基于FIG和GWO-SVM的灌浆功率时序预测

为更好地预测灌浆功率时序,建立基于模糊信息粒化(FIG)和灰狼优化支持向量机(GWO-SVM)的灌浆功率时序预测模型。首先,引入信息粒计算方法,将原始详尽的时间序列数值点分解为一系列信息粒,以减少模型的数据输入总量;其次,基于模糊集理论,采用模糊集算子对每个信息粒进行模糊计算,使得到的模糊信息粒可以合理地表示原始数值点集;最后,以支持向量机作为预测工具,并采用灰狼优化算法进行参数寻优,对产生的模糊信息粒进行快速准确的预测。结合实际工程,应用该预测模型对灌浆功率的波动范围和变化趋势进行预测研究,经过性能评价和对比分析,验证了模型的有效性和优越性。     

信息粒化的SVR组合模型在季度GDP中的应用

针对GDP未来一段时间的变化范围及走势进行预测,提出了信息粒化算法与支持向量回归机算法相结合的时间序列组合预测模型;以1994年第1季度到2013第4季度GDP值模糊粒化处理,对3个模糊参数Low、R、Up,通过交叉实验训练寻找支持向量回归机的最优参数,并进行回归预测,得出GDP在2014年各季度的变化范围与走势,与实际比较相吻合,说明算法具有良好的泛化性,能够作为时序数据的预测模型。     

基于ARIMA与信息粒化SVR组合模型的交通事故时序预测

该文基于自回归滑动平均(ARIMA)模型和支持向量回归机(SVR)模型,构建时间序列组合预测模型,对道路交通事故相关指标进行趋势预测。通过ARIMA预测模型进行线性拟合;基于模糊信息粒化方法,将ARIMA预测模型残差季度变化趋势映射为包含最小值Low、中值R、最大值Up三个参数的模糊信息粒;并以其为输入构建SVR模型,对季度残差变化趋势进行预测;最后根据SVR残差预测值修正ARIMA模型预测值。实证研究结果表明:时间序列组合预测模型精度优于单一ARIMA模型,由模糊信息粒子确定的预测区间较好描述了实证数据的季度变化趋势。     

风力发电机组出力组合区间预测算法

论述风电机组出力的准确预测对含大规模风电场电力系统的经济、安全运行具有重要意义,提出基于模糊信息粒化-最小二乘支持向量机和混沌时间序列的出力组合区间预测方法.首先用最大-最小贴进度的方法建立风速组合区间预测模型,然后在风速区间预测的基础上,通过风速与出力之间的关系-功率曲线,得到风电机组出力在未来时刻的变化区间.对提出的预测模型,使用甘肃酒泉某风电场和美国Wisconsin州Butler ridge风电场的现场实测数据进行测试验证,结果表明通过该预测模型得到的风电机组出力变化区间具有较高的精度和置信水平.     

基于灰狼优化算法的孪生支持向量回归机

为了解决孪生支持向量回归机的参数寻优问题,提出了一种基于灰狼优化算法的孪生支持向量回归机。该算法将均方根误差和平均绝对误差作为灰狼优化算法的适应度函数,借助灰狼优化算法的全局寻优能力,以目标范围内生成狼群的位置代表不同的孪生支持向量回归机参数取值,通过有限次数迭代和灰狼优化算法的位置更新机制得到孪生支持向量回归机的最优参数。实验结果表明,该算法能够找到合适的参数;与现有算法相比,该算法的预测性能更佳,寻优时间显著缩短。     

模糊时序与支持向量机建模相结合的PM2.5质量浓度预测

为解决进行PM2.5质量浓度预测中多因素回归模型的不稳定、神经网络模型的过拟合及局部最小等问题,提出应用支持向量机和模糊粒化时间序列相结合的方法,对PM2.5质量浓度未来变化趋势和范围进行预测.根据PM2.5不同季节的日变化周期模式,确定以24 h为周期的粒化窗宽,利用三角型隶属函数对数据样本进行特征提取作为支持向量机的输入,并在k重交叉验证法下采用网格划分寻找出模型的最佳参数.以2013年3月—2014年2月北京市海淀区万柳监测点四个季节PM2.5的1 h质量浓度监测值为样本数据,应用该方法建立PM2.5质量浓度的时间序列预测模型,并在MATLAB平台下应用LIBSVM工具实现计算过程.结果表明,基于模糊粒化时间序列的预测模型,能较好解决PM2.5机理性建模方式下由于影响因素考虑不全而造成的预测结果不稳定,对模糊粒子拟合效果较好.     

