CN103020434A - 一种基于粒子群优化的最小二乘支持向量机组合预测方法 - Google Patents
一种基于粒子群优化的最小二乘支持向量机组合预测方法 Download PDFInfo
- Publication number
- CN103020434A CN103020434A CN2012105049551A CN201210504955A CN103020434A CN 103020434 A CN103020434 A CN 103020434A CN 2012105049551 A CN2012105049551 A CN 2012105049551A CN 201210504955 A CN201210504955 A CN 201210504955A CN 103020434 A CN103020434 A CN 103020434A
- Authority
- CN
- China
- Prior art keywords
- model
- value
- lssvm
- particle
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Abstract
本发明提出了一种基于粒子群优化的最小二乘支持向量机组合预测方法,根据要预测的数据特征选择合适的单项预测模型,将不同的预测方法进行适当的组合,充分利用各单项预测模型所包含的有用信息,建立最小二乘支持向量机LSSVM回归模型,利用粒子群优化算法PSO优化影响LSSVM回归模型精度的2个核心参数包括核函数参数g以及LSSVM中正则化参数C,得到最佳的LSSVM回归模型;从而达到提高预测精度、降低预测风险的目的,极大提高了算法的收敛速度,更加符合实际工程需要。
Description
技术领域
本发明属于信息处理技术领域,特别是一种基于粒子群优化的最小二乘支持向量机组合预测方法。
背景技术
预测科学随着社会经济的不断向前发展而产生。预测专家通过历史的统计资料和当前掌握的实际信息,运用某些方法、模型和程序,分析研究预测对象和相关因素之间的相互关系,从而深层次地揭示出预测对象的变化规律,并推测出预测对象未来的发展方向以及结果。在此基础上,预测活动属于探索未来的活动,其充分体现了人类对未来世界的探知与掌控。现有的预测模型主要有时间序列预测模型、灰色预测模型、BP神经网络预测模型等,一般来说,采用预测模型不同,预测的结果也不同。
然而,利用单个预测模型进行预测存在一些缺陷,如信息源的不广泛性、对模型设定形式敏感等,这使得单一模型的预测效果往往不能令人满意。有必要考虑对待预测数据进行组合预测。组合预测方法的系统研究始于20世纪60年代末期。此后,组合预测理论与应用成为预测领域的重要且受关注的问题,目前国内外学者提出的各种不同的组合预测方法中,实际应用和理论研究最多的是以某种绝对误差最小作为最优准则来计算组合预测方法的权系数向量。唐小我发表于“电子科技大学学报1992,21(4):448~454”中的“组合预测误差信息矩阵研究”,建立了以误差平方和达到最小的最优组合预测模型,利用组合预测绝对误差信息矩阵的性质判断简单平均方法是非劣性组合预测、优性组合预测的条件;马永开,唐小我,杨桂元发表于“运筹与管理,1997,6(2):1~8”中的“非负权重最优组合预测方法的基本理论研究”,进一步研究了非负约束的误差平方和的最优组合预测模型;陈华友,侯定丕发表于“中国科学技术大学学报,2002,32(2):172~180”的“基于预测有效度的优性组合预测模型的研究”,提出了基于预测有效度的组合预测模型,给出其线性规划的解法,同时研究了基于预测有效度的组合预测模型的性质;王应明发表于“预测,2002,21(2)∶58~62”中 的“基于相关性的组合预测方法研究”,提出了基于相关性指标的最优组合预测模型。上述的组合预测模型大多是以某一种最优化标准来寻找一个固定的权重,由于组合预测的权重应该是随着预测步数而变化的,即应该是变权重。支持向量机(SVM)处理小样本数据具有其他模型无法比拟的优势,且SVM回归方法具有良好的拟合和外推能力。因此,本发明考虑同时采用多种不同的预测模型对预测数据进行预测,然后将各种预测结果进行综合,经过SVM二次预测,得到比单个预测模型更全面的组合预测模型,以提高预测模型的精度和有效性。并且本发明采用的最小二乘支持向量机(LSSVM),将标准支持向量机中的不等式约束改成等式约束,并把经验风险由误差的一范数改为二范数,这样,求解二次优化的问题就转化成了求解一次线性方程组问题,极大提高了算法的收敛速度。
发明内容
本发明针对上述问题,本发明提出了一种基于粒子群优化的最小二乘支持向量机组合预测方法。
为达成上述目的,本发明的技术方案是:
一种基于粒子群优化的最小二乘支持向量机组合预测方法,所述方法包括如下步骤:
