV预测精度。     

基于改进PSO算法和LS-SVM的短期电力负荷预测

针对电力负荷的小样本、非线性、高维数和局部极小点等问题,提出采用最小二乘支持向量机方法建模,以历史负荷、温度、湿度等数据作为输入量,对短期电力负荷进行预测;针对最小二乘支持向量机在建模中存在的参数选取问题,采用一种根据种群多样性信息来指导初始种群选取和避免粒子早熟收敛现象的改进粒子群优化算法来优化最小二乘支持向量机的惩罚因子和核参数。仿真结果表明,基于改进粒子群优化算法和最小二乘支持向量机的短期电力负荷预测方法较最小二乘支持向量机预测方法、基于基本粒子群优化算法和最小二乘向量机的预测方法具有更好的预测精确度。     

多智能体粒子群优化的SVR 模型预测控制

参数的优化选择对支持向量回归机的预测精度和泛化能力影响显著,鉴于此,提出一种多智能体粒子群算法(MAPSO)寻优其参数的方法,并建立MAPSO支持向量回归模型,用于非线性系统的模型预测控制,推导出最优控制率.采用该算法对非线性系统进行仿真,并与基于粒子群算法、基于遗传算法优化支持向量回归机的模型预测控制方法和RBF神经网络的预测控制方法进行比较,结果表明,所提出的算法具有更好的控制性能,可以有效应用于非线性系统控制中.     

基于启发式算法的混沌支持向量机流量预测

针对现有混沌支持向量机回归模型存在流量预测效率低下的问题,利用差分进化(DE)算法、遗传算法和粒子群优化算法确定模型的径向基核函数系数、惩罚系数、不敏感系数等参数,在此基础上建立改进的混沌支持向量机回归模型进行流量预测。实例表明,相比其他启发式算法,DE算法能以较高的效率搜索到混沌支持向量机回归模型的最优参数,并且该模型具有较高的预测精度。     

锂离子电池最优充电电流预测方法研究

为解决锂离子电池最优充电中电流设定的关键问题,提出蚁群算法（ACO）优化回归型支持向量机（SVR）核心参数,并将蚁群优化的回归型支持向量机（ACO-SVR）用于最优充电电流的预测。SVR核心参数[C]和[g]以节点值的形式在蚁群系统中体现,以交叉验证意义下误差作为目标函数更新节点信息素浓度,经过有限次迭代得到最优[C]和[g]值,使SVR性能最优。根据锂离子电池实测充电数据建立了ACO-SVR最优充电电流模型,结果表明ACO-SVR模型具有较少的寻优时间和较好的预测精度,通过理论分析和实验数据验证了该方法具有一定的实用性和有效性。