基于支持向量机模型的北京市能源需求预测研究

北京市能源需求系统具有非线性、历史数据较少而影响因素众多等复杂特征, 而支持向量机模型在解决小样本、非线性及高维模式识别问题方面具有突出优势。为此, 引入支持向量机模型对北京市1978-2010年能源需求进行建模, 并据此对2012-2020年能源需求量进行预测。结果表明:支持向量机模型能有效拟合北京市能源需求系统的复杂变化趋势, 比其他传统方法有更高的预测精度。研究发现, 2012-2020年北京市能源需求量逐年增加, 年均增速2.75%;另外, 北京市能源需求的增速在“十三五”期间会比“十二五”期间略有趋缓。     

基于遗传算法的进化支持向量机研究

支持向量机是最近发展起来的一种新的通用的机器学习方法 ,其理论基础是统计学习理论 ,支持向量机无论在模式识别还是在函数拟合方面均显示了其优越性 ,并越来越受到国内外研究者的广泛关注 .但是 ,对支持向量机的推广预测能力具有很大影响的核函数和参数C一直没有一个很好的确定方法 ,针对这一问题 ,将遗传算法和支持向量机结合 ,提出了一种自动选择支持向量机参数的方法 ,结果表明 ,这种方法是科学有效的 .     

基于小波支持向量机的电力系统短期负荷预测

根据相空间延迟坐标重构理论，基于支持向量机强大的非线性映射能力和小波核函数的局部分析和特征提取能力，提出了一种基于小波支持向量机的电力系统短期负荷预测方法，并利用该方法对嵌入维数与预测性能的关系进行了探讨。仿真结果表明，该预测方法能精确地预测电力负荷，而且在电力负荷序列的最佳嵌入维数未知时也能取得比较好的预测效果，这一结论预示着小波支持向量机是一种预测电力系统短期负荷的有效方法。     

裂缝天线缝制造精度对电性能影响的预测

为了避免传统方法在分析结构因素对电性能影响时需要假设和近似处理的弊端,提出了根据平板裂缝天线生产制造中的数据,使用支持向量回归建立缝制造精度对电性能指标影响的预测方法。给出了一种以最小化支持向量回归的拟合能力和泛化能力为目标函数来选择支持向量回归机参数的方法,以方便该方法的工程应用。案例研究表明,该方法能够较准确地预测缝制造精度对电性能的影响;与传统的BP神经网络和最小二乘法对比,该方法具有更好的泛化能力,可以应用到平板裂缝天线的计算机辅助制造中。     

基于小波分析与支持向量机的人民币汇率预测

利用支持向量机方法对汇率进行预测是金融市场研究领域一个重要的研究课题.结合小波变换与支持向量回归,提出一个三阶段时间序列预测模型.先以离散小波框架将汇率序列分解成不同尺度的多个子序列,揭示蕴含在预测变量内的信息,并对各个子序列进行时间序列分析,再以支持向量回归为工具,以这些子序列为预测变量建构支持向量回归模型,最后将各个序列的预测结果进行重构,得到预测结果.实证结果显示,该模型的预测效果较之BP神经网络与单纯的AR-SVM模型更优,证明基于小波分析与支持向量机相结合的预测模型可以为人民币兑美元汇率提供比较准确的预测.     

福建省物流需求中的货物运输量预测研究

货物运输量是物流需求中的重要内容,其准确预测对物流发展规划具有重要意义.通过选取影响货物运输量的16个指标,基于核主成分分析与加权最小二乘支持向量机的预测方法,实证预测福建省物流需求中的货物运输量.结果表明,基于核主成分分析与加权最小二乘支持向量机的预测方法拟舍及预测(测试)都达到了很高的精度.     

