基于支持向量机模型的地铁进站客流量预测

为了更精确地预测短期站点客流量,动态调整城市轨道交通的日常客流方案,采用支持向量机模型对预测地铁客流量。首先,通过对AFC数据分析,利用上周同期进站量、前一天同期进站量、当日前两个时段进站量以及高峰和非高峰时段参数作为模型的输入变量;然后,构造支持向量机预测模型并运用粒子群算法优化模型(PSO-SVM模型),实现地铁站点客流量预测,并进行不同模型预测误差的比较分析;最后,以苏州地铁数据为例,预测汾湖路地铁站的进站客流量。结果表明,优化模型能够有效改善预测误差,预测结果更为准确,证明PSO-SVM方法能有效用于地铁进站客流量的预测研究,为地铁进站客流量预测提供了新的方法。     

基于Stacking模型融合的店铺销量预测

为了实现企业产品销量预估,提高生产供应的准确性与效率,提出了基于Stacking模型的融合算法进行销量预测。算法设计了两层堆叠的模型结构,初级学习器采用随机森林、支持向量回归、差分整合移动平均自回归、轻量级梯度提升机器和门控循环单元5种单模型,将分类与回归树作为次级学习器构成Stacking融合模型,并对数据进行了预测。预测结果显示,使用Stacking模型融合后得到了较好的预测结果,比单模型中效果最好的模型的均方根误差更小,平均绝对误差更小,决定系数值更大,表明Stacking融合模型的预测准确率更高。所设计模型可用于对企业店铺的产品销量进行预测,帮助企业更好地安排生产、营销活动,为减少库存、缩短生产销售周期提供数据支持,对企业生产决策有一定的参考价值。     

奇异谱分析-支持向量回归机耦合模型在月降水量预测中的应用研究

以辽宁省某气象站为研究对象,其月降水量的数据的处理利用奇异谱分析,并以此提取多个子序列,然后针对不同子序列采用支持向量回归机构建耦合预测模型SSA-SVR,对模型输出结果求和即为预测结果;最后采用耦合模型SSA-SVR、小波分析预测模型WA-SVR、支持回归机模型SVR对不同步长的月降雨量进行预测。研究表明:所构建的SSA-SVR耦合模型其预测结果具有较高的精度和准确性,能较好地揭示出研究区域的月降水量变化特征,预测结果与实测值具有保持高度的一致性。     

基于ARIMA-RF组合模型的国内动力煤价格预测

选取秦皇岛港口动力煤价格作为研究对象,搜集10年间煤价数据并分析其影响因素,确定煤炭产量、港口库存、运输成本、火力发电量及社会用电量为主要影响因素;分别建立ARIMA(2,1,2)模型和RF(随机森林)模型并优化,通过加权平均法得到ARIMA和RF模型权重,建立ARIMA-RF组合模型。该模型较深度神经网络模型(DNN)、支持向量回归模型(SVR)、ARIMA模型、RF模型预测的煤价准确度更高,可准确预测动力煤价格走势,为调控能源消费强度、深化能源体制机制改革政策制定提供参考。     

基于数据挖掘算法的变压器热点温度时序预测方法

为了解决油浸式电力变压器热点温度预测方法缺乏对短期热点温度走势的预测,无法满足动态增容决策要求的问题,以SFPSZ-180000/220型变压器为研究对象,首先,研究对比发现变压器的热点温度与负载率相关性最大,在此基础上,建立了基于支持向量回归的局部地区负荷预测模型,为变压器热点温度预测提供数据;其次,提出了基于数据挖掘算法的变压器热点温度时序预测方法,并在此基础上分别建立了支持向量回归、BP神经网络、决策树3种数据挖掘预测模型;最后,对一般输入-输出的建模方法的预测结果与基于时间延迟方法的预测结果,以及不同时间延迟下3种数据挖掘模型的预测结果进行了对比分析。结果表明,有外在输入的支持向量回归预测模型结果比BP神经网络和决策树吻合度更高,并且时间延时更小,预测结果精确度更高。有外在输入的支持向量回归预测模型在很大程度上提高了变压器热点温度预测精度,其预测结果可为变压器的动态增容决策提供有效参考。     

基于支持向量机的石油期货价格预测

建立了基于支持向量机技术的石油期货价格预测方法.该方法使用价格序列一阶差分及其滞后值建模,采用径向基(RBF)核函数和序贯最小优化(SMO)算法,通过综合验证方式确定包括嵌入维数在内的各参数.实证研究表明,支持向量机方法比RBF神经网络和ARIMA模型预测精度更高,具有很好的应用前景.     

