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。     

支持向量机在径流预报中的应用探讨

径流的形成是一个涉及到水文、气象及力学等复杂的过程,中间包含降水、蒸发、产流、汇流等复杂过程,还受到地形、地貌、流域下垫面和人类活动等因素影响,其变化非常复杂,作为一种新的机器学习算法,支持向量机在样本有限的情况下,采用结构风险最小化准则,把学习问题转化为一个二次规划问题,从而得到唯一的全局最优解。尝试将最小二乘支持向量机技术用于径流预测,并与BP神经网络方法的预测结果进行了对比,证明SVM方法预测径流量精度要优于BP神经网络方法。     

基于PCA和支持向量机的径流预测应用研究

影响径流量的因素很多,并且这些因素与径流量之间存在着复杂的非线性关系。将主成分分析和支持向量机相结合,首先进行特征提取,降低数据维数,获取数据的主要信息;然后利用支持向量机建立径流预测模型,取得了非常好的效果。并与支持向量机回归模型进行了比较,结果表明该方法具有更好的预测精度,值得推广。     

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。     

基于模拟退火算法支持向量机在枯水期月径流预测中的应用

鉴于支持向量机(SVM)最佳算法参数难以确定的不足,利用模拟退火算法(SA)搜索SVM学习参数,提出SA-SVM预测模型,并与基于遗传算法(GA)搜索SVM学习参数的GA-SVM模型作对比,以云南省龙潭站枯水期1-3月月径流预测为例进行实例研究,利用实例前43年和后10年资料对模型进行训练和预测。结果表明:SA-SVM模型对实例后10年枯水期1-3月月均径流预测的平均相对误差绝对值分别为3.11%、4.93%和6.75%,精度优于GA-SVM模型,表明SA-SVM模型具有较高的预测精度和泛化能力。SA算法通过赋予搜索过程一种时变且最终趋于零的概率突跳性,有效避免了算法陷入局部极值并最终趋于全局最优。     

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。     

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。     

人工鱼群算法与支持向量机在枯水期月径流预测中的应用

支持向量机(SVM)学习参数存在选择范围大,盲目搜索花耗时间多、代价大,且难以获得最佳参数等问题.针对该问题利用人工鱼群算法(AFSA)搜寻SVM学习参数,提出AFSA-SVM预测模型,并与PSO-SVM、GA-SVM模型作对比.以云南省某水文站枯水期月径流预测为例进行实例研究,利用实例前30年、中间20年和后3年资料对模型进行训练、检验和预测.结果表明:AFSA-SVM模型对实例中间20年和后3年枯水期月径流预测的平均相对误差绝对值分别为5.04％、3.62％(5次平均),精度优于PSO-SVM和GA-SVM模型,表明AFSA-SVM模型具有较高的预测精度和泛化能力.AFSA算法具有全局寻优能力强、简单易实现、对初值参数选择不敏感等优点,利用AFSA算法优化得到的SVM学习参数有利于提高SVM模型的预测精度和泛化能力.     

基于果蝇优化算法的支持向量机径流预测

为了提高径流预测的精度和可靠性,将支持向量机应用到单因子月径流预测建模中。针对支持向量机模型参数的选择费时费力且效果差的问题,利用全局寻优的果蝇算法优化选择支持向量机的惩罚参数和核参数,提出了基于果蝇算法优化支持向量机参数的FOA-SVM预测模型,并利用新疆某站的月径流历史数据进行了仿真测试。结果表明:与GA-SVM模型和PSO-SVM模型相比,FOA-SVM模型能够提高径流预测的效率与精度。     

免疫粒子群算法与支持向量机在枯水期月径流预测中的应用

针对支持向量机(SVM)最佳算法参数难以确定以及基本粒子群算法(PSO)易陷入局部极值等不足,提出免疫粒子群算法(IAPSO),利用IAPSO算法搜寻SVM学习参数,构建IAPSO-SVM预测模型,并与PSO-SVM、GA-SVM模型作为对比,以云南省某水文站枯水期月径流预测为例进行实例研究,利用实例前43年和后10年资料对模型进行训练和预测。结果表明:IAPSO-SVM模型对实例后10年枯水期1-3月月均径流预测的平均相对误差绝对值分别为3.32%、6.52%和6.55%,精度优于PSO-SVM和GA-SVM模型,表明IAPSO-SVM模型具有较高的预测精度和泛化能力。IAPSO算法利用浓度选择机制及免疫接种原理,改进了基本粒子群优化算法的全局寻优能力和收敛速度,具有较强的全局寻优能力。利用IAPSO算法优化得到的SVM学习参数可有效提高SVM模型的预测精度和泛化能力。     

相关向量机及其在径流预测中的应用

介绍了贝叶斯框架下相关向量机的基本理论,并利用其对黄河某水文站的年径流与月径流量进行了预测。结果表明：在年径流预测方面,取高斯核函数的宽度值为2.0时,预测效果较为理想;在月径流预测方面,各个月检验阶段和拟合阶段的相对误差全部在10%以内,平均相对误差在2%以内,预测效果较好。     

