高速公路短时交通流组合预测研究

为解决单一高速公路短时交通流预测模型预测精度低的问题,提出一种基于门控循环单元神经网络(Gated Recurrent Unit,GRU)和支持向量回归(Support Vector Regression,SVR)的组合预测模型。在对收集到的样本数据进行降噪处理后,分别构建GRU和SVR预测模型并基于最优组合赋权法对二者的预测结果进行赋权以得到最终预测结果。为检验所构建的GRU-SVR预测模型的实践适用性,依托实际高速公路交通流数据进行实例验证,并与单一的GRU、SVR模型预测结果进行对比。结果表明:所构建的预测模型具有较高的预测精度和泛化能力,可为高速公路短时交通流预测提供指导和借鉴。     

基于免疫算法优化LSSVM的短时交通流预测

为了智能化解决城市道路交通系统存在的问题,提高短时交通流预测的准确性,采用免疫算法优化的最小二乘支持向量机(LSSVM)建立短时交通流量预测模型。利用免疫算法对LSSVM中的惩罚因子和核函数参数进行优化,得到最优预测模型。以车辆行驶平均速度和占有率作为模型输入,交通流量作为输出进行预测仿真试验。试验结果表明:本文采用的优化LSSVM模型进行仿真试验的预测误差有所减小,输出结果更接近真实值。     

基于SVM与自适应时空数据融合的短时交通流量预测模型

针对短时交通流变化周期性与随机性特点,选取时间和空间序列流量观测值作为支持向量机训练样本进行训练,使用空间序列预测值对交通流时间序列预测结果进行修正,并通过对历史时间空间序列预测结果的分析,动态调整其对未来预测的影响,建立基于SVM与自适应时空数据融合的短时交通流量预测模型.最后,将提出的预测模型与支持向量机时间序列预测模型、指数平滑法、多元回归法预测结果进行对比,结果表明:自适应时空数据融合预测模型可将预测平均相对误差控制在4%,明显高于其他模型预测精度.     

基于Att-Bi-LSTM的高速公路短时交通流预测研究

针对高速公路短时交通流预测问题,从数据驱动视角出发提出考虑注意力机制的双向长短时记忆神经网络(Attention Bi-directional Long Short-Term Memory,Att-Bi-LSTM)高速公路短时交通流预测模型。首先,从实际的高速公路运营线路中获取样本数据并进行相应的预处理;其次,采用滑动窗口模型进行数据重采样,并基于重采样后的样本数据构建Att-Bi-LSTM高速公路短时交通流预测模型;最后,为验证所构建模型的准确性,依托京台高速泰安收费站断面的交通流数据进行实例应用,并将其预测结果与LSTM、BP、SVR算法的预测结果进行对比。结果表明:所构建的Att-Bi-LSTM预测模型预测精度较高、模型泛化能力强,可为高速公路短时交通流预测提供一种新的思路。     

基于MCTLBO-RNN的短时交通流预测

短时交通流预测对提高运输效率和缓解交通拥堵具有重要作用。为解决交通流信号因非线性和强干扰特征所带来的预测精度低的问题,作者研究了一种小波阈值去噪算法处理交通流信号中的噪声,并提出了一种基于多班级教学优化算法的循环神经网络(MCTLBO-RNN)模型进行短时交通流预测,通过加入多班级策略,教师优生自学策略和差生反馈学习策略,来提高模型收敛速度和局部寻优能力,最后通过与其他神经网络进行对比,验证文中方法具有较好的全局寻优能力和预测精度。     

并行式时空二维融合路段交通量预测

提出了一种基于支持向量机(SVM)的并行式时空二维融合路段交通量预测方法,对时间SVM和空间SVM分别在两个并行的操作系统模型中进行,以此降低时间成本.并将时间维SVM预测、空间维SVM预测与基于SVM的数据时空二维线性融合预测结果进行了对比,通过对比表明,时空二维线性融合预测的误差很明显比其它两种方法预测的结果误差要小得多,因此本文提出的时空二维融合可大大的提高预测精度.尤其是当有突发因素(如:交通事故发生)时,本文所提出的方法可在很大程度上避免一维时间源数据融合的结构性系统误差.     