步骤A,根据数据特征选择合适的单项模型,步骤为:
步骤A-1,确定训练集和测试集,对于预测数据给定时间序列的实际测试值,将它们分为训练集Tr和测试集Te,yTri和nTr分别代表训练集Tr的实际值和样本量;yTei和nTe分别代表测试集的实际值和样本量;
步骤A-2,数据预处理,采用级差标准化对训练集Tr和测试集Te的实测数据进行标准化处理,标准化后的数值在[0,1]范围内;
步骤A-3,训练集Tr建模,利用训练集Tr中的yTri作为样本完成单一模型建模,得到AR模型、GM(1,1)模型和BP神经网络模型的参数;对于AR模型的阶数,利用AIC准则与FPE准则,不同的模型阶数p,计算出不同的AIC值与FPE值,取平均值,最小值时的p就是适用模型的阶数,相应的模型即为最佳适用模型;并将该AR模型的阶数值作为BP神经网络模型的嵌入维数,BP神经网络模型的隐层神经元数目由经验公式给出∶nH=(nI+nO)1/2+l,其中nH为隐含层神经元 数目,nI为输入层神经元数目,nO为输出层神经元数目,l取值为1到10的整数;
步骤B,通过单项预测方法得到初步预测结论作为最小二乘支持向量机LSSVM组合预测样本,根据支持向量机回归原理,建立LSSVM回归模型;分别对AR模型、GM(1,1)模型和BP神经网络模型输入对应的参数,得到训练集中数据yTri的拟合值形成训练样本,利用得到的训练样本,训练生成LSSVM模型:
其中,高斯径向基核函数K(xi,xj)=exp(-g||xi-xj||2);αi为Lagrange因子,αi∈R;b为常值偏差;
步骤C,利用粒子群优化算法PSO优化影响LSSVM回归模型精度的2个核心参数包括核函数参数g以及LSSVM中正则化参数C,得到最佳的LSSVM回归模型;将g和C分别作为粒子的x轴坐标和y轴坐标,群体规模设为M,最大迭代次数为hmax,C∈[1,10000],g∈[0,1]并按以下步骤:
步骤C-1,初始化粒子群,随机设置粒子的初始位置x和速度v;
步骤C-2,计算每个粒子的适应度值fitness,在每个粒子位置,运用训练样本数据训练得到LSSVM回归模型,并用训练好的模型计算得到测试样本的预测值,并将测试样本的真实值与预测值的平均绝对误差作为粒子的适应度值;
步骤C-3,对所有的i∈{1,2,…,M},
如果fitnessi>gbest,则重新设置gbest的索引号a;
步骤C-4,每一个粒子的位置xi和速度vi分别为:
xi=xi+vi
其中,r1,r2为[0,1]之间的随机数,c1,c2为加速度系数,一般为c1+c2≥4,w为惯性权值;
步骤C-5,检查停止条件,如果达到最大迭代次数hmax则停止迭代;否则,返回步骤C-2;
步骤C-6,根据得到的最优参数g和C,建立LSSVM回归模型;
Es=ETr+ETe。
本发明的有益效果是:本发明一种基于粒子群优化的最小二乘支持向量机组合预测方法,建立LSSVM回归模型,根据要预测的数据特征选择合适的单项预测模型,将不同的预测方法进行适当的组合,充分利用各单项预测模型所包含的有用信息,从而达到提高预测精度、降低预测风险的目的;采用最小二乘支持向量机方法,极大提高了算法的收敛速度,更加符合实际工程需要。
附图说明
图1是PSO_LSSVM组合预测流程图。
图2是BP神经网络模型预测结果。
图3是GM(1,1)模型预测结果。
图4是AR模型预测结果。
图5是PSO_LSSVM组合模型预测结果。
图2到图5中,实线为真实值,虚线为预测值,虚线右侧箭头所指的方向为外推预测值。
具体实施方式
本发明所述一种基于粒子群优化的最小二乘支持向量机组合预测方法,如图1所示实施例。对测试样本与训练样本比例为70%、80%、90%下进行验证,以验证本发明的有效性。分别使用BP神经网络模型、AR模型、GM(1,1)模型得到样本值并计算其样本误差,由表1可以看出:在不同样本比例下采用LSSVM方法建立的组合预测模型的预测结果的误差明显小于BP神经网络、AR模型以及GM(1,1)模型的预测误差,验证了本发明的有效性以及优越性。尤其是在样本比例为90%时,预测效果最好,预测效果图2、图3、图4、图5所示;其中图2、图3、图4为三种单一模型预测得到的结果图,图5为本文基于PSO_LSSVM的组合预测方法得到的结果图;从图中我们都可以很明显的看出基于PSO_LSSVM的组合预测方法得到了更佳的预测效果。
表1各种预测方法对数据的预测误差比较
Claims (1)
1.一种基于粒子群优化的最小二乘支持向量机组合预测方法,其特征在于,所述方法包括如下步骤:
步骤A,根据数据特征选择合适的单项模型,步骤为:
步骤A-1,确定训练集和测试集,对于预测数据给定时间序列的实际测试值,将它们分为训练集Tr和测试集Te,yTri和nTr分别代表训练集Tr的实际值和样本量;yTei和nTe分别代表测试集的实际值和样本量;
