基于遗传算法优化支持向量机的电梯交通模式识别

电梯交通模式识别问题是电梯群控系统优化调度的基础.在电梯交通模式识别研究中,支持向量机应用较为广泛且识别效果较好,但仍存在模型参数难以确定的问题.为此,提出一种结合遗传算法和支持向量机的电梯交通流模式识别方法:利用遗传算法对支持向量机的关键参数对——惩罚因子C和核函数参数σ自动全局寻优,将最佳参数组合(C,σ)代入原始...     

电梯群控系统交通需求的迭代学习预测方法

提出对时变垂直交通需求的智能化迭代学习预测方法.该方法采用最小二乘支持向量机技术,动态预测未来的交通需求及其变化规律.在此基础上,提出以电梯交通需求净增量及其变化率强度为依据的交通模式划分的新规则.通过构造滤波函数的方法获取交通需求变化的主要信息,对交通模式量化识别,得到主要交通模式区间的临界点.仿真实验表明了该方法的有效性.     

基于SVM的山西省旅游需求预测与分析

针对山西旅游需求统计数据时间短,影响因素复杂的特点,利用统计学习理论建立支持向量机(Support Vector Machine,SVM)的时间序列预测模型对山西的旅游需求进行了预测和对策分析.实验表明,支持向量机模型在旅游需求预测中有很大的应用潜力.     

新型电梯群控系统交通模式识别方法

电梯交通模式识别是电梯群控调度的一个关键问题.针对实时变化的电梯交通流数据,提出一种新型的电梯系统交通模式识别方法.在不增加数据采集量的基础上,首先对基本交通信息进行预处理,再采用多值分类的支持向量机算法,对电梯群控系统建立交通模式分类器.建立的分类器可以根据交通流数据的变化,自适应地识别出建筑物内的最大客流层及次大客流层(厅堂除外).仿真结果表明,这种交通模式识别方法能较准确地辨识出各种交通流模式,并且通过对比试验,证明该算法的识别准确率优于人工神经网络算法,体现出较好的泛化能力,实用性强.     

基于多值分类SVM的电梯交通模式识别

针对电梯群控系统中的交通模式识别问题,提出一种基于多值分类支持向量机(SVM)的电梯交通模式识别方法。采用直接多值分类SVM对采集的电梯交通流数据进行分析,得到交通模式分类器,从而解决电梯交通流模式识别中多输入、多输出的非线性系统辨识问题。实验结果表明,该方法可实现全局最优且分类误差较小,能满足群控系统的要求。     

改进灰色模型在物流需求预测中的应用

研究物流需求问题,物流受多种因素的综合影响,需求具有趋势性、较大波动性和随机性等变化特点,传统单一预测方法难以对其进行准确预测,为提高物流需求预测准确率,将灰色理论(GM)和支持向量机(SVM)相结合建立一种物流需求预测模型(GM-SVM)。GM-SVM首先采用灰色GM(1,1)预测模型动态预测物流需求变化趋势,然后运用SVM对GM(1,1)预测结果进行修正,以提高物流需求预测精度。采用具体物流需求实例对GM-SVM性能进行测试,实验结果表明,GM-SVM利用SVM和GM(1,1)的优势,达到优势互补,提高了物流需求的预测精度,更能全面描述物流需求的复杂变化规律。     

基于支持向量回归机的区域物流需求预测模型及其应用*

为了提高区域物流需求预测的能力,从区域经济等影响因素指标与区域物流需求之间的内在关系的角度,应用基于结构风险最小化准则的支持向量回归机（SVR）方法, 建立“影响因素—区域物流需求” SVR预测模型来研究预测区域物流需求问题。在选择适当的参数和核函数的基础上,对上海市物流需求量进行预测,发现该方法能获得较小的训练相对误差和测试相对误差。     

蚁群优化支持向量机的物流需求预测

为了提高物流需求预测精度,针对物流需求的复杂变化特性,提出一种蚁群算法ACO)优化最小二乘支持向量机的(LSSVM)的物流需求预测模型(ACO-LSSVM).首先对物流需求数据进行重构,然后采用LSSVMY刻画物流需求的复杂非线性变化特性,并通过ACO算法优化选择LSSVM参数,采用物流需求预测实例对ACO-LSSVM性能进行测试.结果表明,ACO-LSSVM提高了物流需求预测精度,是一种有效的物流需求预测方法.     

基于超像素显著性的视频偏色检测方法

针对传统偏色检测方法存在的局限性,基于超像素显著性,提出一种视频偏色检测方法。将视频图像分割为超像素块,提取超像素块的亮度显著性和颜色显著性。使用亮度显著性权值系数对颜色显著性进行贝叶斯融合处理,得到综合显著的超像素块特征信息。将块特征向量作为训练样本,使用支持向量机进行分类和回归训练,检测出偏色视频并实现视频的偏色程度评分。实验结果表明,与传统偏色检测方法相比,该方法检测偏色视频的准确率更高,达到95.1%,且偏色程度的检测结果更接近人眼主观评价结果。     