全球中长期粮食供需趋势分析

经济全球化背景下,世界粮食供需的扩张和收缩、国际粮食价格的波动,对于我国通过粮食贸易平衡国内粮食缺口具有重大影响。因此,非常有必要对全球中长期粮食供需趋势做出较为准确的估计。首先分析了粮食需求和粮食收益率的影响因素,发现人均收入、饮食结构、人口增速、粮食价格及生物能源的发展,决定了世界人均粮食需求的走势,而粮食收益率很大程度上受化肥密集度、土地开发程度、机械化程度和灌溉比例的影响。然后采用趋势外推和指数平滑等方法,在预测人均粮食需求和粮食收益率的基础上,基于联合国人口司中等人口增速的假设,预测了2015-2050年全球粮食供给和需求变化趋势。结果表明：未来粮食收益率期望增速降低,种植面积预期保持稳定,小麦和稻米人均需求预期稳定,玉米和大豆人均需求预期迅速上升,全球粮食供需预期基本平衡,但存在结构性失衡,稻米和大豆将出现缺口。     

供应链需求预测的非线性方法研究

文章总结了国内外关于供应链需求预测的研究工作，大致分为线性预测方法和非线性预测方法。非线性预测方法由于可以准确预测实际需求随机波动，已经成为供应链需求预测问题研究的热点。其中以局域法加权一阶预测、最大Lyapunov 指数预测和全域法支持向量机预测最为常用。通过实证比较研究，基于相空间重构理论的支持向量机预测方法可以准确预测实际需求的波动趋势，其预测精度和准确度很高。     

基于SVM的短期交通状态预测识别研究

为智能化的解决交通拥堵这一难题,采用了在智能交通系统领域较热门的短时交通流预测识别技术。短时交通流具有非线性、时变性、不确定性、不稳定性等特点,运用对非线性拟合效果较好的支持向量回归机(support vector regression,SVR)和支持向量分类机(support vector classification,SVC)两者相结合来完成短时交通状态的预测识别,通过对交通流进行预测,以及对预测结果进行分类试验,得到了98.1157%的分类率。仿真结果表明,采用这两种方法相结合的方式可以得到较高的分类效率。     

基于支持向量机的养老保障满意度 非线性模型

目前对养老保障满意度的研究所采用的统计方法,都是基于养老保障满意度与影响因素之间的线性关系,且未对所建模型进行检验及理论预测。由于事物之间关系复杂,变量之间往往呈现非线性关系。采用支持向量机算法结合粒子群优化算法,建立养老保障满意度非线性模型。用于研究的养老保障满意度样本数为8 339份。结果显示,基于支持向量机的分类模型对养老保障满意度预测精度高于76%,预测性能优于二元逻辑回归预测结果。表明养老保障满意度与受教育程度、受教育满意度、家庭经济状况满意度、总体生活满意度、对社会总体评价等5个影响因素之间存在非线性关系。因此,应用支持向量机算法建立养老保障满意度非线性模型是可行的。     

基于多尺度特征和支持向量机的股市趋势预测

应用支持向量机方法对股票市场趋势性变动进行预测是金融市场行为研究领域里一个重要的研究课题。为了提高股市趋势预测的准确率,现有文献中基本将研究重点集中在改善支持向量机参数上,而没有对输入数据的特征进行深入研究。股票市场时序数据是不同时间尺度因素非线性作用的结果,因此具有本质的多尺度特性。据此构建了股票市场多尺度时序特征趋势预测方法,该方法首先基于小波多分辨分析对股市时序数据进行多尺度分解,然后提取了股票市场数据的记忆性和趋势性特征,最后应用支持向量机对股票市场趋势进行预测,预测结果表明该方法提高了股市趋势预测的准确率。     

粮食产量预测的支持向量机模型研究

粮食产量的历史数据有限,是典型的小样本数据,又由于粮食产量受不确定性因素的影响,是一个复杂的非线性系统,以往的粮食产量时间序列预测模型的阶数采用经验方法或线性方法来确定,得到的预测精度不理想。针对这些问题,可将支持向量机引入到时间序列模型定阶的方法中,然后采用留一法交叉验证寻找最优参数,建立一个多输入、单输出的预测模型。通过对中国粮食产量进行仿真实验,并与一次滑动平均、ARIMA、LS_SVM和RBF神经网络的预测模型作比较来验证模型的有效性,结果表明该模型该有较高的预测精度和较强的泛化能力,证明了该模型对近期粮食产量的预测是可靠的。     

