基于改进的网格搜索SVR的话务预测模型

话务预测是整个通信保障工作的基础,其预测精度决定了整个规划的合理性和科学性。而节假日话务量,具有历史样本量较小和非线性强的特点,传统的预测方法很难实现精确的预测。支持向量机在解决小样本和非线性问题时表现出许多特有的优势。提出了一种改进的网格搜索法和交叉验证法对支持向量回归机(SVR)参数优化选择,并对节假日忙时话务进行预测,并与BP神经网络、基本的SVR和网格搜索SVR三种预测模型进行比较。而且用免疫算法和粒子群算法优化SVR参数与本文算法作比较来预测普通日子的话务量。实验结果表明,基于改进的网格搜索SVR预测精度高、耗时少、稳定性强,具有很好的实用性和推广性。     

大型呼叫中心话务量预测

为进行呼叫中心的坐席数估计和后续的排班工作,分析了历史话务量数据的特点,总结出影响大型呼叫中心话务量的因素,并用这些影响因素的不同组合来预测话务量,通过结果的对比分析得出相对最优的话务量预测模型.在此模型的基础上分别采用BP神经网络算法和支持向量机算法(LS-SVM)对话务量进行了预测,通过分析和比较结果表明,BP神经网络比支持向量机算法更适合对大型呼叫中心话务量的预测.     

基于改进半监督SVR算法的忙时话务量预测

为了提高运营商节假日忙时话务量的预测精度,通过分析各节假日忙时话务量数据的特点,提出基于改进半监督支持向量机预测算法。该方法采用基于图形拉普拉斯算子的半监督学习算法来变形训练支持向量回归机的核矩阵。针对图形拉普拉斯算子计算量较大的问题,采用Nystrom算法对其进行优化。仿真结果表明,提出的算法有较好的泛化能力和较高的预测精度。     

基于改进PSO优化LSSVM的传感器补偿研究

针对最小二乘支持向量机在对传感器进行补偿时,正则化参数和核函数参数对补偿精度影响较大的问题,提出一种利用改进的粒子群优化算法优化最小二乘支持向量机模型参数的传感器补偿方法。该方法利用改进的粒子群优化算法优化最小二乘支持向量机模型的正则化参数和核函数参数,避免了人工选择参数的盲目性,提高了最小二乘支持向量机模型的预测精度。仿真实验表明,在传感器的补偿时,该方法比最小二乘支持向量机模型的补偿精度更高。     

话务量预测模型的建立与仿真研究

研究话务量预测精度问题,由于话务量受到节假日、周末等影响,记录数据浮动性大,存在周期性和时变性等特点。传统预测方法对工作日和节假日话务量采用同一个模型预测,导致预测结果不稳定,时高时低。为了提高话务量预测精度,针对话务量变化特点,提出一种支持向量机的话务量预测模型。利用话务量数据分正常工作日和周末两大类,再分别用支持向量机建立预测模型,采用模型对相应时间段话务量进行预测。实验结果表明,支持向量机模型提高了话务量预测精度,减少了预测误差,更准确刻画了话务量变化规律,为话务量网络管理提供了一种新的预测工具。     

基于PSO算法的支持向量机核参数选择问题研究

核函数中的参数选择是支持向量机中的一个非常重要的问题,它直接影响到模型的推广能力.本文提出了采用粒子群算法搜索支持向量机最优核参数的方法,并在Checker数据集上进行了实验,实验结果表明,通过这种方法选择出来的核参数能够提高分类正确率以及预测正确率,具有一定的实用性.     

基于差分进化算法的支持向量回归机参数优化

支持向量机是结构风险最小化原理的一种新型学习技术,被广泛应用到很多工业控制领域中,良好的泛化能力和预测精度在很大程度上受到参数选取的影响.传统参数选择方法易陷入局部最优,为提高优化识别参数的精度和效率,提出基于差分进化算法的支持向量回归机参数优化算法.以均方误差最小为优化准则,差分进化算法的全局寻优能力,搜索支持向量回归机的最优参数组合,达到对参数的最优选择.通过Matlab进行仿真实验,结果表明改进的算法不仅加快参数搜索和优化的速度,而且选择的最优参数能大大提高支持向量机预测精度和泛化能力,并具有良好的鲁棒性和较强的全局寻优能力.     

