呼叫中心分块回归话务量预测

为获得前瞻性话务量数据,解决呼叫中心坐席安排的问题,实现人力资源合理配置,分析历史话务量特性,提出了基于支持向量机和[K]近邻算法的分块回归（SKBR）话务量预测模型。将话务量按日期类型分为工作日话务量、周末话务量以及节假日话务量,采用不同的模型预测相应的话务量。以某省电力呼叫中心话务量为例,在Matlab平台上进行实验。结果证明,相比SVM模型和改进寻参方法的SVM模型,SKBR模型在预测准确性上有所提升。     

基于最大矩阵元法确定聚类数的软测量建模方法

采用模糊C均值聚类算法(FCM)与支持向量机(SVM)相结合的多模型建模方法:较单一支持向量机软测量模型而言,可以有效解决复杂工业对象的强非线性和大工况范围的问题。但是传统的模糊C均值聚类算法必须依赖先验知识预先确定聚类个数。本文通过建立样本间的相似矩阵,利用模糊聚类最大矩阵元法确定FCM最佳聚类个数,再由FCM对训练样本数据进行聚类并用SVM构建组合软测量模型,得到多模型软测量系统。在对双酚A结晶单元工艺分析的基础上,将该方法:应用于结晶单元苯酚含量的软测量建模,仿真结果:证明该建模方法:提高了模型的估计精度,具有更好的可行性和有效性,能够满足工业生产的要求。     

基于FCM的时间序列论域划分方法

随着社会的发展,人们对于数据预测的需求日益增加,模糊时间序列因其能够处理时间序列中含糊不清的数据而备受关注。从提高模型的预测精度角度来看,论域划分作为时间序列数据预测的第一步,作用至关重要。本文提出一种基于FCM的二次论域划分方法。该方法首先根据FCM聚类算法得到的聚类中心对论域进行一次划分,然后根据样本点空间分布的疏密程度不同对论域进行二次细化,实现不等分论域,最后通过对经典样本的预测证明方法的可行性。     

正则化路径上三步式SVM贝叶斯组合

模型组合旨在整合并利用假设空间中多个模型提高学习系统的稳定性和泛化性.针对支持向量机(support vector machine,SVM)模型组合多采用基于样本采样方法构造候选模型集的现状,研究基于正则化路径的SVM模型组合.首先证明SVM模型组合Lh-风险一致性,给出SVM模型组合基于样本的合理性解释.然后提出正则化路径上的三步式SVM贝叶斯组合方法.利用SVM正则化路径分段线性性质构建初始模型集,并应用平均广义近似交叉验证(generalized approximate cross-validation,GACV)模型集修剪策略获得候选模型集.测试或预测阶段,应用最小近邻法确定输入敏感的最终组合模型集,并实现贝叶斯组合预测.与基于样本采样方法不同,三步式SVM贝叶斯组合方法基于正则化路径在整个样本集上构造模型集,训练过程易于实现,计算效率较高.模型集修剪策略可减小模型集规模,提高计算效率和预测性能.实验结果验证了正则化路径上三步式SVM模型组合的有效性.     

EMD-SVM组合模型在带钢张力预测中的应用

根据带钢张力时间序列非平稳、非线性特征,提出一种基于经验模态分解(EMD)和支持向量机(SVM)组合模型的预测方法;首先,应用EMD方法将原始张力序列分解成若干不同频率的平稳分量;其次,根据各分量特征,选用合适的核函数和最佳参数建立不同的SVM回归分析模型,对各分量测试集进行SVM预测;最后将各分量预测序列组合成原始序列的预测值;将EMD-SVM模型用于带钢张力预测,并与ARMA和SVM模型预测结果比较;EMD-SVM模型预测相关度可高达99.93%,而ARMA和SVM模型预测的相关度分别只有88.82%和79.31%,仿真结果表明EMD-SVM模型有较高的预测精度。     

支持向量机补偿的多因素灰色模型话务量预测

为了提高对话务量的预测精度以及建模的速度,针对当前移动通信话务量预测受到多种因素的影响,提出了基于支持向量机残差补偿的多因素灰色话务量预测模型。该模型通过灰色关联分析法确定影响话务量的主因素变量,然后用多变量灰色模型进行预测,再用粒子群优化的最小二乘支持向量机进行残差序列预测,以实现残差补偿。实验结果表明,该预测模型具有所需样本小、预测精度高的优点,为话务量网络管理提供了一种新的预测工具。     