步骤A-2,数据预处理,采用级差标准化对训练集Tr和测试集Te的实测数据进行标准化处理,标准化后的数值在[0,1]范围内;
步骤A-3,训练集Tr建模,利用训练集Tr中的yTri作为样本完成单一模型建模,得到AR模型、GM(1,1)模型和BP神经网络模型的参数;对于AR模型的阶数,利用AIC准则与FPE准则,不同的模型阶数p,计算出不同的AIC值与FPE值,取平均值,最小值时的p就是适用模型的阶数,相应的模型即为最佳适用模型;并将该AR模型的阶数值作为BP神经网络模型的嵌入维数,BP神经网络模型的隐层神经元数目由经验公式给出:nH=(nI+nO)1/2+l,其中nH为隐含层神经元数目,nI为输入层神经元数目,nO为输出层神经元数目,l取值为1到10的整数;
步骤B,通过单项预测方法得到初步预测结论作为最小二乘支持向量机LSSVM组合预测样本,根据支持向量机回归原理,建立LSSVM回归模型;分别对AR模型、GM(1,1)模型和BP神经网络模型输入对应的参数,得到训练集中数据yTri的拟合值形成训练样本,利用得到的训练样本,训练生成LSSVM模型:
其中,高斯径向基核函数K(xi,xj)=exp(-g||xi-xj||2);αi为Lagrange因子,αi∈R;b为常值偏差;
步骤C,利用粒子群优化算法PSO优化影响LSSVM回归模型精度的2个核心参数包括核函数参数g以及LSSVM中正则化参数C,得到最佳的LSSVM回归模型;将g和C分别作为粒子的x轴坐标和y轴坐标,群体规模设为M,最大迭代次数为hmax,C∈[1,10000],g∈[0,1]并按以下步骤:
步骤C-1,初始化粒子群,随机设置粒子的初始位置x和速度v;
步骤C-2,计算每个粒子的适应度值fitness,在每个粒子位置,运用训练样本数据训练得到LSSVM回归模型,并用训练好的模型计算得到测试样本的预测值,并将测试样本的真实值与预测值的平均绝对误差作为粒子的适应度值;
步骤C-3,对所有的i∈{1,2,…,M},
如果fitnessi>gbest,则重新设置gbest的索引号a;
步骤C-4,每一个粒子的位置xi和速度vi分别为:
xi=xi+vi
其中,r1,r2为[0,1]之间的随机数,c1,c2为加速度系数,c1+c2≥4,w为惯性权值;
步骤C-5,检查停止条件,如果达到最大迭代次数hmax则停止迭代;否则,返回步骤C-2;
步骤C-6,根据得到的最优参数g和C,建立LSSVM回归模型;
Es=ETr+ETe。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012105049551A CN103020434A (zh) | 2012-11-30 | 2012-11-30 | 一种基于粒子群优化的最小二乘支持向量机组合预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012105049551A CN103020434A (zh) | 2012-11-30 | 2012-11-30 | 一种基于粒子群优化的最小二乘支持向量机组合预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103020434A true CN103020434A (zh) | 2013-04-03 |
Family
ID=47969032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012105049551A Pending CN103020434A (zh) | 2012-11-30 | 2012-11-30 | 一种基于粒子群优化的最小二乘支持向量机组合预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103020434A (zh) |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258244A (zh) * | 2013-04-28 | 2013-08-21 | 西北师范大学 | 基于粒子群优化支持向量机预测哒嗪类hcv ns5b聚合酶抑制剂的抑制浓度的方法 |
CN103278326A (zh) * | 2013-06-14 | 2013-09-04 | 上海电机学院 | 风力发电机组齿轮箱的故障诊断方法 |
CN103595568A (zh) * | 2013-11-17 | 2014-02-19 | 吉林大学 | 一种基于ls-svm的互联网实时信号传输方法 |
CN103984980A (zh) * | 2014-01-28 | 2014-08-13 | 中国农业大学 | 一种温室内温度极值的预测方法 |
