基于EMD的多尺度混合模型及在气象数据中的应用

利用经验模态分解(Empirical Mode Decomposition,EMD)对气象数据进行多尺度分析,探究气象数据的复杂性特征。将EMD和支持向量回归(Support Vector Regression,SVR)相结合建立多尺度混合模型对气温数据进行建模预测,并将建立的模型与现有非平稳数据的建模方法进行比较。实证分析表明,基于EMD的多尺度混合模型在预测结果的均方误差和平均绝对误差方面,比SVR方法提高了0.694和0.237,比ARIMA方法提高了0.439和0.159,因此更适合气象数据的建模与预测。     

高斯过程回归补偿ARIMA的网络流量预测

为提高网络流量时间序列的中期预测精度,提出一种高斯过程回归模型补偿自回归积分滑动平均(ARIMA)模型的网络流量预测模型.首先通过Brock-Dechert-Scheinkman统计量检验方法确定网络流量时间序列包含线性特征与非线性特征;然后利用ARIMA模型对网络流量时间序列进行非平稳建模,得到符合网络流量序列线性变化规律的模型,并通过人工蜂群算法优化的高斯过程回归模型对具有非线性特性的预测误差序列进行建模与预测;最后将ARIMA模型的预测值与高斯过程回归模型的预测误差值进行相加得到最终的网络流量预测值.仿真对比实验结果表明,提出的预测方法具有更高的预测精度和更小的预测误差.     

高速公路短时交通流组合预测研究

为解决单一高速公路短时交通流预测模型预测精度低的问题,提出一种基于门控循环单元神经网络(Gated Recurrent Unit,GRU)和支持向量回归(Support Vector Regression,SVR)的组合预测模型。在对收集到的样本数据进行降噪处理后,分别构建GRU和SVR预测模型并基于最优组合赋权法对二者的预测结果进行赋权以得到最终预测结果。为检验所构建的GRU-SVR预测模型的实践适用性,依托实际高速公路交通流数据进行实例验证,并与单一的GRU、SVR模型预测结果进行对比。结果表明:所构建的预测模型具有较高的预测精度和泛化能力,可为高速公路短时交通流预测提供指导和借鉴。     

一种线性组合电力负荷预测模型(英文)

电力负荷预测对电力系统的有效运行是至关重要的.电力负荷预测领域迫切需要更精确、更稳定的电力负荷预测方法和技术.为进一步提高电力负荷预测精度,利用互补性原理建立了一种线性组合预测策略.该方法由一个基于互补原理的单项模型选择策略,及线性组合模型组成.选定的单项模型包括流行的线性模型,即ARIMA模型,和流行的非线性模型,即支持向量回归(SVR)模型.该线性组合结构可以有效地提取非线性电力负荷数据的特点.澳大利亚电网真实数据的实验运行验证了该模型的有效性.     

小波-ARIMA模型在贵广高铁隧道沉降预测中的应用

针对高铁隧道断面沉降状态的预测问题,提出了一种基于小波分析与自回归移动平均模型(ARIMA)组合的隧道断面沉降预测方法。分别采用ARIMA模型和基于小波分析的ARIMA模型对贵广高铁桂林-恭城路段隧道的沉降数据进行预测实验并对比,结果表明,基于小波分析的ARIMA模型对于高铁隧道断面沉降预测精度提高较大,且稳定性强,可以满足工程需要,是一种有效可行的隧道沉降预测方法。     

基于PCA-FOA-SVR的股票价格预测研究

研究股票价格预测问题,针对影响股票价格因素多存在数据冗余,传统方法无法消除数据冗余,准确稳定预测股价非线性变化.为提高预测精度,在传统的支持向量机回归(Support vector regression,SVR)方法的基础上引入主成分分析(Principal component analysis,PCA)和果蝇算法(Fruit fly optimization algorithm,FOA),提出了一种PCA-FOA-SVR的股票价格预测方法.首先利用PCA对影响股票价格的因素进行分析降维,消除冗余信息,然后用果蝇算法优化SVR的参数,利用优化后的SVR对非线性变化的股票价格建模预测.最后利用PCA-FOA-SVR模型对宁沪高速(600377)股票价格数据进行仿真实验.实验结果表明:与传统的BP和SVR相比,PCA-FOASVR模型在股票价格预测中进一步减小了预测误差,有更高的预测精度,是一种有效可行的股票价格预测方法.     