基于SVM的房贷信用评估的应用研究

信贷风险是金融机构风险主要来源.支持向量机(SVM)在解决两类问题上是一种较好的分类方法,其学习模型有较强的稳定性.对SVM在房贷信用评估应用中的问题进行了研究和解决,如核函数选取,参数选取,样本非均衡问题等.实验得出在实际应用中径向基模型较好,采用Grid-search方法调整参数,能达到更好的推广能力和预测结果,用分别惩罚支持向量机能有效解决样本非均衡问题.试验结果也证明了基于SVM的房贷信用评估方法优于原有的打分方法.     

模糊C均值与支持向量机相结合的增强聚类算法

针对传统重复聚类算法精度不高、消耗资源较大的缺点,提出了一种模糊C均值(FCM)与支持向量机(SVM)相结合的增强聚类算法。该算法思路是先将实例数据集利用FCM粗分为C类,然后使用SVM再对每一类进行细化分类,实现中提出了基于完全二叉树的决策级联式SVM模型,以便达到增强聚类的目的。针对使用FCM迭代聚类的过程中有可能会出现新的特征使原有的聚类失去平衡性的问题,提出了使用划分的思想对数据集进行预处理来消除这种不利影响。利用鸢尾属植物真实数据集对相关算法进行实验对比分析,结果表明该算法能够克服精度低的缺点,并节约了系统资源,可以提高聚类的质量。     

一种新的模糊时间序列模型的预测方法

针对目前在模糊时间序列模型中论域划分及数据模糊化方法存在的问题,首先提出了基于模糊聚类算法(FCM)的具有可调参数的模糊时间序列论域的非等分划分方法;然后,在数据模糊化时通过距离客观地定义了模糊集,并利用最小标准误差(RMSE)确定最优的预测结果和聚类数;最后,通过 Alabama 大学注册人数的预测表明了所提出算法的有效性.     

基于代价敏感支持向量机的软件缺陷预测研究

软件缺陷预测是典型的非平衡学习问题。基于CS SVM和聚类算法改进代价敏感支持向量机（SVM）算法,提出了CCS SVM软件缺陷预测模型。在CCS SVM预测模型中,将SVM与类别误分代价结合起来,以非平衡数据评价指标作为目标函数,优化错分代价因子,提升少数类样本的识别率。通过聚类找到每类样本的中心点,根据样本到其中心点的距离定义每个样本的类别置信度,给每个样本分配不同的误分代价系数,并把样本的置信度引入到代价敏感SVM优化问题中,提高算法鲁棒性,提升SVM分类性能。此外,为了提高模型的泛化能力,使用遗传算法优化特征选择和模型参数。通过美国航空航天局NASA MDP数据集实验表明,本文方法的G mean和F measure模型评价值有明显的提升。     

支持向量机应用于大气污染物时间序列预测

阐述了支持向量机应用于大气污染物时间序列预测的具体方法,建立了大气污染物时间序列的支持向量机预测模型.该方法将支持向量杌应用于大气污染物浓度预测:首先通过选择合适的信息量准则来确定模型阶数:而后通过实验的方法选择参数从而形成支持向量机的训练样本集,在此基础上建立了基于支持向量机的时间序列大气污染预测模型.实例表明,无论是在仿真过程还是在预测过程,支持向量机都具有很高的预测精度.因此.采用支持向量机方法对大气污染物时间序列进行预测分析是可行的.     