CN104361393A (zh) * | 2014-09-06 | 2015-02-18 | 华北电力大学 | 基于粒子群优化算法改进的神经网络模型用于数据预测方法 |
CN104636617A (zh) * | 2015-02-06 | 2015-05-20 | 西安电子科技大学 | 基于多频段双极化后向散射实测数据对地表等效介电常数与粗糙度的反演算法 |
CN104899446A (zh) * | 2015-06-05 | 2015-09-09 | 上海大学 | 基于数据驱动的脉动风速模拟方法 |
CN104978613A (zh) * | 2015-07-28 | 2015-10-14 | 国家电网公司 | 一种考虑组件温度的光伏出力短期预测方法 |
CN105158137A (zh) * | 2015-07-28 | 2015-12-16 | 昆明理工大学 | 一种基于最小二乘支持向量机的水松纸透气度检测方法 |
CN105607575A (zh) * | 2016-01-27 | 2016-05-25 | 电子科技大学 | 基于fa-lssvm的数控机床主轴热漂移建模方法 |
CN106327004A (zh) * | 2016-08-08 | 2017-01-11 | 燕山大学 | 一种基于熟料质量指标的水泥烧成过程优化方法 |
CN106407581A (zh) * | 2016-09-28 | 2017-02-15 | 华中科技大学 | 一种地铁隧道施工诱发地表沉降的智能预测方法 |
CN106446495A (zh) * | 2016-05-12 | 2017-02-22 | 东华大学 | 碳纤维原丝生产过程中牵伸环节性能指标的预测方法 |
CN106482967A (zh) * | 2016-10-09 | 2017-03-08 | 湖南工业大学 | 一种代价敏感支持向量机机车车轮检测系统及方法 |
CN106548188A (zh) * | 2015-09-17 | 2017-03-29 | 宝钢不锈钢有限公司 | 一种基于样本寻优支持向量机的镍价预测方法 |
CN106778846A (zh) * | 2016-12-02 | 2017-05-31 | 华北电力大学 | 一种基于支持向量机的风电场风速预测方法 |
CN106920006A (zh) * | 2017-02-23 | 2017-07-04 | 北京工业大学 | 一种基于isoa‑lssvm的地铁站空调系统能耗预测方法 |
CN107132325A (zh) * | 2017-04-14 | 2017-09-05 | 华南理工大学 | 一种基于粒子群算法和支持向量机的废水厌氧处理系统出水挥发性脂肪酸的软测量方法 |
CN107547457A (zh) * | 2017-09-15 | 2018-01-05 | 重庆大学 | 一种基于改进粒子群优化bp神经网络的盲信道均衡方法 |
CN109034523A (zh) * | 2018-06-11 | 2018-12-18 | 湖南工业大学 | 一种融合最小二乘支持向量机回归与粒子群优化的挥发窑工况操作模式优化方法 |
CN109711051A (zh) * | 2018-12-26 | 2019-05-03 | 中国地质大学(武汉) | 一种考虑滑床岩体结构特征的桩顶位移非线性预测方法 |
CN110308981A (zh) * | 2019-07-11 | 2019-10-08 | 河海大学常州校区 | 一种基于组合预测模型的Swarm集群调度算法 |
CN110390419A (zh) * | 2019-05-20 | 2019-10-29 | 重庆大学 | 基于pso-lssvm模型的高速公路收费站流量预测方法 |
CN110443002A (zh) * | 2019-08-16 | 2019-11-12 | 中国水利水电科学研究院 | 一种高边坡形变预测方法及系统 |
WO2020259543A1 (zh) * | 2019-06-27 | 2020-12-30 | 中南大学 | 一种基于联合优化回声状态网络的热数据预测方法 |
CN112308288A (zh) * | 2020-09-29 | 2021-02-02 | 百维金科(上海)信息科技有限公司 | 一种基于粒子群优化lssvm的违约用户概率预测方法 |
CN113218907A (zh) * | 2021-05-07 | 2021-08-06 | 电子科技大学 | 一种红外无损检测设备状态判别系统及方法 |
CN113487533A (zh) * | 2021-05-19 | 2021-10-08 | 东北大学 | 一种基于机器学习的零件装配质量数字化检测系统及方法 |
CN113705074A (zh) * | 2021-05-25 | 2021-11-26 | 江苏省安全生产科学研究院 | 一种化工事故风险预测方法及装置 |
