自适应遗传算法优化支持向量回归的水质预测

文中提出了一种动态改进的遗传算法和支持向量回归机相耦合的水质预测方法,改进了传统遗传算法中交叉和变异概率固定的问题,尽可能避免陷入局部最优的问题。在对大理弥苴河水质进行大量实际监测的基础上,分别采用BP神经网络,遗传算法优化的支持向量回归机和自适应遗传算法优化的支持向量回归机3种模型的方法,建立了弥苴河水质高锰酸盐含量的的预测模型。通过数据预处理,筛选了60天的数据进行训练学习和测试。通过对三个模型的预测误差分析对比,可以得出自适应遗传算法优化支持向量回归的预测模型精度更高。     

基于遗传算法优化支持向量机的交通流量预测

为了得到性能优越的SVM预测模型,实现城市交通流量的准确预测,文中提出基于遗传算法优化支持向量机(GA-SVM)的城市交通流量预测方法.其中通过遗传算法对SVM中的训练参数进行优化处理,以得到优化的SVM预测模型.实验结果表明:用GA-SVM对城市交通流量预测,预测精度远优于人工神经网络.     

小波消噪和蚁群优化支持向量机的网络流量预测模型

针对当前网络流量预测模型精度低的缺点,本文提出了一种新型的小波消噪和蚁群算法优化支持向量机的网络流量预测模型。首先采用小波阈值法对网络流量进行消噪处理;然后将网络流量输入到支持向量机中学习,并采用蚁群算法对支持向量机的参数进行优化,建立网络流量预测模型,最后采用实际网络流量数据进行仿真实验,结果表明,相对于其它网络流量预测模型,本文模型提高了网络流量的预测精度,具有更好的鲁棒性。     

改进粒子群算法优化最小二乘支持向量机的网络流量混沌预测

为了提高网络流量的预测准确性,针对最小二乘支持向量机参数优化方法的缺陷,提出一种改进粒子群算法优化最小二乘支持向量机的网络流量混沌预测模型。首先将最小二乘支持向量机参数作为粒子初始位置,然后通过粒子群之间信息交流、互相协作找到最优参数,并对惯性权重和学习因子进行改进,最后对网络流量数据进行重构,并采用最优参数的最小二乘支持向量机建立网络流量预测模型。实验结果表明,本文模型提高了网络流量的预测精度,并大幅度减少了训练时间,可以满足网络流量在线预测要求。     

野草算法和支持向量机相融合的短期负荷预测

短期负荷受到天气、季节的综合影响,具有一定的混沌性,为了准确描述短期负荷的变化趋势,以提高预测精度,提出一种野草算法和支持向量机相融合的短期负荷预测模型(WA-SVM)。首先收集大量的短期负荷历史数据,并对它们进行混沌分析和处理,建立支持向量机的训练和测试样本集;然后采用支持向量机建立短期负荷预测模型,并通过野草算法找到支持向量机最优参数;最后采用短期负荷预测仿真对比实验测试其性能。结果表明,WA-SVM获得了比其他模型更高的短期负荷预测精度,为短期负荷建模与预测提供了一种新的研究方法。     

基于相空间重构与最小二乘支持向量机的时延预测

针对网络控制系统的时延预测问题,提出一种基于相空间重构与最小二乘支持向量机的时延预测方法.首先利用0-1测试法确定时延序列具有混沌特性,引入相空间重构技术提高预测精度.对实际采集的时延序列进行Hurst指数分析,选择最小二乘支持向量机作为预测模型.然后利用C-C方法确定时延序列相空间重构参数,通过递归图确定时延序列的局部可预测性,利用遗传算法对最小二乘支持向量机的参数进行离线优化.最后通过优化后的最小二乘支持向量机并结合相空间重构对时延序列进行在线预测.与其它预测方法进行了仿真对比,结果表明本文方法具有更高的预测精度与更小的预测误差,同时并未降低预测算法的实时性.     

