支持向量回归中的预测信任度

Support vector machine (SVM)has been widely applied to classification and regression problems, but it suf-fers from some important limitations, one of the most significant being that it makes point predictions rather thangenerating probability output. A notion of predicting credibility is proposed in support vector regression machine based on the problem, which can make predicting value have a definite measure, and then relationship between pre-dicting credibility and noise is discussed. Finally, an example of predicting chaotic time series shows the rationality of the definition.     

基于支持向量回归的唇动参数预测

支持向量机学习方法以结构风险最小化原则取代传统机器学习方法中的经验风险最小化原则，在有限样本的机器学习中显示出优异的性能．将这一新的统计学习方法应用到多媒体交互作用的研究中，用支持向量回归的方法由语音预测唇动参数．通过对语音的线性预测系数进行主分量分析，有效地压缩了声学特征参数的维数．结合交叉校验和最速下降优化方法，选择最佳的支持向量回归学习参数．在汉语0～9的任意数字串上对唇高参数的预测实验结果达到了均方误差0．0096，平均幅度误差7．2％及相关系数0．8的效果．这一结果优于一个文中优化过的人工神经网络所达到的性能，说明这一方法很有潜力．     

基于智能支持向量回归的瓦斯涌出量预测

进行瓦斯涌出量预测是保障安全生产的一个很重要步骤。由于瓦斯涌出量的非线性、不确定性,其预测是很复杂的一个问题。提出一种新的RGASVR智能模型,即基于实值遗传算法参数优选的支持向量回归模型,并且将提出的模型应用于瓦斯涌出量预测。实验结果表明,所提出的模型比BP神经网络、标准支持向量回归有更高的预测精度,具有较强的实用价值。     

基于智能遗传算法与支持向量回归的人口预测

要建立一个有效的支持向量回归(SVR)模型,支持向量回归的3个参数C,!,"必须预先设定。提出一种新型的遗传算法——智能遗传算法(IGA)对支持向量回归进行参数调节,以达到寻找最优参数的目的,然后和支持向量回归结合得到一种新的IGASVR模型,并应用于城市人口预测。最后,将提出的方法与标准SVR模型和BP神经网络模型进行比较,所得结果表明,该模型训练速度快,并且有较高预测精度,是一种有效的人口预测方法。     

基于深度学习的短时交通流预测

针对现有预测方法未能充分揭示交通流内部的本质规律,提出了一种基于深度学习的短时交通流预测方法。该方法结合深度信念网路模型（DBN）与支持向量回归分类器（SVR）作为预测模型,利用差分去除交通流数据的趋势向,用深度信念网络模型进行交通流特征学习,在网络顶层连接支持向量回归模型进行流量预测。实际交通流数据测试结果表明：文中提出的预测模型与传统预测模型相比,具有更高的预测精度,预测性能提高了18.01%,是一种有效的交通流预测方法。     

基于支持向量回归的旅客吞吐量预测研究

在分析现有机场旅客吞吐量预测方法不足的基础上,利用基于结构风险最小化原则的支持向量回归疗法,建立了机场旅客吞吐量预测模型通过实际数据的检验及BP神经网络等方法的预测结果相比较,证明应用支持向量回归方法对机场旅客吞吐量进行预测具备可行性,同时具有较高的预测精度。     

基于模糊近似支持向量回归的股价预测研究

股价预测是投资策略形成和风险管理模型发展的基础.为了降低股价变化趋势中的噪声信息和投资者关于两种股价预测误差的不同偏好对股价预测的影响,提出了基于信噪比的模糊近似支持向量回归(FPSVR)的股价预测模型.首先构建信噪比输入变量,然后引入模糊隶属度和双边权重测量方法对支持向量回归(SVR)模型进行改进,最后借助沪深300...     

基于最小二乘支持向量回归的水质预测

水质系统是一个开放的、复杂的、非线性动力学系统,具有时变复杂性,针对水质预测方法的研究虽然已经取得了一些成果,但也存在预测精度与计算复杂度等难题。为此,本文提出一种基于最小二乘支持向量回归的水质预测算法。支持向量机是机器学习中一种常用的分类模型,通过核函数将非线性数据从低维映射到高维空间,在高维空间实现线性分类和回归,最小二乘支持向量回归（LS-SVR）利用所有的样本参与回归拟合,使得回归的损失函数不再只与小部分支持向量样本有关,而是由所有样本参与学习修正误差,提高预测精度;同时该算法将标准SVR求解问题由不等式的约束条件及凸二次规划问题转化成线性方程组来求解,提高了运算速度,解决了非线性复杂特性的水质预测问题。     

基于支持向量回归机的股票价格预测

研究股票价格预测问题,股票价格变化具有非线性、时变性,传统线性预测模型难以准确刻画股价变化规律,且非线性神经网络存在过拟合、局部最小等缺陷,预测精度比较低。为提高股票价格预测精度,提出一种基于粒子群优化支持向量机的股票价格预测模型。利用粒子群算法良好的寻优能力,对支持向量机参数进行优化,加快支持向量机学习速度,再采用非线性预测能力优异的支持向量机对股票价格进行预测。以南天信息股票价格对模型性能进行仿真,实验结果证明,支持向量机预测模型能全面反映股票价格变化的非线性的时变规律,获得更高预测精度,预测结果对股民实际操作具有较大的指导价值。     

结合粗糙集与支持向量回归进行油藏物性参数预测

为了更准确的预测油藏物性3个重要参数:孔隙度,渗透率、饱和度,提出了结合粗糙集属性约简和支持向量机回归的方法.首先用粗糙集理论对测井数据样本属性进行约简,从而选出决策属性,构成新的样本数据.然后用支持向量回归理论对数据样本进行训练,建立支持向量回归模型,并且对测试样本进行预测.实验结果表明,该方法获得了较好的拟舍结果,并且减少了支持向量机在训练中的计算复杂度,提高了物性参数预测的准确率.执行该方法可为油藏开发提供决策依据.     

