自适应变异粒子群算法与支持向量机在农业用水预测中的应用

为提高农业用水预测精度以及改善基本粒子群算法(PSO)的收敛性能,提出基于自适应变异(Adaptive Variation,AV)算法改进的PSO-SVR多元变量农业用水预测模型,以2000-2011年全国农业用水量预测为例进行实例研究。首先,选用3个典型函数测试AVPSO算法性能,并与基本PSO算法比较;其次选取粮食作物播种面积、水灾成灾面积等4个指标作为农业用水预测的影响因子,采用AVPSO算法优化SVR惩罚因子C和核函数参数g,构建AVPSO-SVR农业用水预测模型,并构建基本PSO-SVR、GA-SVR、GA-BP和传统BP模型作为对比模型;最后,利用实例前8年和后4年资料分别对各模型进行训练和预测。结果表明:1AVPSO算法的全局搜索能力有了明显提高,有效避免了早熟收敛问题。2AVPSO-SVR模型对实例后4年农业用水量预测的平均相对误差绝对值和最大相对误差绝对值分别为0.48%、0.78%,预测精度及泛化能力均优于PSO-SVR、GA-SVR、GA-BP和传统BP模型,AVPSO算法能有效对SVR惩罚因子C和核函数参数g进行寻优。     

基于改进支持向量机模型的开都河年径流量预测

针对回归支持向量机(SVR)惩罚因子C和核函数参数g的选取对模型性能有着关键性影响以及在实际应用中存在参数选取等困难,提出基于启发式算法的PSO-SVR和GA-SVR年径流预测模型,以新疆开都河大山口水文站年径流预测为例进行实例研究。首先,利用DPS软件选取年径流影响因子,确定输入向量;其次,基于粒子群算法(PSO)、遗传算法(GA)基本原理,采用PSO、GA优化SVR惩罚因子C和核函数参数g,构建PSO-SVR和GA-SVR年径流预测模型,并构建基于网格划分(GS)与交叉验证(CV)算法相结合的GS-SVR模型作为对比模型。最后,利用所构建的模型对实例进行预测分析。结果表明:PSO-SVR和GA-SVR模型对开都河1996—2012年径流预测的平均相对误差绝对值分别为2.65%、3.22%,平均绝对误差分别为1.055亿m3和1.291亿m3,预测精度和泛化能力均优于GS-SVR模型,表明PSO和GA能有效对SVR惩罚因子C和核函数参数g进行优化,具有预测精度高、泛化能力强以及稳健性能好的特点。相对而言,PSO-SVR模型性能略优于GA-SVR模型。     

回归支持向量机模型及其在年径流预测中的应用

研究交叉验证（CV）SVR年径流预测模型,以云南省清水江革雷站为例进行实例分析。利用SPSS软件选取年径流影响因子,确定输入向量;采用CV方法搜寻SVR惩罚因子C和核函数参数g,构建CV-SVR多元变量年径流预测模型,并构建GA-BP、传统BP模型作为对比模型。利用所构建的模型对实例进行预测。结果表明：CVSVR模型对实例后15年年径流预测的平均相对误差绝对值和最大相对误差绝对值分别为3.4596%、9.3035%,预测精度和泛化能力均优于GA-BP、传统BP模型,表明CV能有效搜寻SVR惩罚因子C和核函数参数g。CV-SVR模型具有预测精度高、泛化能力强以及算法稳定等特点。     

遗传算法与最小二乘支持向量机在年径流预测中的应用

为克服最小二乘支持向量机(LSSVM)依赖人为经验选择学习参数的不足,利用遗传优化算法(GA)选择LSSVM惩罚因子C和核函数参数σ2,构建GA-LSSVM年径流预测模型,并构建LSSVM、GA-BP和传统BP模型作为对比,以云南省河边水文站年径流预测为例进行实例研究,利用实例前30 a和后22 a资料分别对各模型进行训练和预测。结果表明:GA-LSSVM模型对实例后22 a年径流预测的平均相对误差绝对值和最大相对误差绝对值分别为3.13%、8.66%,预测精度优于LSSVM、GA-BP和传统BP模型。GA算法全局寻优能力强,利用GA算法优化得到的LSSVM学习参数可有效提高LSSVM模型的预测精度和泛化能力。     