基于LSSVM的激光陀螺随机误差系数预测

激光陀螺是一种具有广阔应用前景的新型惯性器件.为了提高激光陀螺的性能,有效地补偿激光陀螺的随机误差,提出了最小二乘支持向量机预测激光陀螺随机误差系数的新方法.采用遗传算法进行支持向量机参数的自动选取,提出了基于遗传优化的最小二乘支持向量机回归预测算法,并对激光陀螺随机误差系数进行了预测实验.实验结果表明,基于遗传算法的最小二乘支持向量机的预测精度更高.另外,研究了回归步长对预测效果的影响.预测结果表明,不同的回归步长对预测结果有较大的影响.     

基于小波支持向量机的VBR视频流量预测

：VBR视频流量具有时变性、突发性和非线性等变化特点,为了提高VBR视频流量的预测精度,提出一种小波支持向量机的VBR视频流量预测模型(WSVM)。首先对VBR视频流量时间序列进行相空间重构,然后将其输入到小波支持向量机进行学习,建立VBR视频流量预测模型,最后采用仿真实验对模型性能进行测试,并与支持向量机、小波神经网络进行对比。仿真结果表明,相对于其它预测模型,WSVM模型提高了VBR视频流量预测精度,能够更加准确反映VBR视频流量的复杂变化规律。     

一种极端降水预测方法研究

为了提高极端降水量的预测精度,将小波分析、支持向量机以及遗传算法相结合,建立了一种极端降水预测模型。首先利用小波变换对极端降水数据进行分解,分离出序列中的低频信息和高频信息;然后对各子序列分别用遗传算法优化的支持向量机进行训练和预测;最后将各子序列的预测结果叠加,得到极端降水量的最终预测结果。实验表明,该组合模型能准确揭示极端降水的变化特性,具有更高的预测精度,从而为极端降水量的预测提供了一种有效方法。     

基于高斯过程回归的电力负荷预测算法

针对基于传统算法的电力负荷预测方法误差大的问题,本文提出一种基于高斯过程回归的负荷预测算法。算法首先利用电量数据当作高斯过程回归的学习样本,并构建电力负荷预测模型,然后采用遗传算法对超参数进行优化,避免用共轭梯度法优化超参数的缺点。最后,利用测试集对该模型性能进行实验测试。基于某地区的电网数据的仿真显示,基于高斯过程回归的负荷预测算法比神经网络和支撑向量机算法的预测精度更高。     

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.     

Network traffic prediction method based on wavelet transform and multiple models fusion

Accurate prediction of network traffic is an important premise in network management and congestion control. In order to improve the prediction accuracy of network traffic, a prediction method based on wavelet transform and multiple models fusion is presented. Mallat wavelet transform algorithm is used to decompose and reconstruct the network traffic time series. The approximate and detailed components of the original network traffic can be obtained. The characteristics of approximate components and detail components are analyzed by Hurst exponent. Then, according to the different characteristics of the components, autoregressive integrated moving average model (ARIMA) is chosen as the prediction model for the approximate component. Least squares support vector machine (LSSVM) is used to predict detail component. Meanwhile, an improved particle swarm optimization (PSO) algorithm is proposed to optimize the parameters of the LSSVM model. Gauss‐Markov estimation algorithm is adapted to fuse the predicted values of multiple prediction models. The variance of fusion prediction error is smaller than that of single prediction model, and the prediction accuracy is improved. Two actual datasets of network traffic are studied. Compared with other state‐of‐the‐art models, the case study results indicate that the proposed prediction method has a better prediction effect.     

多因素影响下的忙时话务量预测方法的研究

为了提高节假日移动话务量的预测精度,提出了一种基于多因素影响的忙时话务量预测方法。首先对忙时话务量进行相关性分析,得到4个影响话务量的重要因子,然后把4个因子与忙时话务量训练数据一起作为输入变量,最后用改进的具有非线性惯性权重的粒子群算法优化的最小二乘支持向量机模型进行预测。实验结果表明该预测模型有更高的预测精度和较强的泛化能力。     

Attention-based spatio-temporal graph convolutional network considering external factors for multi-step traffic flow prediction