基于最小二乘支持向量机的企业库存预测方法

针对目前常用的基于神经网络的库存预测方法存在收敛速度慢或不收敛、存在局部极小值、网络结构选择具有随机性且对小样本库存预测容易出现过学习现象等问题,提出了基于最小二乘支持向量机的企业库存预测算法。通过结合某公司的库存实际计算以及与其他预测方法进行比较,通过仿真试验和实际数据验证,该算法计算简单,且具有更好适应性和很好的鲁棒性等特点。     

基于多源遥感数据融合的SVM分类研究

针对SVM对遥感数据进行分类时出现的“同谱异物”和“椒盐现象”,提出利用LiDAR数据和遥感影像相融合的分类方法.实验结果表明：该方法在有效提高分类精度和解决“同谱异物”与“椒盐现象”的同时,还可以加快分类速度.     

基于LS-SVR的混沌时间序列多参数自适应预测

故障预测对保障复杂设备的安全可靠工作具有重要意义,但往往难以建立起准确的解析形式的数学模型,因此常常依赖于通过观测所获得的混沌时间序列进行预测分析.为了提高预测的有效性和准确性,基于支持向量机预测理论,提出考虑全部相关多参数混沌时间序列中的信息,进行多参数相空间重构产生训练样本,并建立了多参数自适应最小二乘支持向量回归预测模型.以某设备三个相关参数的仿真混沌时间序列为例进行了预测实验,结果表明该方法有较好的预测精度,是一种有效的预测方法.     

基于新息的多参量混沌时间序列LS-SVR加权预测

复杂系统常常依赖于通过观测所获得的多参量混沌时间序列进行预测分析.论文借鉴单参量混沌时间序列预测的思路,考虑全部相关参量混沌时间序列中的信息,以实现多参量混沌时间序列的相空间重构.同时,基于新息优先原理和支持向量机理论,结合混沌时间序列发展变化的规律,提出分别利用相空间重构后长期多样本和近期少样本构建2个自适应最小二乘支持向量回归预测模型进行加权预测的观点,并给出了以预测均方根误差最小为目标函数的模型参数混沌优化方法.论文以某飞机转子部件磨损故障的3个相关参量的仿真混沌时间序列为例进行了预测实验,结果表明文中方法有较好的预测精度,是一种有效的预测方法.     

基于SVC—ENN钢铁企业副产煤气消耗量的预测建模

摘要：针对钢铁企业副产煤气消耗量的机理模型难以对消耗量进行精确预测的问题,通过分析副产煤气消耗量特点,建立SVC—ENN模型对副产煤气的消耗量进行预测．根据企业实际数据应用模型,结果表明,对烧结工序、炼钢工序、连铸工序30个点和60个点进行测试分类准确率分别为90％,96．67％,98．33％;96．67％,95％,100％．根据分类结果建立模型进行预测,预测平均相对误差分别为0．8％,0．5％,0．9％;2．1％,0．8％,1．3％．所建模型分类准确,预测效果良好,适合副产煤气消耗量的预测．     

基于PSO-LSSVM的建筑周围气象参数超短期预测

建筑周围气象参数的不确定性和持续波动性,为建筑系统动态负荷预测及实时优化控制带来困难。文章以最小二乘支持向量机(LSSVM)作为预测算法,运用粒子群优化算法(PSO)优化LSSVM模型参数,建立基于历史信息的多输入多输出(MIMO)建筑周围气象参数预测模型,对影响建筑负荷的室外温度、湿度及风速进行超短期预测。结果表明:PSO算法可对模型参数进行优化,基于PSO-LSSVM算法构建的建筑周围气象参数超短期预测模型能够实现未来140 min气象参数的预测,为建筑供能和用能系统动态优化运行提供数据。     

基于小波变换和AWLS-SVM的短期负荷预测

提出了一种基于小波变换和自适应加权最小二乘支持向量机(AWLS-SVM)的电力系统短期负荷预测方法。针对负荷变化具有拟周期性和随机性的特点,本方法先将负荷值利用小波变换分解为几个低频段的拟周期量和一个高频段随机量,然后根据各分量特点应用AWLS-SVM模型进行预测,最后小波重构各分量获得预测结果。实例预测结果表明该方法具有较高的预测精度。     

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.     

