共查询到10条相似文献,搜索用时 37 毫秒
1.
支持向量回归机使用由经验误差项和常数项所构成的风险函数,满足结构风险最小原则。在时态数据预测领域,它将成为一种很有前途的预测方法。简要介绍了回归支持向量机的基本理论。基于回归支持向量机模型,建立了一个对时态数据预测的方法,可以对多属性时态数据进行预测,并与其它预测模型(BP神经网络)进行比较。实验结果表明所提出的方法在预测的稳定性和准确性方面都要优于BP神经网络模型。 相似文献
2.
如何根据影响因素较好地预测碳通量是许多环境监测者非常关注的问题。但至今尚无一种非常有效的预测模型,为此研究ε-支持向量回归机在碳通量预测中的具体应用,并与BP神经网络模型的预测结果做了比较,分析了两种方法在核函数及相关参数、网络结构、神经元数目选择方面各自不同的特点。实验结果表明,基于ε-支持向量回归机和BP神经网络模型的碳通量预测结果与碳通量实测值之间存在显著相关性。但ε-支持向量回归机方法的预测过程更易掌控,整体预测精度高于BP神经网络的精度。 相似文献
3.
大型呼叫中心话务量预测 总被引:2,自引:1,他引:2
为进行呼叫中心的坐席数估计和后续的排班工作,分析了历史话务量数据的特点,总结出影响大型呼叫中心话务量的因素,并用这些影响因素的不同组合来预测话务量,通过结果的对比分析得出相对最优的话务量预测模型.在此模型的基础上分别采用BP神经网络算法和支持向量机算法(LS-SVM)对话务量进行了预测,通过分析和比较结果表明,BP神经网络比支持向量机算法更适合对大型呼叫中心话务量的预测. 相似文献
4.
刘建华 《计算机工程与应用》2014,50(3):13-17
短时交通流预测首先重构相空间,然后采用时间序列模型预测交通流量,而支持向量回归机(SVR)是比较好的时间序列预测模型。但短时交通流相空间重构的嵌入维数与延迟时间与支持向量回归机的参数确定往往是分别独立地求解,难以达到两组参数值的同时最优,影响预测的准确性。为了提高短时交通流的预测准确性,提出一种利用粒子群算法联合优化相空间重构和支持向量回归机的预测模型,并用于实际短时交通流数据的预测。该模型的相空间重构和支持向量回归机(SVR)的参数联合一起优化,利用粒子群算法同时优化其两组参数的组合值。采用短时交通流数据仿真,结果表明联合一起优化所得参数的预测器提高了简单模型预测的效果。 相似文献
5.
6.
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. 相似文献
7.
研究电价准确预测问题,电价变化是多种因素综合结果,单一模型无法全面考虑各种因素影响,预测精度低。为了提高电价预测精度,提出一种集成模型的电价预测模型。首先采用单一模型支持向量机、BP神经网络和RBF神经网络对电价进行预测,然后采用支持向量机对3种预测结果进行集成,得到最终电价预测结果。通过加州电价数据对集成模型数据进行仿真测试,集成模型有效提高了电价预测精度,结果表明,集成模型为电价准确预测提供了一种新的研究途径。 相似文献
8.
9.
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。 相似文献