动态自适应粒子群优化算法与最小二乘支持向量机在年径流预测中的应用

针对最小二乘支持向量机(LSSVM)依赖人为经验选择学习参数以及基本粒子群优化算法(PSO)存在早熟收敛等弊端,通过对PSO惯性因子、加速因子以及粒子飞行速度进行动态调整,以及借鉴遗传算法变异思想引入自适应变异算子,对PSO算法进行改进,提出动态自适应粒子群优化算法(DAPSO),利用DAPSO算法优化选择LSSVM惩罚因子和核函数参数,构建DAPSO-LSSVM年径流预测模型,并与PSO算法优化选择LSSVM学习参数的PSO-LSSVM模型以及GA-BP、RBF、BP模型作为对比,以云南省某水文站年径流预测为例进行实例研究,利用实例前30年和后17年资料分别对各模型进行训练和预测。结果表明DAPSO-LSSVM模型对实例后17年年径流预测的平均相对误差绝对值和最大相对误差绝对值分别为3.31%、5.95%,预测精度优于PSO-LSSVM模型,大幅优于GA-BP、RBF和BP模型。DAPSO算法全局寻优能力强、收敛速度快,稳健性能好,利用DAPSO算法优化得到的LSSVM学习参数可有效提高LSSVM模型的预测精度和泛化能力。     

基于相空间重构原理的遗传神经网络模型在城市需水预测中的应用

针对多元变量需水预测模型中变量之间普遍存在多重共线性问题以及BP神经网络收敛速度慢、易陷入局部极值等缺点,将相空间重构原理及遗传算法(GA)引入BP神经网络需水预测模型中,提出基于相空间重构原理的GA-BP城市需水预测模型,并对上海市需水预测进行实例分析。实例分析结果表明:GA-BP模型对上海市2005—2009年的年用水量预测平均相对误差绝对值和最大相对误差绝对值分别为1.4344%和2.7672%,对2010—2011年的年需水量预测相对误差分别为0.5136%和0.0270%,精度均优于BP神经网络预测模型;基于相空间重构原理的GA-BP需水预测模型具有较好的预测精度和泛化能力,是提高需水预测精度和泛化能力的有效方法。     

基于多元变量组合的回归支持向量机集成模型及其应用

为进一步提高径流预测的精度和泛化能力,提出基于多元变量组合的回归支持向量机(SVR)集成年径流预测模型,以云南省龙潭站年均径流预测为例进行实例研究。首先,以实例1—10月月均流量作为预测因子,采用相关分析法确定预测因子与年均径流量的相关系数,按照相关系数大小顺序依次选取预测因子,构建2维输入变量~10维输入变量的9种SVR模型对实例后12年的年均径流量进行预测。最后,采用简单平均(SA)和加权平均(WA)两种集成方法对具有较高预测精度的7种SVR模型的预测结果进行综合集成。结果表明:①SVR模型的预测精度随着输入变量维数的增加明显提高。②SA-SVR和WA-SVR模型对实例后12年年均径流量预测的平均相对误差绝对值分别为1.73%和1.79%,最大相对误差绝对值分别为6.34%和6.47%,精度和泛化能力均优于各SVR模型。相对而言,由于采用多个SVR模型进行集成,SA-SVR模型预测效果略优于WASVR模型。     

回归支持向量机集成模型在年径流预测中的应用

为进一步提高径流预测精度和泛化能力,根据回归支持向量机(SVR)特性及基本原理,提出考虑不同影响因子(输入向量)的SVR集成预测模型,以云南省南盘江西桥站1961—2007年径流预测为例进行实例研究。首先,利用相关分析法选取年径流预测的若干影响因子,依次构建不同影响因子的SVR单一模型对研究实例进行预测,并构建对应的RBF模型作为对比预测模型;然后,采用加权平均和简单平均2种方法对具有较好预测精度和互补性的单一模型的预测结果进行综合集成。结果表明基于SVR的加权平均和简单平均2种集成模型径流预测的平均相对误差绝对值分别为1.27%和1.54%,最大相对误差绝对值分别为2.99%和2.74%,其精度和泛化能力均大幅优于各单一模型以及基于RBF的加权平均和简单平均集成模型,表明加权平均SVR和简单平均SVR集成模型具有较高的预测精度和泛化能力。相对而言,加权平均集成模型赋予了预测效果好的模型更大的权重,预测精度和泛化能力均优于简单平均集成模型。预测模型和方法可为相关预测研究提供参考和借鉴。     

果蝇优化算法与支持向量机在年径流预测中的应用

针对支持向量机(SVM)学习参数难以确定的不足,利用果蝇优化算法(FOA)搜寻SVM学习参数——惩罚因子和核函数参数,提出FOA-SVM预测模型,并构建基于粒子群优化(PSO)算法、遗传优化(GA)算法搜寻SVM学习参数的PSO-SVM和GA-SVM模型作为对比,以云南省董湖站年径流预测进行实例研究。结果表明,FOASVM模型预测精度优于PSO-SVM和GA-SVM模型,具有较高的预测精度和泛化能力。     