基于SVM分块回归分析的话务量预测模型

针对话务量的特性,提出了一种基于支持向量机分块回归分析的话务量预测模型,将话务量按日期分为工作日话务量、周末话务量进行建模,采用不同的模型预测相应的话务量。实验结果证明了该模型的有效性,相比传统的ARMA模型获得了更好的预测效果。     

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。     

一种采用CCPSO-SVM的煤与瓦斯突出预测方法

为了有效地对矿井煤与瓦斯突出进行预测,提出了一种基于完全混沌粒子群优化(CCPSO)与支持向量机 (SVM)的矿井煤与瓦斯突出预测方法。该方法将矿井工作面前方煤体瓦斯涌出量动态变化时间序列的多重分维谱 作为特征指标,应用支持向量(SVM)构建预测模型,模型的参数向量由改进的完全混沌粒子群优化算法和测试集样 本集分类错误率最小准则选择和优化。实验结果证明,该方法是有效的,它为煤与瓦斯突出预测提供了一种新途径。     

基于K均值和双支持向量机的P2P流量识别方法

针对目前常用于P2P流量识别的有监督机器学习方法普遍存在时间代价较高的现状,提出采用时间代价为标准支持向量机四分之一的双支持向量机来构建分类器,并采用K均值集成方法快速生成有标签样本集,组合有标签样本集构成双支持向量机的训练样本,最后利用构建好的双支持向量机分类模型进行P2P流量的识别。实验结果表明采用基于K均值集成结合双支持向量机的方法在P2P流量识别的时间代价、准确率和稳定性方面要远优于标准支持向量机。     

A Short-Term Forecasting Algorithm for Network Traffic Based on Chaos Theory and SVM

Recently, the forecasting technologies for network traffic have played a significant role in network management, congestion control and network security. Forecasting algorithms have also been investigated for decades along with the development of Time Series Analysis (TSA). Chaotic Time Series Analysis (CTSA) may be used to model and forecast the time series by Chaos Theory. As one of the prevailing intelligent forecasting algorithms, it is worthwhile to integrate CTSA and Support Vector Machine (SVM). In this paper, after the vulnerabilities of Local Support Vector Machine (LSVM) in forecasting modeling are analyzed, the Dynamic Time Wrapping (DTW) and the “Dynamic K” strategy are introduced, as well as a short-term network traffic forecasting algorithm LSVM-DTW-K based on Chaos Theory and SVM is presented. Finally, two sets of network traffic datasets collected from wired and wireless campus networks, respectively, are studied for our experiments.     

基于微正则算法和支持向量机的话务量预测

根据话务量数据的特征,首次提出了一种基于微正则退火算法和支持向量机的预测模型。支持向量机参数的选择影响其预测的能力,微正则退火算法而是通过在状态空间中随机行走的虚拟妖来实现参数的优化选择。实际的话务量数据验证表明,其搜索成功率远高于模拟退火算法,目标函数值下降更快,能在短时间内搜索到最优解,且预测精度高。     

一种基于SVM的P2P网络流量分类方法

提出一种基于SVM的P2P网络流量分类的方法。这种方法利用网络流量的统计特征和基于统计理论的SVM方法,对不同应用类型的P2P网络流量进行分类研究。主要对文件共享中的BitTorrent,流媒体中的PPLive,网络电话中的Skype,即时通讯中的MSN 4种P2P网络流量进行分类研究。介绍了基于SVM的P2P流量分类的整体框架,描述了流量样本的获取及处理方法,并对分类器的构建及实验结果进行了介绍。实验结果验证了提出方法的有效性,平均分类精确率为92.38%。     

基于遗传算法优化支持向量机的网络流量预测

介绍了支持向量机用于时间序列预测的理论基础和遗传算法优化支持向量机参数的方法,首次把遗传算法优化参数支持向量机应用于两组实际网络流量的预测,并与BP神经网络和RBF神经网络方法进行了比较.结果表明:支持向量机相比较BP神经网络和RBF神经网络对网络流量的预测结果精度更高、性能更好.利用支持向量机预测网络流量是一种可行、有效的方法.     

一种新的基于ARIMA-SVM网络流量预测研究

研究网络流量预测精度问题,网络流量受多种因素的综合影响,其变化具有周期性、非线性和随机性等特点,将ARIMA模型和SVM模型相结合建立一种网络流量预测模型。采用ARIMA预测网络流量周期性和线性变化趋势;然后采用SVM对网络流量非线性和随机性趋势进行拟合;最后将两者结果再次输入SVM进行融合,得到网络流量最终预测结果。采用具体网络流量数据对模型性能进行测试,仿真结果表明,ARIMA-SVM提高了网络流量预测精度,降低了预测误差,能更全面刻画网络流量变化规律。