SA-SVR在移动通信话务量预测中的应用

根据移动通信话务量的时间序列,采用基于模拟退火(SA)算法对超参数选择的支持向量回归机(SVR)进行建模预测。比较ARIMA、人工神经网络和SVR 3种模型的预测效果,并对比研究网格法、遗传算法和SA 3种SVR超参数选择方法对预测效果的影响。实验结果表明,SA-SVR预测精度高、耗时少,是一种预测移动通信话务量的有效方法。     

基于粒子群最小二乘支持向量机的水文预测

支持向量机理论为研究中长期水文预测提供了新的方法。针对最小二乘支持向量机模型参数选择费时且效果差这一问题,给出基于粒子群算法的最小二乘支持向量机水文预测模型(PSO-LSSVM)。该模型运用最小二乘支持向量机回归原理建立,参数选取采用具有全局搜索能力的粒子群算法进行寻优。用此模型对南桠河冶勒水电站月径流进行预测,仿真计算结果表明,该算法可提高预测效率与预测精度。     

混沌粒子群算法对支持向量机模型参数的优化

研究支持向量机模型优化问题,支持向量机的参数选择决定了其学习性能和泛化能力,由于在参数的选择范围内可选择的数量很多,在多个参数中进和盲目搜索最优参数是需要极大的时间代价,并且很难得到最优参数.常用的支持向量机优化方法有遗传算法、粒子群算法都存在易陷入局部极值,优化效果较差.为解决支持向量机参数寻优问题,提出一种基于混沌粒子群的支持向量机参数选择方法.将混沌理论引入粒子群优化算法中,从而提高种群的多样性和粒子搜索的遍历性,从而有效地提高了PSO算法的收敛速度和精度,得了优化支持向量机模型.并以信用卡案例数据作为研究对象进行了仿真,实验结果表明,混沌粒子群优化的SVM分类器比传统算法优化的SVM分类器的精度高和更高的效率,应用效果好.     

基于SVR与微分进化策略的话务量预测

采用支持向量回归机(SVR)与微分进化策略相结合的方法,对新疆2个地区的月平均忙时话务量进行预测。由微分进化策略良好的全局搜索性质,以预测平均相对误差为目标函数,对SVR的超参数进行寻优,利用优化后的SVR月平均忙时话务量进行预测。与传统的网格寻优算法和RBF神经网络方法进行比较,结果表明,SVR的泛化能力与微分进化策略的搜索能力相结合,可以得到更好的预测 效果。     

基于改进遗传算法的支持向量机参数优化方法

针对支持向量机算法在回归预测时由于参数选取不当导致过学习或欠学习的情况,提出一种基于改进遗传算法的支持向量机参数优化模型。该模型将遗传算法与支持向量机结合,利用遗传算法进化搜索的原理对支持向量机具有重要意义的惩罚参数、核参数和损失函数同时优化。实验选取3组标准数据集作为测试数据集,并将改进算法同时与遗传算法、网格寻址算法、粒子群算法进行仿真测试结果对比。实验结果表明改进的算法较大地提高了支持向量机算法整体的寻优能力。     

演化蛙跳算法的药物-靶标相互作用预测

为建立一个高效的药物-靶标相互作用（DTI）预测分类模型，针对预测DTI的常用模型传统支持向量机在参数选择中存在的问题，采用演化蛙跳算法（EFLA）优化支持向量机参数。该算法在第一阶段用量子进化算子来实现局部搜索，第二阶段利用自适应特征向量进化算子实现全局搜索。实验结果表明：演化蛙跳算法在进行预测药物-靶标相互作用实验中有较高的准确率。     