基于PSO-SVR-ANN的丹江口水库秋汛期月尺度径流预报模型

丹江口水库位于汉江上游,是南水北调中线工程水源地,因受华西秋雨影响经常发生较大的秋汛过程。目前应用于丹江口水库径流预报的方法普遍存在预报精度不高和稳定性不强等缺点。针对上述问题,构建了PSO-SVR中长期预报模型,利用粒子群优化算法(PSO)寻找支持向量回归机(SVR)的惩罚系数C、不敏感系数ε以及高斯径向基核函数的gamma参数,在此基础上利用分层感知器人工神经网络(ANN)分析了SVR预报误差规律和特征,建立了PSO-SVR-ANN耦合模型,实现了径流预报的自纠正。结果显示,PSO-SVR-ANN秋汛期预报模型平均相对误差较小,均在10%左右;合格率较高,均处于80%以上水平。实验结果表明,PSO-SVR-ANN模型与PSO-SVR相比,预报精度更高,稳定性更强,可信度更高,具有一定的实用价值,为相关研究提供了参考。     

支持向量机在饮用水水源地水质评价中的应用

采用回归支持向量机(SVR)和分类支持向量机(SVM)对饮用水水源地水质进行评价。针对支持向量机学习参数难以确定的不足,利用粒子群优化(PSO)算法寻优支持向量机学习参数,提出PSO-SVR及PSO-SVM评价模型,以文山州2014年13个饮用水水源地水质评价为例进行实例研究。结果表明:利用PSO算法寻优支持向量机学习参数可有效提高模型的评价精度和泛化能力。PSO-SVR及PSO-SVM模型对实例水质评价结果相同,各具特点和优势,均可用于相关水质综合评价。     

改进RBF-Adaboost模型及其在年径流预测中的应用

为提高径向基神经网络(RBF)在年径流预测中精度,提出基于Adaboost算法及线性递减算法改进的RBF-Adaboost预测模型,以云南省姑老河站年径流预测为例进行实例研究,并构建RBF、GA-BP及BP模型作为对比模型.利用实例前34年和后20年资料对所构建的模型进行训练和预测.结果表明:改进RBF-Adaboost模型对实例后20年年径流预测的平均相对误差绝对值和最大相对误差绝对值分别为4.83％、9.51％,预测精度优于RBF、GA-BP及BP模型.RBF-Adaboost模型集成了多个基于扩展系数及期望误差线性递减改进的RBF神经网络弱预测器,有效提高了RBF神经网络模型在年径流预测中的精度,模型具有预测精度高、泛化能力强等优点.     

基于PSO-SVM的水工隧洞施工成本预测

为了对水工隧洞工程施工成本进行精确预测,从工程、环境、市场以及管理4个方面分析了水工隧洞施工成本影响因素,构建了水工隧洞施工成本影响因素量化方法。采用粒子群算法(PSO)优化支持向量机(SVM)模型中的惩罚因子C和核函数参数g,建立基于PSO-SVM的水工隧洞施工成本预测模型。对比SVM模型的预测结果发现,PSO-SVM模型的平均绝对百分比误差和均方根误差更小,训练速度更快,预测效果更好。     

基于 PSO-SVR 的丹江口年径流预报

目前应用于丹江口水库年径流预报的方法主要为物理统计和人工神经网络(ANN)等方法,但这些方法普遍存在预报精度不高和稳定性不强等缺点。选择回归支持向量机(SVR)模型应用于丹江口水库年径流预报,针对惩罚系数C、核参数σ和不敏感损失系数ε三个参数在实际赋值过程中存在计算量大、难以得到最优值等问题,将粒子群优化算法(PSO)加入到SVR模型中,建立PSO-SVR模型,实现了参数的自动优选。结果表明,PSO-SVR模型较之SVR模型,提高了预报精度;较之ANN模型,稳定性更强,可信度更高。该模型具有较好的应用价值,可为南水北调中线工程调度方案制定提供一定的参考依据。     

基于机器学习的跨海管道泄漏位置预测模型

为解决跨海管道泄漏位置定位问题,利用EPANET 软件对海底管道泄漏探测进行建模,采用BP 神经网络模型和经K-CV 改进的SVR 模型进行泄漏位置预测。对BP 神经网络的隐含层数和学习函数进行优化和选择,使用K-CV 方法对SVR 算法的惩罚系数c 和核函数参数g 进行最优组合探寻。利用EPANET 软件建模数据形成训练集,随机选取测试集进行预测,同时使用均方根误差和相关系数对预测结果进行评价。实例验证结果表明:K-CV 方法能够有效提高SVR 模型预测精度;与水力学稳态方程相比,BP 神经网络模型在泄露位置预测问题中应用范围更广、预测精度更高。     