基于最小二乘支持向量机的风速组合预测模型

探讨了基于最小二乘支持向量机的组合预测模型在风速短期预测中的可行性.该模型以BP神经网络、RBF神经网络、粒子群BP神经网络3种预测模型的风速预测值作为组合预测模型的输入,实际风速值为输出,利用最小二乘支持向量机回归算法构造风速间的非线性关系,以实现风速多步预测.将该模型的预测性能与BP神经网络组合预测模型、线性组合预测模型进行比较,通过平均绝对误差、误差平方和、平均相对误差3个指标进行评价.结果表明,最小二乘支持向量机预测模型的平均相对误差低于6%,其他误差指标也明显低于其他预测模型.因此,最小二乘支持向量机组合预测模型预测精度不仅高于任一单项预测模型预测精度,而且高于传统的线性组合预测模型与一般BP神经网络组合预测模型.验证了该模型在风速预测中的可行性.     

基于模糊信息粒化的支持向量机在犯罪时序预测中的应用

犯罪时间序列一般具有随机性和波动性强的特点。传统的时间序列建模方法利用犯罪时序数据之间的相关性建立预测模型;但对细颗粒度下的信息利用不足。相比之下,基于模糊信息粒化的支持向量机能够在对时间序列的细颗粒度数据进行粒化预处理的基础上建立拟合回归模型,实现粗颗粒度下的时序预测。利用基于模糊信息粒化的支持向量机方法对S市的侵财类案件数据进行分析预测,并与ARIMA模型进行了比较。结果表明该方法在预测精度上要显著优于时间序列预测模型。对公安部门的警务指挥与情报研判具有较高的实用性。     

基于模糊信息粒化软测量建模方法研究

提出了一种模糊信息粒化方法和支持向量机相结合的软测量建模方法.利用模糊信息粒化方法对样本数据进行特征提取,降低样本的维数;利用提取的特征作为支持向量机的输入进行建模.用该方法建立柴油凝点的软测量模型,结果表明,该模型具有很好的预测精度和泛化性能,是一种有效的数据建模方法.     

基于改进克隆选择算法的最小二乘支持向量机

针对最小二乘支持向量机的参数选取问题,引入了克隆选择算法,提出了一种基于改进克隆选择算法的最小二乘支持向量机。同时根据最小二乘支持向量机的学习能力和泛化能力,在克隆选择算法的目标函数中加入两者的动态调节机制,这样改进的克隆选择算法在寻优过程中能够准确、快速地搜索到最小二乘支持向量机的最优参数。将本文模型用于乙烯裂解炉裂解深度值的学习和预测,经仿真实验表明：该预测模型的训练速度快,预测精度高。     

基于蚁群优化支持向量机模型的公路客运量预测

针对公路客运量预测难以建立精确预测模型的问题,文章引入基于蚁群优化的支持向量机算法对公路客运量进行预测。由于支持向量机的预测精度很大程度上取决于参数的选取,因此利用蚁群算法来优化其训练参数的选择,以得到优化的支持向量机预测模型,利用其对小样本及非线性数据优越的预测性能进行公路客运量的预测。以北京市的数据作为应用算例,并与BP神经网络及传统SVM的预测结果进行对比分析。实验结果表明,基于蚁群的支持向量机模型的预测精度更高,误差更小,可以更有效地对公路客运量进行预测;也说明利用蚁群算法进行支持向量机参数优选的方法是可行有效的。     

基于机器学习的拉矫延伸率预测模型及数值分析

在冷轧弯曲矫直过程中,针对拉矫机工艺参数设置问题,利用经验公式、有限元仿真建立的延伸率模型预测精度不高.为提高预测精度,基于传统解析模型与机器学习算法进行研究,比较了两种方法预测模型的精度,得到机器学习算法的延伸率预测模型要比数值解析模型的拟合优度高.比较BP神经网络算法和支持向量机(SVM)算法,得到两种机器学习算法的预测模型精度基本一致.为进一步提高预测精度,采用Adam算法对BP神经网络进行优化,采用遗传算法对SVM预测模型的参数进行优化,最终得到最优预测模型的均值绝对百分比误差MAPE以及拟合优度R^○2分别为13.4%和0.953,可以为实际生产提供技术指导.     