短时交通流预测方法研究

交通流预测是智能交通系统的热门研究课题,如何构建合适的预测模型并选择合适的预测变量是交通流预测的关键。利用相关分析法来确定交通流预测变量,将选择的预测变量输入到非线性回归支持向量机,通过样本训练进行交通流预测,最后通过交通实例分析来验证该方法的有效性。     

基于灰色支持向量机的基金波动率预测研究*

鉴于灰色预测方法和支持向量机各自的优点,将灰色预测方法与支持向量机相结合,建立灰色支持向量机模型,并以极差替代收益的标准差度量波动率,运用新模型对深圳基金波动率进行实例分析。通过与v支持向量机的预测结果对比,发现所提出的模型适合于基金波动率的中短期预测。     

Demand forecasting of perishable farm products using support vector machine

This article presents a new algorithm for forecasting demand for perishable farm products, based on the support vector machine (SVM) method. Since SVMs have greater generalisation performance and guarantee global minima for given training data, it is believed that support vector regression will perform well for forecasting demand for perishable farm products. In order to improve forecasting precision (FP), this article quantifies the factors affecting the sales forecast of perishable farm products based on the fuzzy theory, which is suitable for real situations. Numerical experiments show that forecasting systems with SVMs and fuzzy theory outperform the radial basis function neural network, based on the criteria of day absolute error, relative mean error and FP. Since there is no structured way to choose the free parameters of SVMs, the variational range of free parameters and the effects of the parameters on prediction performance are discussed in this article. Analysis of experimental results proves that it is advantageous to apply SVMs forecasting system in perishable farm products demand forecasting.     

Combining wavelet-based feature extractions with relevance vector machines for stock index forecasting

Abstract: The relevance vector machine (RVM) is a Bayesian version of the support vector machine, which with a sparse model representation has appeared to be a powerful tool for time-series forecasting. The RVM has demonstrated better performance over other methods such as neural networks or autoregressive integrated moving average based models. This study proposes a hybrid model that combines wavelet-based feature extractions with RVM models to forecast stock indices. The time series of explanatory variables are decomposed using some wavelet bases and the extracted time-scale features serve as inputs of an RVM to perform the non-parametric regression and forecasting. Compared with traditional forecasting models, our proposed method performs best. The root-mean-squared forecasting errors are significantly reduced.     

支持向量机模型分类能力指标的统计分析

在支持向量机（support vector machines, SVM）中,如何衡量SVM的分类能力,最小化风险泛函是一个重要的指标。根据支持向量机小样本特点,给出了支持向量机分类能力的一个量化标准：最优超平面的可靠度β。详细讨论了β的下界和置信区间,并给出了在实际应用中,如何根据样本数据估计β的下界和置信区间。实验也证明了β的下界估计和置信区间的合理性、有效性。     

城市小时级需水量的改进型引力搜索算法--最小二乘支持向量机模型预测

本文研究利用最小二乘支持向量机(least squares support vector machine,LS-SVM)算法建立城市小时级需水量预测模型.采取精英策略,自适应的速度更新权重系数,同时引入粒子历史最优信息对引力搜索算法(gravitational search algorithm,GSA)进行了改进.最后采用改进型引力搜索算法(ameliorated gravitational search algorithm,AGSA)优化LS-SVM水量预测模型的正规化参数和核参数来提高模型的预测精度及预测速度.理论测试与实例分析表明,基于AGSA比基于GSA,遗传算法(genetic algorithms,GA)和粒子群优化算法(particle swarm optimization,PSO)的LS-SVM水量预测模型具有更好的预测精度,从而验证了基于AGSA的LS-SVM算法适用于小时级需水量预测问题,AGSA适用于多领域的模型参数的优化过程.     

A sparse Gaussian process regression model for tourism demand forecasting in Hong Kong

In recent years, Gaussian process (GP) models have been popularly studied to solve hard machine learning problems. The models are important due to their flexible non-parametric modeling abilities using Mercer kernels and the Bayesian framework for probabilistic inference. In this paper, we propose a sparse GP regression (GPR) model for tourism demand forecasting in Hong Kong. The sparsification procedure of the GPR model not only decreases the computational complexity but also improves the generalization ability. We experiment the proposed model with monthly demand data that are relevant to Hong Kong’s tourism industry, and compare the performance of the sparse GPR model with those of various kernel-based models to show its effectiveness. The proposed sparse GPR model shows that its forecasting capability outperforms those of the ARMA model and the two state-of-the-art SVM models.     

改进引力搜索最小二乘支持向量机交通流预测

为了提高基于最小二乘支持向量机的交通流预测模型的精度,提出一种新的改进引力搜索算法（TCK-AGSA）对其进行参数寻优。首先,基于Tent映射改进Kbest函数,使算法具有跳出局部最优的机制;然后,引入全局最优引导策略,使粒子加速朝向最优解移动;接着,将进化度因子和聚合度因子引入速度更新权重系数,使算法具有较强的自适应能力。针对12个基准函数的仿真结果表明,TCK-AGSA的性能优于GSA及其改进算法。最后,建立基于TCK-AGSA寻优的最小二乘支持向量机模型,并选取2016年贵州省高速公路真实交通流数据进行预测实验,结果表明该模型具有更好的预测精度、鲁棒性和泛化能力。