Traffic flow prediction is an important part of the intelligent transportation system. Accurate multi-step traffic flow prediction plays an important role in improving the operational efficiency of the traffic network. Since traffic flow data has complex spatio-temporal correlation and non-linearity, existing prediction methods are mainly accomplished through a combination of a Graph Convolutional Network (GCN) and a recurrent neural network. The combination strategy has an excellent performance in traffic prediction tasks. However, multi-step prediction error accumulates with the predicted step size. Some scholars use multiple sampling sequences to achieve more accurate prediction results. But it requires high hardware conditions and multiplied training time. Considering the spatiotemporal correlation of traffic flow and influence of external factors, we propose an Attention Based Spatio-Temporal Graph Convolutional Network considering External Factors (ABSTGCN-EF) for multi-step traffic flow prediction. This model models the traffic flow as diffusion on a digraph and extracts the spatial characteristics of traffic flow through GCN. We add meaningful time-slots attention to the encoder-decoder to form an Attention Encoder Network (AEN) to handle temporal correlation. The attention vector is used as a competitive choice to draw the correlation between predicted states and historical states. We considered the impact of three external factors (daytime, weekdays, and traffic accident markers) on the traffic flow prediction tasks. Experiments on two public data sets show that it makes sense to consider external factors. The prediction performance of our ABSTGCN-EF model achieves 7.2%–8.7% higher than the state-of-the-art baselines.     

基于SMO-SVM的丝杠表面磨削质量预测

针对滚珠丝杠磨削过程在线监测困难的问题,使用支持向量机建立智能模型。模型本身针对颤振分类和粗糙度预测的不同问题,选用基于串行优化算法的支持向量分类机和支持向量回归机,并使用交叉验证法对模型参数进行优化。基于滚珠丝杠表面波纹度理论和粗糙度理论,对磨削过程中的振动信号进行特征提取,结合加工参数作为模型输入,先进行颤振的判别,在判断未颤振的情况下对表面质量进行预测。实验结果表明,该模型可以对颤振分类及粗糙度预测进行较好的在线监测。     

粒子群算法支持向量机的半监督回归

将基于粒子群算法的支持向量机与半监督学习理论相结合,提出了粒子群算法支持向量机的半监督回归模型。针对典型的实验数据集进行实验,并将实验结果与常规的遗传算法支持向量机和粒子群支持向量机模型进行对比。实验结果表明,粒子群算法支持半监督回归模型明显提高了回归估计的精度。     

基于pinball损失的结构模糊孪生支持向量机

孪生支持向量机通过求解较小的二次规划问题,提高了分类器的性能,然而,该方法主要利用了类间可分的特性,并使用hinge损失函数构建相应的模型,它们并未充分考虑不同类中数据的结构信息以及不同样本对分类的影响,导致该方法对噪声具有较强的敏感性以及重取样的不稳定性.为了进一步提高孪生支持向量机的性能,基于pinball损失函数,将数据集中不同类的结构信息以及不同样本的作用引入到孪生支持向量机中,获得了基于pinball损失的结构模糊孪生支持向量机模型,从理论上导出了基于pinball损失的结构模糊孪生支持向量机算法pin-sftsvm,通过选取人工生成数据集与UCI标准数据集,对pin-sftsvm算法进行了实验,并与tbsvm、s-tsvm和pin-tsvm算法进行了性能比较,表明了提出算法的有效性.     

近红外光谱结合GA-LSSVR分析烟草尼古丁含量

为了提高近红外光谱快速检测烟草尼古丁含量的精度和稳定性,利用近红外光谱结合遗传算法-最小二乘支持向量回归(GA-LSSVR)建立了回归预测模型。在LSSVR模型建立过程中,采用遗传算法对LSSVR参数进行自动优化。相比于利用常规最小二乘支持向量机和遗传偏最小二乘法等建立的回归预测模型,GA-LSSVR法建立的回归预测模型泛化能力更强,预测效果更好,验证集相关系数R2为0.9766,预测均方根误差为0.1065。研究结果表明,GA-LSSVR是一种快速准确的建模方法,为烟草尼古丁含量的近红外测定和近红外光谱数据的处理提供了新的方法与途径。