基于粗集理论和支持向量机的道路网短时交通流量预测*

为了解决城市交通流量预测问题,研究道路网中多断面同时作用的情况,先将各断面交通流时间序列在相空间中重构,以充分提取交通流中的相关信息,然后应用粗集理论的强定性分析能力对输入信息进行约简,消除了样本中的噪声和冗余。在此基础上,再利用支持向量机对约简信息进行预测。为了获得最优的预测精度,该方法还利用遗传算法对预测进行了优化。实例研究表明,该方法的预测效果令人满意,在交通控制领域具有较大的应用潜力。     

改进遗传算法和支持向量机的特征选择算法

提出了一种基于改进遗传算法的特征选择算法。该算法以支持向量机分类器的识别率作为特征选择的可分性判据,对传统遗传算法的交叉和选择操作进行了改进,实现了指定数目的特征选择。而且算法在特征选择的过程中,还同时优化了支持向量机分类器的两个参数。实验数据的特征选择实验表明,提出的算法仅以损失2.7%识别率的代价,得到的特征维数却是传统遗传算法的1/5,极大地简化了分类器设计的复杂度。     

提升小波支持向量机在交通流量预测中的应用*

采用提升小波方法构造出一种满足双正交的小波函数,并将这种小波函数作为支持向量机的核函数;此外,用线性规划问题来代替二次规划问题及稀疏正则化,本质上确保了解的稀疏性.基于提升小波构造出提升小波支持向量机模型,并将其用于交通流量的预测中.仿真实验表明该模型具有良好的预测能力和泛化能力.     

基于邻域粗糙集与支持向量机的油层识别研究

运用邻域粗糙集理论,对储层含油性的属性进行约简,并将约简后的属性作为支持向量机输入变量,对某油田的3口井油层类别进行实证研究,将结果与人工神经网络方法进行了比较,结果表明该方法是行之有效的方法。具体步骤为：先把邻域粗糙集作为前置系统对属性进行约减,剔除冗余信息,将剩余的属性作为支持向量机的输入变量。而支持向量机作为后置系统,不仅能消除指标之间信息重叠,而且可以降维。它们之间各司其责,相互配合从而得到好的评价结果。     

改进引力搜索最小二乘支持向量机交通流预测

为了提高基于最小二乘支持向量机的交通流预测模型的精度,提出一种新的改进引力搜索算法（TCK-AGSA）对其进行参数寻优。首先,基于Tent映射改进Kbest函数,使算法具有跳出局部最优的机制;然后,引入全局最优引导策略,使粒子加速朝向最优解移动;接着,将进化度因子和聚合度因子引入速度更新权重系数,使算法具有较强的自适应能力。针对12个基准函数的仿真结果表明,TCK-AGSA的性能优于GSA及其改进算法。最后,建立基于TCK-AGSA寻优的最小二乘支持向量机模型,并选取2016年贵州省高速公路真实交通流数据进行预测实验,结果表明该模型具有更好的预测精度、鲁棒性和泛化能力。     

基于遗传算法的回归型支持向量机参数选择法

研究了遗传算法在回归型支持向量机参数选择中的应用：首先,分析了支持向量机的几个参数对其预报能力的影响,发现参数选取不当,会导致支持向量机出现过学习或欠学习现象;在此基础上提出利用遗传算法来解决回归型支持向量机的参数选择问题,模拟实验证明,该方法克服了传统参数选择方法存在的缺点,提高了支持向量机的预报精度。     

双隶属度模糊粗糙支持向量机

针对支持向量机方法处理不确定信息系统时存在的两个问题：一方面支持向量机训练对噪声样本敏感,另一方面支持向量机训练未考虑信息系统的不一致,利用模糊理论与粗糙集方法分别计算得到两种隶属度：模糊隶属度与粗糙隶属度,并将两种隶属度引入到标准支持向量机中得到一个新的支持向量机模型——双隶属度模糊粗糙支持向量机（DM-FRSVM）。分析该模型对于不确定问题的解决思路并进行对比研究,实验结果表明,在对于含有不确定信息的样本集进行分类时,DM-FRSVM表现出更好的推广性能。     

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。     

基于灰色支持向量机的基金波动率预测研究*

鉴于灰色预测方法和支持向量机各自的优点,将灰色预测方法与支持向量机相结合,建立灰色支持向量机模型,并以极差替代收益的标准差度量波动率,运用新模型对深圳基金波动率进行实例分析。通过与v支持向量机的预测结果对比,发现所提出的模型适合于基金波动率的中短期预测。