基于混沌更新策略的蜂群算法在SVM参数优化中的应用

针对支持向量机的参数寻优缺乏数学理论指导,传统人工蜂群算法易陷入长期停滞的不足,而混沌搜索算法具有很好的随机性和遍历性,提出了基于混沌更新策略人工蜂群支持向量机参数选择模型(IABC-SVM)。该模型利用混沌搜索对侦察蜂搜索方式进行改进,有效提高蜂群算法搜索效率。以UCI标准数据库中的数据进行数值实验,采用ACO-SVM、PSO-SVM、ABC-SVM作为对比模型,实验表明了IABC在SVM参数优化中的可行性和有效性,具有较高的预测准确率和较好的算法稳定性。     

基于遗传算法支持向量机的网络入侵预测

在预测网络安全问题的研究中,针对网络入侵检测优化问题,为了改变传统入侵检测算法存在训练精度高,预测精度相当低的过拟合难题,提出一种基于遗传算法的支持向量机。支持向量机首先利用遗传算法搜索最优的支持向量机参数,然后用得到的最优参数来训练,利用训练得到的最优算法模型对测试集进行建模预测。并利用支持向量机对KDD 1999 CUP数据集进行了仿真。实验结果表明,方法在降低训练时间的同时有着很好的检测率,优于经典的神经网络算法,方法提高了预测效率。     

基于粒子群和支持向量机为青霉素发酵建模

针对支持向量机发酵建模中,选择重要建模参数值的问题,提出利用全局搜索能力较强的粒子群优化算法,优化调整支持向量机建模过程中的重要参数,每一个粒子的位置向量对应一组支持向量机建模的参数。参数不断优化后,得到拟合预测效果较优的模型,预测青霉素发酵过程。仿真结果表明,该方法能使模型的预测效果较好。     

基于聚类和支持向量机的话务量预测模型

针对利用单因素时问序列模型进行话务量预测的不足,建立基于模糊C均值(FCM)聚类和支持向量机(SVM)的多元回归话务量预测模型.模型使用FCM算法对话务量的原始样本集聚类,选择与待预测样本特征最相似的样本子集作为训练集.使用SVM训练样本,通过决策回归函数预测话务量.实际话务量数据验证表明,该方法较周期时间序列和神经网络预测方法具有更高的预测精度和泛化能力.     

粒子群和遗传算法优化支持向量机的破产预测

介绍了一种基于粒子群算法和遗传算法优化支持向量机预测破产的方法。这种方法融合了粒子群算法、遗传算法和支持向量机诸多优点,并行地搜寻支持向量机最优的正则化参数和核参数,由此构建优化的预测模型。采用源自UCI机器学习数据库的破产和非破产混合样本数据集,随机地读入数据和进行数据预处理,运用7重交叉校验方法客观地评价预测结果。仿真结果显示,这种方法能自动有效地构建优化的支持向量机,与其他方法比较,具有更强的推广能力和更快的学习速度,而且具有更好的破产预测准确率。     

微正则退火的双向蚁群优化算法

双向蚁群搜索算法可以提高算法的搜索速度,并可以选择搜索的空间;微正则退火算法具有准确度高、速度快等优点,可以实现全局路径优化搜索.结合两种算法的优点,提出了双向蚁群微正则退火算法,用来求解海量数据网络下的旅行商问题.通过实验表明:双向蚁群微正则退火算法不容易陷入局部最优解,且在寻找全局最优解和运行效率上都比其他算法更有优势.     

基于混沌类电磁算法优化支持向量机的短期负荷预测

短期负荷预测准确性对于电网态势感知和电网策略具有十分重要的意义。提出一种基于混沌类电磁学（CEM）优化支持向量机的短期负荷预测方法,该方法利用聚类思想判断数据质量并进行相关数据预处理工作。建立支持向量机的短期负荷预测模型,针对传统支持向量机参数选择困难问题,引入混沌类电磁学算法优化参数,提高算法收敛效率和寻优能力。仿真结果表明：所提算法较传统支持向量机算法和粒子群-支持向量机算法（PSO-SVM）收敛速度更快,寻优能力更强,适用于短期负荷预测。