基于ARIMA LSTM组合模型的楼宇短期负荷预测方法研究

在楼宇短期负荷预测中,针对单一预测模型难以充分学习负荷时间序列中的特性问题,提出了一种基于自回归差分移动平均-长短期记忆神经网络(ARIMA-LSTM)组合模型的楼宇负荷预测方法。首先,根据灰色关联度选取相似日时间序列数据为训练样本;然后,利用ARIMA模型预测负荷,并将原始数据和ARIM A预测数据之间的误差视为非线性分量;最后,通过LSTM神经网络对误差序列进行校正,得到楼宇短期负荷的最终预测值。通过对上海市某楼宇的预测效果分析,并将其与ARIMA模型、LSTM模型和ARIMASVM组合模型进行对比,验证了所提方法能够有效控制预测误差,提高楼宇负荷预测精度。     

基于SVR的城市供水管网余氯预测分析

支持向量机回归(SupportVector Regression SVR)算法是结构风险最小化原理在函数回归方面的应用。根据北方某城市供水管网余氯的人工采样数据,建立了基于SVR的余氯预测模型,并与人工神经网络、多元线性回归方法进行比较分析,结果表明:在有限样本情况下,SVR模型具有良好的泛化推广能力,各监测点模型预测平均相对误差为1.80%~8.73%,并可获得全局最优解,达到了实用要求,较好地解决了以往管网余氯小样本预测时,常常出现拟合精度高、预测效果较差的问题。     

基于ARIMA和CART的负载预测模型

主机资源的负载预测对其运营维护工作具有重要意义.传统负载预测方法通常采用线性时间序列模型拟合负载数据,而负载受复杂的内外部环境影响,线性模型无法很好地表征负载数据规律.为提高模型的精度,提出将负载信息分解为线性部分和非线性部分的思想,并将自回归差分滑动平均(autoregressive integrated moving average,ARIMA)模型和分类回归树(classification and regression tree,CART)模型相结合进行预测.通过加权最小二乘法改进的ARIMA预测线性部分,通过边界判定优化的CART预测非线性部分,并结合两者获得综合预测结果.在真实负载数据集下进行对比实验,结果表明,改进后的算法预测精度相比传统方法提高了15%以上,且对偏远值和不同的时间间隔都均有良好的适应性.     

粗粒度网络流量的灰色模型预测

在实际网络流量上研究了新陈代谢灰色模型(MGM)预测流量. 预测结果表明,灰色模型建模长度远小于流量序列主周期长度时,预测精度较高. 灰色模型预测流量宜采用小量数据建模,此时残差修正对提高预测精度影响很小,预测不需采用残差灰色模型(RGM). 对比了灰色模型与自回归综合滑动平均模型（ARIMA）和Elman神经网络（ENN）模型的预测结果,灰色模型远优于ARIMA,与ENN相当. 灰色模型的优点是能自适应网络流量的变化.     

基于ARIMA与RBF组合模型的短时交通量预测

通过对柳州市某对称交叉路口交通量状况的调查分析,提出一种基于自回归求和滑动平均(ARIMA)与径向基函数神经网络(RBF)非线性组合模型的短时交通量预测模型,利用实测数据对组合模型和单一模型进行仿真实验.实例分析表明:组合模型的预测结果比单一模型更加精确,适合于实时的短时交通量预测.     

基于图像质量分析的PM_(2.5)空气质量预测

为了提高空气污染物PM_(2.5)质量浓度预测的准确性,提出了一种基于图像数据预测PM_(2.5)质量浓度的方法.首先用手机或相机获取图像数据,然后用图像质量分析模型提取与PM_(2.5)质量浓度相关的特征向量作为输入,建立一个基于粒子群优化(particle swarm optimization,PSO)算法的支持向量回归机(support vector regression, SVR)(PSO-SVR)预测模型来估计PM_(2.5)的质量浓度.实验结果表明,与SVR模型和用遗传算法(genetic algorithm, GA)优化的支持向量回归机(GA-SVR)模型相比,PSO-SVR模型在预测准确性和实施效率方面具有更好的预测性能.     

基于光滑支持向量机的机械振动时间序列分析

时间序列分析方法是动态系统建模的重要手段,传统的序列预测方法如统计和神经网络并不适用于复杂的非线性系统,为此引入了一种新的基于支持向量回归(SVR)的时间序列分析方法。为了降低计算的复杂度,采用了光滑化方法对SVR的基本算法进行改进,并应用于汽轮机振动数据序列,尝试建立汽轮机组振动状态模型。仿真结果表明:光滑支持向量回归(SSVR)算法具有良好的预测性能。与传统的时间序列预测方法(如神经网络)相比,SSVR算法具有更高的收敛速度和更好的拟合精度,有效地扩展了SVR的应用范围。     

基于AR IMA与LOESS的安全生产事故时序预测研究

我国每年安全生产事故都造成大量的人员伤亡和经济损失,因此预防和减少安全生产事故的发生非常重要,利用ARIMA模型和LOESS回归模型组合预测能提高安全生产事故次数预测的精准度.首先建立ARIMA预测模型,用训练集中的预测偏差建立LOESS回归模型,综合两者的预测值,得到最终预测结果.采用2007年9月至2016年7月全国安全生产事故次数数据的实验结果表明:综合2种模型得到的组合预测方法的预测结果精度高于单种模型.     