支持向量机在中长期径流预报中的应用

本文探索了支持向量机在中长期径流预报中的应用。在支持向量机建模过程中引入了径向基核函数,简化了非线性问题的求解过程,并应用SCE-UA算法辨识支持向量机的参数。在SCE-UA搜索过程中进行了指数变换,以快速准确的找到最优参数。与人工神经网络模型预报结果比较显示,该模型能提高径流中长期预报的精度。     

基于粒子群最小二乘支持向量机的径流预测

为了处理好径流模拟预测中的确定性和随机性影响因素,提出了粒子群算法PSO(Particle Swarm Opti-mization)优化最小二乘支持向量机LS-SVM(Least Square SVM)参数的径流预测模型。PSO算法能够基于群体智能进行随机优化,计算简单易于实现且具有更强的全局优化能力。利用参数优化前后的LS-SVM模型,对新疆伊犁河雅子渡站23 a实测径流进行模拟,并对径流进行预测,结果表明,该模型收敛速度和预测精度令人满意。     

基于混沌小波与支持向量机的径流预测

以淮河流域沙颍河水系沙河和澧河上游的水库为例,建立了月均流量的混沌小波支持向量机组合预报模型,充分利用了混沌分析的相空间重构、小波分析的多分辨率功能以及支持向量机的非线性逼近能力,并采用NSE、PBIAS和RSR对组合预测模型进行了评价。结果表明:混沌小波支持向量机组合预测模型的识别期和验证期模拟精度均较高,均优于混沌支持向量机模型。     

基于最小二乘支持向量机的马营河中长期径流预测研究

采用最小二乘支持向量机的方法,利用李桥水库1977-2004年的径流资料,对其2005-2011年的径流量进行预测。分析结果表明2005-2011年的预测径流量距平百分率在±10%之间,符合预测精度要求。     

相空间重构支持向量机在径流模拟中的应用研究

将相空间重构理论引入月径流模拟中,利用C-C算法进行相空间重构,将一维径流时间序列拓展为多维,基于交叉验证支持向量机(CV-SVM)原理及方法,构建以相空间重构理论与支持向量机相结合的径流时间序列模拟模型,并构建传统BP、双隐层BP及GA-BP径流时间序列模拟模型作为对比模型,以盘龙河龙潭寨月径流时间序列为例进行分析。结果显示:基于相空间重构理论的CV-SVM模拟模型能较好地处理复杂的径流序列,在长达200个月的测试样本模拟中,平均相对误差e MRE、最大相对误差e MaxRE分别为0.571 7%,5.526 7%,决定系数DC和合格率QR分别为0.999 9和100%。表明该模型具有较高的泛化能力和模拟精度,模拟效果明显优于传统BP、双隐层BP模型,甚至优于GA-BP模型;表明研究建立的基于相空间重构理论的CV-SVM模型用于径流模拟是合理可行的,可为径流模拟提供方法和参考。     

基于遗传算法的支持向量机在径流中长期预报中的应用

支持向量机在径流中长期预报的应用中,普遍采用网格搜索法率定其参数,存在耗时较长、参数选取不当而导致预报精度低等问题,针对该问题提出了一种基于遗传算法的支持向量机模型,该模型结合遗传算法收敛速度快的特点对支持向量机参数进行优化选择,实现参数的全局自动化选取。应用乌江流域某电站的径流预报结果显示,相对于基于网格搜索参数寻优的支持向量机模型及神经网络模型,基于遗传算法参数寻优的支持向量机模型预报精度更高,泛化能力更强。更多还原     

基于改进支持向量机回归的日径流预测模型

日径流预测是水资源优化调度的重要组成部分,日径流预测精度的高低直接影响水资源优化配置的程度。针对日径流序列的特性,研究提出一种改进的支持向量机回归模型,并应用于日径流预测。与基本支持向量机和BP神经网络对比分析的实验结果表明,基于改进支持向量机回归预测模型的日径流预测精度明显高于BP网络,尤其是对于变化剧烈的径流序列表现出较基本支持向量机回归模型更优越的预测性能,为日径流预测分析提供了一种可靠、有效的途径和方法。     

支持向量机在水文气象中的应用

根据1951～2004年丹江口水库流域流量资料及国家气候中心的74项大气环流与海温资料等,利用支持向量机并采用遥相关挑选因子与预报对象一一相对应的距平拟合率,建立了丹江口水库流域不同季节的流量预测模型。小样本量交叉验证和实例预报的结果表明:预测模型是具有良好的稳定性,运算速度比传统的预报方法大大加快。     

改进支持向量机模型在城市需水量预测中的应用

以某城市需水量为研究对象,运用改进的支持向量基模型对该地区1991年到2001年的用水量进行模拟计算,并用该市2002年和2003年的用水量进行模型检验,与GM(1.1)模型所得的结果作比较,分析证明了改进的SVR模型方法能取得更好的结果。