CN115169243A (zh) * | 2022-07-28 | 2022-10-11 | 中铁三局集团有限公司 | 基于ga-pso-glssvm算法的土岩复合地层深基坑变形时序预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102102626A (zh) * | 2011-01-30 | 2011-06-22 | 华北电力大学 | 风电场短期功率预测方法 |
CN102663513A (zh) * | 2012-03-13 | 2012-09-12 | 华北电力大学 | 利用灰色关联度分析的风电场功率组合预测建模方法 |
-
2012
- 2012-11-30 CN CN2012105049551A patent/CN103020434A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102102626A (zh) * | 2011-01-30 | 2011-06-22 | 华北电力大学 | 风电场短期功率预测方法 |
CN102663513A (zh) * | 2012-03-13 | 2012-09-12 | 华北电力大学 | 利用灰色关联度分析的风电场功率组合预测建模方法 |
Non-Patent Citations (3)
Title |
---|
SHI Y,EBERHART R C: "Particle swarm optimization:developments applications and resources", 《PROCEEDING OF THE IEEE CONGRESS ON EVOLUTIONARY COMPUTATION》, 31 December 2001 (2001-12-31) * |
吴静敏,左洪福: "基于SVM和PSO算法的飞机部件DMC预计方法", 《系统工程与电子技术》, vol. 29, no. 1, 31 January 2007 (2007-01-31) * |
王锟,王洁,刁迎春: "基于LS-SVM组合预测的地空导弹发射车液压系统油液污染度预测", 《传感技术学报》, vol. 25, no. 5, 31 May 2012 (2012-05-31) * |
Cited By (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258244A (zh) * | 2013-04-28 | 2013-08-21 | 西北师范大学 | 基于粒子群优化支持向量机预测哒嗪类hcv ns5b聚合酶抑制剂的抑制浓度的方法 |
CN103278326A (zh) * | 2013-06-14 | 2013-09-04 | 上海电机学院 | 风力发电机组齿轮箱的故障诊断方法 |
CN103595568B (zh) * | 2013-11-17 | 2016-08-17 | 吉林大学 | 一种基于ls-svm的互联网实时信号传输方法 |
CN103595568A (zh) * | 2013-11-17 | 2014-02-19 | 吉林大学 | 一种基于ls-svm的互联网实时信号传输方法 |
CN103984980A (zh) * | 2014-01-28 | 2014-08-13 | 中国农业大学 | 一种温室内温度极值的预测方法 |
CN104361393A (zh) * | 2014-09-06 | 2015-02-18 | 华北电力大学 | 基于粒子群优化算法改进的神经网络模型用于数据预测方法 |
CN104361393B (zh) * | 2014-09-06 | 2018-02-27 | 华北电力大学 | 基于粒子群优化算法改进的神经网络模型用于数据预测方法 |
CN104636617A (zh) * | 2015-02-06 | 2015-05-20 | 西安电子科技大学 | 基于多频段双极化后向散射实测数据对地表等效介电常数与粗糙度的反演算法 |
CN104899446A (zh) * | 2015-06-05 | 2015-09-09 | 上海大学 | 基于数据驱动的脉动风速模拟方法 |
CN105158137A (zh) * | 2015-07-28 | 2015-12-16 | 昆明理工大学 | 一种基于最小二乘支持向量机的水松纸透气度检测方法 |
CN104978613B (zh) * | 2015-07-28 | 2018-09-07 | 国家电网公司 | 一种考虑组件温度的光伏出力短期预测方法 |
CN104978613A (zh) * | 2015-07-28 | 2015-10-14 | 国家电网公司 | 一种考虑组件温度的光伏出力短期预测方法 |