项目网络组织协同治理绩效影响因素分析

为了能够更加准确地判断结构损伤位置和程度,本文提出了基于粒子群优化支持向量机（PSO SVM）方法对斜拉桥主梁进行损伤识别的新方法。该方法以最敏感索张力指标作为损伤识别指标,利用粒子群（PSO）算法寻找支持向量机（SVM）最优参数,建立SVM预测模型,以不同位置、不同损伤程度下最敏感索的张力指标作为SVM的训练和测试输入,由SVM的输出确定损伤位置。通过对实验室的模型斜拉桥的主梁损伤进行了仿真验证,结果表明：采用PSO算法很好地解决了采用SVM方法进行损伤识别时的参数选择随机性难题,实现了对SVM模型参数     

支持向量机理论与算法研究综述

统计学习理论(statistical learning theory,SLT)是一种小样本统计理论,着重研究在小样本情况下的统计规律及学习方法性质。支持向量机(support vector machinse,SVM)是一种基于SLT的新型的机器学习方法,由于其出色的学习性能,已经成为当前机器学习界的研究热点。该文系统介绍了支持向量机的理论基础,综述了传统支持向量机的主流训练算法以及一些新型的学习模型和算法,最后指出了支持向量机的研究方向与发展前景。     

优化SVM在锅炉负荷预测中的应用

提出智能优化支持向量机算法来提高模型的预测能力和泛化能力。该算法针对支持向量机噪声敏感问题采用小波方法对数据集去噪;利用核主成分分析方法提取数据特征;采用量子粒子群算法优化支持向量机超参数。将该优化算法应用于锅炉负荷短期预测,实验结果表明,该优化算法预测精度较高,收敛速度较快,泛化性能优于其他预测方法,且工程实现容易。     

基于SVM学习方法的分析

介绍了增量学习算法、序列最小优化算法、加权支持向量机算法等几种应用于大型数据库,在加快训练速度、降低分类错误率等方面有改进的SVM流行算法.在分析各种算法优缺点的基础上,提出了在线性样本训练、超大规模样本下满足KKT条件的算法是SVM算法的发展方向的观点.     

基于支持向量机的中长期电力负荷预测研究与应用

采用一种新的机器学习方法——支持向量机,建立了中长期电力负荷预测模型.阐述了支持向量机的基本内容,对影响电力负荷诸多因素的样本集进行了标准化处理和主因素分析(PCA).采用Libsvm训练了数据集,并与灰色预测GM(1,1)模型、多元线性回归模型、模糊ISODATA聚类模型和BP神经网络进行对比.结果表明,此算法有更高的准确性,可为电力负荷预测提供有效依据.     

采用非线性核支持向量机并基于基因表达数据的基因选择和分类

在基于微阵列的癌症分类中,由于变量(基因表达)较多,而实验条件较少,因此特征选择和分类方法非常重要。对于疾病诊断,分类器的性能直接影响到最终结果的准确性。本文提出一种新的基因选择和分类方法,这种方法使用基于递归特征排除(RFE)的非线性核支持向量机(SVM)。实验表明本文方法比其它线性分类方法具有更好的整体表现,如线性核支持向量机和Fisher线性判别分析方法;同样本文方法也比一些非线性分类方法更好,如采用非线性核的最小二乘支持向量机(LS-SVM)。实验除了使用测试集,还使用留一校验算法(leave-one-out)用于测试分类器的泛化性能。实验采用可通过互联网获得的AML/ALL数据集和遗传性乳腺癌数据集。     

基于磁光图像的飞机铆钉缺陷识别

针对飞机铆钉磁光图像的识别问题,提出了一种基于模糊支持向量机的裂纹有无和裂纹方向自动识别的新方法。该方法首先对铆钉磁光图像进行预处理得到铆钉二值化图像;然后采用阈值法求取铆钉中心;最后将由铆钉中心发出的星形射线矢量作为特征,采用模糊支持向量机方法对铆钉有无裂纹和裂纹方向进行分类。其中,支持向量机的核宽及惩罚常数采用网格法进行选取,并结合模糊隶属度函数解决多类分类问题中存在的错分和拒分现象。实验结果表明,使用训练获得的支持向量机分类器识别裂纹缺陷取得了很好的效果,能够满足自动检测的高实时性要求。     

基于SVM的股票时间序列的预测研究

支持向量机（support vector machine,SVM）是以统计学理论为基础的一种新的模式识别方法,目前已广泛应用于股票价格的预测中。在股市投资问题的研究中,股价作为时间序列数据是复杂的、非线性的,并且极不稳定。文章将支持向量机引入到股价预测的建模中,并对效果进行了分析。