基于SVM的瓦斯涌出量非线性组合预测方法

为了提高矿井瓦斯涌出量的预测精度,提出了一种基于支持向量机(SVM)的瓦斯涌出量非线性组合预测方法.该方法应用结构化风险最小化准则且具有在全局意义上逼近任意非线性函数特性的SVM,建立了一个多输入单输出的瓦斯涌出量非线性组合预测模型,通过样本学习和平均绝对百分比误差最小原则确定预测模型的参数,对双曲线回归、指数回归和灰色预测方法得到的3个不同的单项预测数据进行非线性组合作为最终预测结果.结果表明,该方法的平均绝对误差为6.92%,均方根误差为0.93 m3/t,其预测精度明显优于各个单项预测结果,大幅降低了预测风险,为提高瓦斯涌出量预测精度提供了一条新途径.     

隧道围岩变形的组合预测研究

为了提高在隧道的施工过程中对围岩变形预测的精度,以实测典型断面围岩变形为研究对象,探讨了多项式模型、BP神经网络模型和最小二乘支持向量机模型的特点和适用性,其中最小二乘支持向量机是基于SVM演变而来的一种模型,在预测方面有较好的有效性和优越性,用单项预测模型进行预测时可优先考虑该模型.但在实际工程中隧道围岩变形受时间和空间效应影响,仅用一种单项预测模型进行预测时预测风险较大,据此引入组合预测的思想,以权重平均法、误差平方和倒数法、最优变权重组合法确定权重系数建立组合预测模型并进行验证和比较.结果表明:组合预测模型能够降低对较差单项预测模型的敏感度,提高预测的精度和可靠度,构建的最优变权重组合预测模型的预测结果理想,模型稳定好,在实际工程中具有较好的应用价值.     

RBF-NN与RBF-SVM组合的风电功率预测研究

针对单一预测模型无法全面利用历史数据对风电场风电功率预测问题,本文提出了基于径向基神经网络(RBF-NN)与径向基-支持向量机(RBF-SVM)组合的风电场风电功率预测模型,通过固定综合权系数将2个模型融合在一起,同时采用最小二乘法来求取各子模型的权系数,实现2个子模型的优势互补,并对实际某风电场的功率数据进行预测仿真和测试。仿真结果表明,2个模型组合后,平均绝对误差为11.63%,分别比子模型降低0.87%和0.76%,证明所提出的组合预测模型能有效提高预测精度。该研究满足实际的调度预测要求。     

交通流量的预测仿真

从城市交通规划的角度出发,根据交通流的特性,建立了基于广义回归神经网络的交通流预测模型和基于跟驰理论的仿真模型,并将此模型应用于天津市外环线的某路口,预测了该路口未来某高峰时刻的交通流量,模拟仿真了其交通运行特性,为今后该路口的交通规划和管理提供了直观、科学的数据.     

军用无人机研制费用的支持向量机预测

应用支持向量机建立了军用无人机研制费用预测模型,并采用该模型对某型军用无人机研制费用进行了预测。实例表明,与常规预测方法的结果相比,在少样本的情况下,建立预测模型具有更高的预测精度。     

基于DE-BP和DE-SVM的风电功率预测研究

为提高风电功率预测精度,提出基于差分进化算法优化BP神经网络和支持向量机的组合预测方法,以进行风机发电功率预测.选取风速和风向角作为风机的影响因素.使用内蒙古某风电场实际数据对预测模型进行仿真,最终结果表明:组合预测方法比单一的BP神经网络或者支持向量机预测模型的准确性和有效性更高.     

基于支持向量机的不等时距灰色组合预测模型

建立了一种基于支持向量机的不等时距灰色组合预测模型.利用各种不等时距灰色模型的预测结果作为支持向量机的输入,实测值作为支持向量机的输出,并采用LS-SVM回归算法和高斯核函数对支持向量机进行训练,利用训练好的支持向量机即可进行组合预测.该模型兼具灰色模型所需原始数据少、建模简单、运算方便的优势和最小二乘支持向量机具有泛化能力强、非线性拟合性好、小样本等特性,弥补了单一不等时距预测模型的不足,避免了神经网络组合预测易于陷入局部最优的弱点.模型结构简单、实用,仿真结果验证了其有效性.     

最优组合预测模型在成都私家车数量预测中的应用

建立一个以预测误差平方和达到最小为准则的正权重组合预测模型.以成都私家车数量预测为例,分别采用灰色预测模型、指数模型、一次函数模型、二次函数模型、三次函数模型做单项预测.通过组合预测,得到更高精度的预测结果.以最优组合预测模型预测成都市在2009年的私家车数量,并与实际值进行比较,对比分析计算误差.同时也运用组合预测法对2010年成都私家车数量进行了预测.     

基于灰色关联分析和支持向量回归机组合模型的 我国畜产品消费量预测

我国是畜产品生产消费的大国。随着畜产品种类的日益丰富, 畜产品消费结构也悄然变化, 为了避免市场 供需失衡, 研究预测我国畜产品消费量对引导制定较为合理的生产计划有着十分重要的意义。基于此, 构建了基于 灰色关联分析和支持向量回归机的畜产品消费量组合预测模型。灰色关联分析为组合预测提供了选取单项预测模 型的依据, 确保了参与组合预测的单项预测模型的质量, 支持向量回归机以其良好的学习泛化能力用于组合预测中, 可以对复杂环境下的事物做出较为准确的预测。在上述理论与方法研究的基础上, 将基于灰色关联分析和支持向 量回归机的组合预测模型综合应用于我国猪肉消费量的预测实践中, 通过实验结果比较分析, 验证了研究成果的 有效性。     

蚁群算法分配权重的燃气日负荷组合预测模型

为适应城镇燃气日负荷随机性和多变性的特点,克服特定时刻单一负荷预测模型存在实际应用局限性的问题,将5种评价准则用于组合预测前剔除冗余模型,提出了一种建立变全重组合预测模型的方法,通过蚁群算法确定分配权重的组合预测模型,使得在一个时段上的燃气日负荷预测精度好于各单一模型.首先对包含诸多随机和模糊等不确定因素的城镇燃气日负荷时变系统和各预测模型特点进行分析;然后确定岭回归分析(Ridge)、差分自回归积分滑动平均模型(ARIMA)、支持向量机回归(SVR)、极端梯度提升树(XGB)共4类单项日负荷预测模型,结合城镇燃气日负荷和模型的特点,分别给出每个模型各项参数的设置和模型的输入向量;用平均相对误差、均方根误差、灰色关联度、相关系数、Theil不等系数为评价准则计算出的综合评价指标剔除冗余模型,最后建立了蚁群算法权重分配的组合预测模型.预测实例表明,蚁群算法分配权重的燃气日负荷组合预测模型长期的综合预测效果要优于任意单项模型,相比于单一模型而言,组合预测模型的稳定性和容错率更高,具备较强的泛化能力.