CN106548188A (zh) * | 2015-09-17 | 2017-03-29 | 宝钢不锈钢有限公司 | 一种基于样本寻优支持向量机的镍价预测方法 |
CN105607575A (zh) * | 2016-01-27 | 2016-05-25 | 电子科技大学 | 基于fa-lssvm的数控机床主轴热漂移建模方法 |
CN105607575B (zh) * | 2016-01-27 | 2017-12-26 | 电子科技大学 | 基于fa‑lssvm的数控机床主轴热漂移建模方法 |
CN106446495A (zh) * | 2016-05-12 | 2017-02-22 | 东华大学 | 碳纤维原丝生产过程中牵伸环节性能指标的预测方法 |
CN106446495B (zh) * | 2016-05-12 | 2018-08-21 | 东华大学 | 碳纤维原丝生产过程中牵伸环节性能指标的预测方法 |
CN106327004A (zh) * | 2016-08-08 | 2017-01-11 | 燕山大学 | 一种基于熟料质量指标的水泥烧成过程优化方法 |
CN106407581A (zh) * | 2016-09-28 | 2017-02-15 | 华中科技大学 | 一种地铁隧道施工诱发地表沉降的智能预测方法 |
CN106482967A (zh) * | 2016-10-09 | 2017-03-08 | 湖南工业大学 | 一种代价敏感支持向量机机车车轮检测系统及方法 |
CN106482967B (zh) * | 2016-10-09 | 2019-10-29 | 湖南工业大学 | 一种代价敏感支持向量机机车车轮检测系统及方法 |
CN106778846A (zh) * | 2016-12-02 | 2017-05-31 | 华北电力大学 | 一种基于支持向量机的风电场风速预测方法 |
CN106920006A (zh) * | 2017-02-23 | 2017-07-04 | 北京工业大学 | 一种基于isoa‑lssvm的地铁站空调系统能耗预测方法 |
CN106920006B (zh) * | 2017-02-23 | 2020-07-03 | 北京工业大学 | 一种基于isoa-lssvm的地铁站空调系统能耗预测方法 |
CN107132325A (zh) * | 2017-04-14 | 2017-09-05 | 华南理工大学 | 一种基于粒子群算法和支持向量机的废水厌氧处理系统出水挥发性脂肪酸的软测量方法 |
CN107132325B (zh) * | 2017-04-14 | 2019-07-16 | 华南理工大学 | 一种基于粒子群算法和支持向量机的废水厌氧处理系统出水挥发性脂肪酸的软测量方法 |
CN107547457A (zh) * | 2017-09-15 | 2018-01-05 | 重庆大学 | 一种基于改进粒子群优化bp神经网络的盲信道均衡方法 |
CN109034523B (zh) * | 2018-06-11 | 2022-06-28 | 湖南工业大学 | 一种融合最小二乘支持向量机回归与粒子群优化的挥发窑工况操作模式优化方法 |
CN109034523A (zh) * | 2018-06-11 | 2018-12-18 | 湖南工业大学 | 一种融合最小二乘支持向量机回归与粒子群优化的挥发窑工况操作模式优化方法 |
CN109711051A (zh) * | 2018-12-26 | 2019-05-03 | 中国地质大学(武汉) | 一种考虑滑床岩体结构特征的桩顶位移非线性预测方法 |
CN110390419A (zh) * | 2019-05-20 | 2019-10-29 | 重庆大学 | 基于pso-lssvm模型的高速公路收费站流量预测方法 |
WO2020259543A1 (zh) * | 2019-06-27 | 2020-12-30 | 中南大学 | 一种基于联合优化回声状态网络的热数据预测方法 |
CN110308981A (zh) * | 2019-07-11 | 2019-10-08 | 河海大学常州校区 | 一种基于组合预测模型的Swarm集群调度算法 |
CN110308981B (zh) * | 2019-07-11 | 2023-05-16 | 河海大学常州校区 | 一种基于组合预测模型的Swarm集群调度方法 |
CN110443002A (zh) * | 2019-08-16 | 2019-11-12 | 中国水利水电科学研究院 | 一种高边坡形变预测方法及系统 |
CN112308288A (zh) * | 2020-09-29 | 2021-02-02 | 百维金科(上海)信息科技有限公司 | 一种基于粒子群优化lssvm的违约用户概率预测方法 |