基于PSO-SVR的土压平衡盾构施工进度优化

针对隧道掘进机(TBM)利用率预测研究匮乏的问题,建立数据驱动的利用率预测模型并进一步对施工进度展开优化. 结合新加坡某地铁隧道项目数据,研究地质类型、司机操作与载荷对TBM利用率的影响,提出基于支持向量回归(SVR)的利用率预测方法,并以施工进度最大为目标展开操作参数优化. 利用SVR建立掘进环利用率与地质类型、载荷、操作参数的映射模型;建立以施工进度最大为目标,以地质类型、载荷、操作参数为约束边界的优化方程;利用粒子群优化(PSO)寻找特定地质类型下最优的操作参数. 结果表明：SVR模型在验证集和测试集上的R²分别为0.729和0.625,均优于多元线性回归、决策树、k最近邻、随机森林、AdaBoost和XGBoost模型;PSO能准确地找出最优的操作参数.     

基于DE优化SVR的锂离子电池剩余容量预测

在分析了支持向量机回归算法(SVR)对剩余容量模型非线性回归基础上,针对SVR参数选择难的问题,提出了一种基于微分进化(DE)算法优化SVR的算法。DE具有强劲的全局搜索能力,将其应用到SVR的参数寻优当中去,可以寻找到SVR的最优参数。将该方法应用于锂离子电池剩余容量的预测模型,并将生成的模型和基于粒子群优化(PSO)算法的SVR锂离子电池容量预测模型比较。仿真结果表明,基于DE优化的SVR剩余容量预测的精准度高于PSO优化的SVR剩余容量预测精准度,为锂离子电池容量预测提供了一种新的方法。     

融合BP神经网络与ARIMA的短时交通流预测

为了能在交通管理中提前采取措施规避可能存在的交通拥挤或堵塞,提出了一种高效可靠的短时交通流预测算法.首先采用BP神经网络与自回归求和滑动平均(ARIMA)两种方法分别建立单项预测子模型,再以BP神经网络作为最优非线性组合模型的逼近器,建立组合预测模型,对单项预测子模型的预测值进行融合,由此得到最终的预测结果.通过MATLAB与SPSS平台对实测交通流量数据进行了仿真分析,结果表明,该种组合预测方法是切实可行的.     

基于交叉验证支持向量回归的供热负荷预测

支持向量回归机(Support Vector Regression,SVR)在供热负荷预测中得到了一些研究,然而模型的拟合度和泛化能力依赖于其相关参数的选取,需要足够的先验信息,寻优过程存在难度.针对上述情况,提出采用交叉验证(Cross Validation,CV)的思想对其中的重要参数(惩罚因子C和RBF核函数参数γ)进行网格划分,在训练集中自动寻找最佳参数,从而得到最佳的训练模型,并用该模型对测试集进行回归预测.以某热源数据进行了实验研究,结果表明:该方法能够快速建立预测模型,有效地预测供热负荷,具有较高的拟合度和较强的泛化能力.     

基于集成学习的支持向量回归预测模型

作为统计机器学习中最为流行的算法之一,支持向量回归(SVR)在小样本、非线性、高维数据预测中有着许多优越的性质和实验表现。然而,SVR的复杂度直接由训练样本的尺寸n决定(其时间和空间复杂度分别为O(n2)、O(n3)),为此提出了一种基于集成的SVR预测模型。该模型将训练样本多次随机地分割为代表数据子集和验证数据子集,从而建立多个简化的SVR子模型及其评价,再利用组合法形成最终的集成预测器。最后,江西省某县的天气、日尖峰负荷数据用以检验该模型的适用性。     

基于相关向量机的短期风速预测模型

风速变化频繁,很难建立高精度的风电场短期风速预测模型。基于支持向量回归机(SVR)的风速预测模型虽然应用广泛,但其时间成本限制了应用前景,且模型参数较多,难以进行模型优化。为此,采用相关向量机理论搭建风速预测模型,采用主动相关决策理论减轻了计算量,节约了模型预测的时间成本,同时模型参数较少,更容易实现模型优化。以2组风速数据为例,分别运用相关向量机(RVM)和SVR模型进行预测,算例结果表明:RVM模型短期风速预测结果误差更小,预测时间更短。