基于ABC-SVM的土石坝变形监测模型

针对土石坝变形具有较强的非线性特征,传统统计模型预测精度不高,误差较大的问题。引入支持向量机模型(SVM),并采用人工蜂群算法(ABC)对支持向量机的关键参数惩罚因子C和核函数参数σ进行寻优,提高模型的拟合和预测精度,建立ABC-SVM模型应用于土石坝变形监测。实例验证分析表明:与传统多元回归模型和SVM模型相比,ABC-SVM模型预测精度高、泛化能力强。利用ABC-SVM模型对土石坝变形进行预测效果良好,可在大坝安全监测领域推广应用。     

基于云计算和智能优化SVR的光伏发电功率预测

为提高光伏发电功率的预测精度,针对支持向量机回归(Support Vector Regression,SVR)模型的预测结果易受其惩罚系数C、敏感损失函数的最大误差系数ε和核函数g影响的问题,提出一种基于新型智能算法-蝗虫算法优化SVR模型参数的光伏发电功率预测模型。由于光伏发电功率数据存在随机性和间隙性的特征,Multi-Agent和分布式思想被引入蝗虫算法优化SVR模型,通过将云计算的MapReduce框架和GOA-SVR结合,提出一种基于MapReduce和GOA-SVR并行化的光伏发电功率预测模型(MapReduce and GOA-SVR,MR-GOA-SVR),从而提高海量高维光伏发电数据的处理能力。将影响光伏输出功率的11个气象因素作为GOA-SVR的输入向量,光伏输出功率作为GOA-SVR的输出向量,建立GOA-SVR的光伏发电功率预测模型。研究结果表明:MR-GOA-SVR可以有效提高不同天气类型下的光伏发电功率的预测精度,具有很强的现实性和指导意义。与PSO-SVR、GA-SVR、GOA-SVR和SVR相比,MR-GOA-SVR在晴天、阴天和雨天均可以提高预测精度,且具有优异的并行性能。     

基于GA参数优选的ε-SVR地下水位预测方法

选择径向基核函数建立地下水位ε-SVR预测模型,基于遗传算法实现惩罚因子C、核函数参数γ和不敏感损失函数参数ε的自适应优选,并运用建立的模型对某地傍河试验井地下水位进行预测.结果表明:基于GA参数优选的ε-SVR模型对训练样本的拟合误差平方和仅为0.0022,回归系数达到0.9933,检验样本拟合结果平均相对误差仅为1...     

改进BP神经网络集成模型在径流预测中的应用

为提高径流预测预报的精度和泛化能力,建立了基于3种基本改进算法的BP神经网络集成预测模型。利用ADF单位根检验方法、自相关分析方法确定径流时间序列的平稳性和模型的输入向量。针对BP神经网络标准算法收敛速度慢、易陷入局部极值的缺陷,采用自适应动量梯度法、共轭梯度法和Levenberg-Marquardt法分别改进BP神经网络标准算法,依次构建基于3种改进算法的BP神经网络模型对文山州南利河董湖水文站年径流进行预测,并构建GA-BP预测模型作为对比模型;采用加权平均方法对各单一模型预测结果进行综合集成。结果表明:集成模型对南利河2001-2005年径流预测平均相对误差绝对值为4.67%,最大相对误差绝对值为7.11%,精度和泛化能力均优于各单一模型和GA-BP模型。集成模型克服了单一模型预测精度不高和误差不稳定的缺点,具有较好的预测精度和泛化能力,是提高径流预测预报精度的有效方法。     

静电放电算法-混合核SVM的月径流预报模型及应用

为提高水文预测预报精度,构建基于多项式核与高斯核混合的支持向量机(SVM),利用静电放电算法(ESDA)优化混合核SVM关键参数和混合权重系数,提出混合核ESDA-SVM枯水期月径流预测模型,并构建高斯核ESDA-SVM、多项式核ESDA-SVM及ESDA-BP作对比预测模型,以云南省某水文站枯水期1—4月月径流预测为例进行实例研究,利用实例前24 a和后10 a资料对各模型进行训练和预测。结果表明,混合核ESDA-SVM模型对实例1—4月月径流预测的平均相对误差绝对值分别为4.09%、3.32%、3.51%和5.64%,预测精度均高于多项式核ESDA-SVM等3种模型。混合核ESDA-SVM模型综合了多项式全局核函数和高斯局部核函数二者优点,在预测精度、泛化能力等方面均优于对比模型,具有较好的实际应用价值。