CN113218907A (zh) * | 2021-05-07 | 2021-08-06 | 电子科技大学 | 一种红外无损检测设备状态判别系统及方法 |
CN113487533A (zh) * | 2021-05-19 | 2021-10-08 | 东北大学 | 一种基于机器学习的零件装配质量数字化检测系统及方法 |
CN113487533B (zh) * | 2021-05-19 | 2023-11-14 | 东北大学 | 一种基于机器学习的零件装配质量数字化检测系统及方法 |
CN113705074A (zh) * | 2021-05-25 | 2021-11-26 | 江苏省安全生产科学研究院 | 一种化工事故风险预测方法及装置 |
CN113705074B (zh) * | 2021-05-25 | 2024-03-08 | 江苏省安全生产科学研究院 | 一种化工事故风险预测方法及装置 |
CN115169243A (zh) * | 2022-07-28 | 2022-10-11 | 中铁三局集团有限公司 | 基于ga-pso-glssvm算法的土岩复合地层深基坑变形时序预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103020434A (zh) | 一种基于粒子群优化的最小二乘支持向量机组合预测方法 | |
CN106920006B (zh) | 一种基于isoa-lssvm的地铁站空调系统能耗预测方法 | |
CN106991504B (zh) | 基于分项计量时间序列的建筑能耗预测方法、系统及建筑物 | |
CN102708381B (zh) | 融合最小二乘向量机回归学习思想的改进极限学习机 | |
CN104636985A (zh) | 一种改进bp神经网络的输电线路无线电干扰预测方法 | |
CN106709641A (zh) | 一种基于蒙特卡洛模拟的小干扰概率风险分析与仿真方法 | |
CN105046057B (zh) | 基于Morlet小波核的LSSVM脉动风速预测方法 | |
CN109445906A (zh) | 一种虚拟机需求数量预测方法 | |
CN103530700B (zh) | 城区配电网饱和负荷综合预测方法 | |
CN112163671A (zh) | 一种新能源场景生成方法及系统 | |
CN108446771A (zh) | 一种防止销售预测模型过拟合的方法 | |
CN110570041A (zh) | 一种基于ap聚类的远景年典型日负荷预测方法 | |
CN108122067B (zh) | 一种建筑需求响应动态过程的建模方法和系统 | |
CN112668909B (zh) | 基于遗传算法的水资源优化配置方法及系统 | |
CN102750542A (zh) | 一种插值修匀优化的支持向量回归机风速组合预测方法 | |
Zhang et al. | Comparing the linear and logarithm normalized artificial neural networks in inverse design of aircraft cabin environment | |
Zhu et al. | Prediction of air quality index based on wavelet transform combination model | |
CN113112092A (zh) | 一种短期概率密度负荷预测方法、装置、设备和存储介质 | |
CN103020455B (zh) | 一种同轴电缆护套机优化运行的多目标模型更新方法 | |
Lu-ping et al. | Particle swarm optimization model of distributed network planning | |
CN105069192A (zh) | 一种基于遗传算法求解风机功率曲线参数模型的改进方法 | |
Ren et al. | The research on thermal error modeling and compensation on machine tools | |
CN116227571B (zh) | 模型的训练、动作确定方法、装置、电子设备及存储介质 | |
Dai | Research on Indoor Environment Art Design Model Using Genetic Algorithm | |
CN116345495B (zh) | 基于数据分析和建模的电厂机组调频优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130403 |