基于支持向量回归机的物流需求预测模型研究

通过介绍物流需求和支持向量机的基础理论,利用经济与物流需求之间的关系,提出了基于支持向量回归机的物流需求预测模型,给出了构建模型的具体分析步骤,并通过实例详细阐述了模型的应用过程,预测结果验证了模型的可行性和有效性。     

基于支持向量机的上市公司财务困境预测

文章采用支持向量机（SVM）来处理上市公司财务数据,与传统的方法相比较,有较好的范化能力,避免了传统方法的不足,能较客观的对上市公司财务困境进行预测。事实证明本模型是有效的,能为投资人和债权人的决策提供有力的支持。     

基于支持向量机的城市物流需求预测研究

文章利用支持向量机的非线性能力对历史物流需求量进行学习,获得模型最优参数,对将来物流需求进行预测。文章调研了焦作市历年的城市物流需求数据对模型性能进行测试,测试结果表明,支持向量机针对城市物流需求预测精度较高,为城市物流需求预测提供了有效的方法。     

基于贝叶斯理论的小波变换支持向量机负荷预测模型

用贝叶斯证据框架理论改进小波变换最小二乘支持向量机混合预测法。应用贝叶斯证据框架实现各尺度预测模型的超参数、核参数以及输入变量的自适应选择。该方法在提高预测精度的同时,大大增强了其混合模型的适应性。     

基于非线性支持向量机区域物流量预测

针对现阶段物流系统样本量少的具体状况，从神经网络的非线性预测分析入手，建立物流量预测非线性支持向量机模型并在廊坊市应用，与其它预测方法进行比较，证明采用支持向量机用于区域物流量预测的正确性、可行性并具有较高精度。     

基于支持向量机的现金流时间序列预测分析

准确合理地预测现金流量是决策者面临的重要课题之一。文章通过采用支持向量机进行建模和仿真,利用滑动窗技术,对一汽轿车的现金流量预测进行了实证研究。研究结果表明,支持向量机模型在小样本条件下具有较好的预测效果。模型的拟合和预测效果与滑动窗发送器的尺寸和具体的权重函数选择有关。     

基于支持向量机的柴油机故障诊断

本文研究了基于支持向量机的故障诊断方法。以传感器检测数据为输入,利用v-支持向量分类机进行故障分类识别。通过对柴油机燃油压力波动信息和柴油机振动监测数据的处理分析,结果显示基于支持向量机的故障分类器能够在样本有限的情况下出色的完成多种故障的诊断分类。     

径流长期预报的支持向量机方法

支持向量机是近年来提出的一种新的机器学习算法,在解决小样本、非线性及高维模式识别问题中具有独特的优势。针对径流形成过程的不确定性和复杂性,提出了基于支持向量机分类模型的径流长期预报方法。相关研究表明,该方法是可行的,具有预测精度高和良好的可靠性等优点。     

支持向量机的应用

支持向量机算法是十大经典算法之一,对于数据分类,数据回归方便有着极好的应用.在实际操作中,我们常用它来处理分类问题.但传统的支持向量机存在噪声太多,数据处理太慢和收敛过快的问题,可通过调整参数进行改进.本文将建立一个模型,实现对支持向量机的简单应用.     

径流长期预报的支持向量机方法

支持向量机是近年来提出的一种新的机器学习算法,在解决小样本、非线性及高维模式识别问题中具有独特的优势.针对径流形成过程的不确定性和复杂性,提出了基于支持向量机分类模型的径流长期预报方法.相关研究表明,该方法是可行的,具有预测精度高和良好的可靠性等优点.     

基于粗糙集和支持向量机的商业银行信用风险评估模型

结合粗糙集理论的属性约简和支持向量机(SVM)的分类机理,提出一种数据分类的混合算法;建立了基于此算法的商业银行信用风险评估模型。模型以粗糙集属性约简作为预处理器,删除冗余属性和冲突对象,但不损失有效信息;然后基于SVM进行分类建模和预测。实证表明,创建的模型分类性能良好,降低SVM分类过程的复杂度,一定程度上避免了训练模型的过拟合现象。通过与SVM和神经网络模型的比较,证实该方法用于信用风险评估的有效性。     

基于支持向量机的福建省GDP预测研究

采用1981～2002年的福建省GDP数据作为支持向量机(SVM)的训练目标,以各期前三年的GDP作为输入向量构成训练样本。首先利用格子搜索法获得支持向量机模型中的参数(C,γ,ε)对样本进行训练。然后用训练所得模型对2003、2004、2005三年的福建省GDP进行测试,平均测试精度达98.12%。可以认为支持向量机具有较强的泛化能力,在宏观经济预测中具有较高的精度,从而可用于未来实际GDP的预测。     

支持向量机在装备维修备件需求量预测中的应用

利用支持向量机回归算法建立备件需求模型,对未来备件需求进行了预测,并结合实例将支持向量回归算法与传统的最小二乘拟合方法作比较。结果表明,支持向量回归算法在预测精度上具有明显的优势,该方法能够较好地适应样本数量较少、需求呈非线性特征的备件预测问题。     

基于时间序列的支持向量机在物流预测中的应用

由于物流预测是不确定的、非线性的、动态开放性的复杂大系统，传统方法往往难以准确地描述这种复杂的非线性特征，因而无法准确进行物流预测，本文提出了基于一种基于时间序列的支持向量机(SVM)的物流预测方法。将该方法用于实际物流系统的公路运输量预测中，和真实值比较说明所提出的物流预测方法是可行和有效的。     

基于支持向量机的工程项目投资风险评价研究

提出一种工程项目投资风险评价的新方法—支持向量机评价法,由于支持向量机对样本数量的依赖性弱,通过学习有限的样本而建立的模型仍具有很强的泛化能力,具有比神经网络更好推广性能,因此在项目风险评价方面必然比神经网络具有更大的优势。实例研究也表明支持向量机方法更适合于投资项目风险评价的研究。     

基于最小二乘支持向量机的短期负荷预测

支持向量机是一种基于统计学理论的新颖的机器学习方法,该方法被广泛用于解决分类和回归问题。文章将最小二乘支持向量机（LS—SVM）算法应用于电力系统短期负荷预测中,并将其预测结果和BP神经网络的预测结果进行比较分析。仿真实验表明,该方法在短期负荷预测中具有很好的预测速度和精度。     

基于SVR模型的区域公路货物周转量预测

针对区域货物周转量的特点:时间上的大波动性和区域之间的密切相关性,指出:反映区域货物周转量预测的指标数据存在高度的非线性、耦合性和时变性。通过对区域公路货物周转量历史数据的分析,确定了相关预测变量。在上述基础上,建立了基于SVR的区域公路货运周转量预测模型。由于该模型建立在统计学习理论的基础上,因而具有良好的非线性数据处理能力,并保证了预测模型的泛化性能。以金华市为应用对象,说明了该模型的有效性。     

基于支持向量机的多准则航材ABC分类法

分析了传统的ABC分类法在航材分类中应用的问题,将航材的单价、采购提前期、平均故障间隔时间、年消耗量、重要度等级作为分类准则,运用支持向量机多分类原理对航材进行ABC分类,通过与传统ABC分类的比较,验证了此分类方法的有效性、优越性,提高了航材管理的科学性。