基于最小二乘支持向量机的锅炉对流受热面清洁吸热量预测

针对神经网络拓扑结构复杂、易出现过度训练、仅获局部最优解的问题,为提高锅炉对流受热面清洁时潜在吸热量预测的准确度,更好地进行受热面污染监测,提出了一种新的基于最小二乘支持向量机的对流受热面清洁时潜在吸热量预测方法。依据最小二乘支持向量机预测原理,建立对流受热面清洁时潜在吸热量最小二乘支持向量机预测模型,同时建立神经网络预测模型进行对比研究,实例研究结果表明,最小二乘支持向量机较神经网络具有更高的拟合度,预测各性能都高于神经网络,其在对流受热面清洁时潜在吸热量预测方面明显优于神经网络,将成为对流受热面清洁时潜在吸热量预测也即受热面污染监测方面更为有利的工具。     

基于核自组织映射-前馈神经网络的交通流短时预测

提出了一种基于KSOM-BP神经网络的交通流短时预测模型。利用基于核函数的样本自组织映射神经网络(KSOM),在没有任何先验知识的情况下,自组织、自学习地将具有相似统计特性的历史样本划分成一类,促使分类样本统计特性更集中显著。对每个类别的样本分别建立动量-自适应学习速率的BP神经网络预测模型,以期提高交通流短时预测精度,减少预测时间。结合实际城市道路数据对模型进行验证。验证结果表明:KSOM-BP神经网络的预测误差统计指标MARE小于7%,比基于全部样本训练的BP神经网络的MARE减少4%左右;同时,KSOM-BP神经网络建模时间更短,证明了本文方法的有效性和先进性。     

基于小波最小二乘支持向量机模型的系统边际电价预测

系统边际电价的影响因素复杂多变．构建了一种以小波函数作为核函数的最小二乘支持向量机算法模型,并成功预测了系统边际电价．算例仿真结果表明,该模型不仅具有良好的泛化能力,而且能有效地提高电价预测精度．     

基于小波分解和遗传小波神经网络的卫星钟差预报

星载原子钟在空间环境中受到多种不确定因素的影响以及原子钟本身所具有的复杂特性,导致卫星钟差呈现出非线性和非平稳性变化。为此提出了一种新方法：先采用小波分解将原始钟差序列分解成高频分量和低频分量,然后利用遗传小波神经网络对低频分量和高频分量分别进行预报,最后将各分量的预报结果进行叠加得到最终的预报值,并与灰色模型、最小二乘支持向量机和遗传小波神经网络的预报结果对比分析。结果表明：该方法预报精度较高,预报残差更为平稳,应用于卫星钟差预报是可行有效的。     

基于DTCWT与LSSVM的风电场短期风速预测

由于风速具有很强的非线性特性,传统的预测方法难以对其准确预测。为提高预测精度,提出了将双树复小波与最小二乘支持向量机相结合的风速时间序列预测建模方法。首先,利用双树复小波对风速时间序列进行多尺度分解,将其分解为高频子带和低频子带;其次,利用最小二乘支持向量机对不同频率的子带建立相应的预测模型;最后,将各子带预测值进行等权求和得到预测结果。实验表明,基于双树复小波与最小二乘支持向量机的混合预测模型具有较高的预测精度,其平均绝对误差为3. 79%。     

基于粗糙集改进的支持向量机模型及其在短期电力负荷预测中的应用

通过对传统的最小二乘支持向量机模型和粗糙集理论的研究,提出了一种基于粗糙集理论进行改进的最小二乘支持向量机预测技术,将粗糙集原理的属性约简与特征提取技术运用到输入指标的选取上,保留有用信息并剔除无用信息。最后,以美国PJM市场2012年1月至9月的日24点历史负荷为算例,对该时间段电力负荷进行模拟仿真。结果表明,经过粗糙集属性约简改进后的LS—SVM预测模型大大提高了其预测精度,拟合效果显著提高。