基于遗传优化的支持向量机短期风电功率预测研究

风电具有波动性、间歇性、随机性等弊端,故而较为准确的预测风电功率是提高电力系统安全性与经济性的重要手段。利用遗传算法对支持向量机参数寻优,据此建立功率预测模型进行仿真,最后与标准支持向量机的预测结果进行对比,结果表明该预测方法在短期风电功率预测中准确性更高。     

基于粒子群优化的LS-SVM短期风电功率预测研究

风电的波动性、间歇性和随机性导致风电功率预测时间较长、误差较大;为提高预测精度,缩短预测时间,采用粒子群算法(PSO)对最小二乘支持向量机(LS-SVM)算法进行参数寻优,进而建立优化预测模型进行仿真;结果表明:优化的模型比RBF和LS-SVM具有更高的预测精度.     

基于CPSO和SVM的混沌时间序列预测

提出了一种改进的支持向量机（SVM）混沌时间序列预测精度的方法。对于模型参数估计,引入混沌粒子群优化算法（CPSO）实现全局寻优,利用支持向量回归实现非线性系统的建模和预测。对Mackey-Glass混沌时间序列进行了预测实验的结果表明,本文方法能对Mackey-Glass混沌时间序列进行准确预测。     

GA-SVM对上证综指走势的预测研究

将支持向量机和遗传算法结合,建立了一种智能数据挖掘技术(GA-SVM),并用于对上证综指市场走势进行了探索.在这个混合的数据挖掘方法中,GA用于RBF参数的设定以及特征集的选择,从而智能的找到SVM的最佳参数,减少SVM特征值的复杂度,提高了SVM算法速度.SVM用于判断未来股票市场的走势,并与统计模型、时间序列模型方法、神经网络进行了对比.实验证明,GA-SVM优于其他几种方法,这种方法对于股票上涨或下跌的预测研究是有效的.     

基于遗传算法的支持向量机短期风速预测

对风电场风速实现较准确的预测,可以有效减轻并网后风电场对电网的影响。支持向量机模型的预测精度在很大程度上依赖于模型参数的选择,为提高预测模型的泛化能力和预测精度,应用遗传算法选择支持向量机的模型参数,再根据选择的参数对小时风速进行预测。实验结果表明本文方法能够获得较高的风速预测精度。     

基于Adaboost算法结合DEGWO-SVM的财务困境预测

针对支持向量机(SVM)在企业财务困境预测研究中存在参数选择困难、分类准确率低的问题,提出了一种新的Adaboost-DEGWO-SVM组合模型.首先,通过对2017年全部A股上市公司的财务数据进行数据预处理,提取1∶1的困境公司(ST)和正常公司组成建模数据集;然后,利用差分进化算法(DE)改进灰狼优化算法(GWO)来提高其全局搜索能力,以解决灰狼算法易陷入局部最优的问题,从而实现对SVM参数c和γ的寻优;最后,通过Adaboost算法提高了DEGWO-SVM模型的分类能力.实验结果表明,Adaboost-DEGWO-SVM组合预测模型具有明显的困境预测优势,与DEGWO-SVM相比,分类准确率提高了4.34%,Ⅰ类错误和Ⅱ类错误分别降低了0.043 5;与单一SVM相比,分类准确率提高了13.04%,Ⅰ类错误、Ⅱ类错误分别降低了0.130 4、0.130 5,是一种潜在的企业财务困境预测方法.     

基于GWO-CNN-BILSTM的超短期风电预测

在未来高渗透率风电场景下,超短期风电功率预测研究对于实现电力系统优化运行具有重要意义。为此,提出一种基于GWO-CNN-BiLSTM的超短期风电预测方法。首先,搭建基于卷积神经网络(convolutional neural network, CNN)与双向长短期记忆神经网络(bidirectional long short term memory, BiLSTM)的组合模型,然后,为提升风电预测结果的精度,通过灰狼优化算法(grey wolf optimizer, GWO)对组合模型进行优化,使该组合模型参数能实时适应风电历史数据。最后,仿真结果验证了所提出方法的有效性和优越性。