城市住宅价格与宏观经济变量的关系分析——基于VAR模型的实证研究

通过分析选取住宅价格指数(HPI)、国内生产总值增长率(GDP)、1-3年期银行贷款利率(IR)作为内生变量,滞后两期的广义货币供应量(M2)作为外生变量,建立了向量自回归模型。并在此基础上,运用协整分析、脉冲响应函数、方差分解和格兰杰因果检验等研究方法对住宅价格指数与宏观经济变量之间的动态相关关系进行了研究。研究结果表明,我国的住宅价格与所选用的宏观经济变量之间存在一定交互响应作用,并就此提出了相关建议。     

基于FCM聚类的石油化工压力管道疲劳寿命预测

由于传统寿命预测方法依赖于失效数据信息，而大多数产品的失效数据非常有限，导致寿命预测准确性差。为此，研究了基于模糊c-均值聚类（fuzzy c-means clustering,FCM）的石油化工压力管道疲劳寿命预测方法，采用小波支持向量回归机建立退化轨迹模型，利用遗传算法优化模型参数；通过压力管道疲劳缺陷扩展计算模型，确定压力管道存在疲劳缺陷区域；使用FCM算法监测数据聚类过程，实现拐点估计与寿命预测。测试结果表明：利用FCM聚类算法监测不同聚类中心拐点的隶属度后，疲劳寿命预测结果与实际结果误差低于1.0 m/s，说明该方法具有较高的寿命预测准确性。     

基于Isomap-MPA-LSSVM软测量模型的PVC聚合过程转化率预测

针对聚氯乙烯（PVC）聚合过程转化率难以实时获取,提出了一种基于Isomap-MPA-LSSVM软测量模型预测氯乙烯单体（VCM）转化率的方法。首先,为消除数据间共线性,采用等度量映射（Isomap）算法对原始数据特征进行提取,得到模型的输入变量。其次,用海洋捕食者算法（MPA）优化最小二乘支持向量机（LSSVM）的参数,并建立模型。最后,进行仿真实验。结果表明,软测量模型相较于MPA-LSSVM与LSSVM模型,预测的平均绝对误差分别降低了43.03%和59.92%,均方根误差分别降低了30.27%和52.24%,显著提升了VCM转化率的预测精度。所提模型能精确预测VCM转化率,对提高PVC的产品质量具有重要参考意义。     

基于机器学习方法的我国天然气进口预测北大核心

在“双碳”政策引导下,大力使用低碳、清洁的天然气资源是我国能源转型的重要举措,我国天然气供应主要依赖进口,准确预测天然气进口趋势对实现“双碳”目标具有重大意义。本文采用曲线投影寻踪动态聚类模型从经济发展、人口、天然气行业和能源消费4个方面确定天然气进口影响因素评价指标体系,分别构建多变量灰色GM(1,N)模型、支持向量机回归(SVR)、卷积神经网络(CNN)3种机器学习模型并对2006~2020年我国天然气进口数据进行拟合,对比拟合精度选取最优模型进行预测,以降低预测风险。研究结果表明:(1)曲线投影寻踪动态聚类模型不受指标数量和样本容量限制,按照影响因素的重要程度进行排序构建了天然气进口预测评价指标体系,剔除人为任意性因素的影响,实现预测指标体系的客观性;(2)CNN模型对天然气进口量的时间序列预测具有较高的预测精度;(3)2021~2026年我国天然气进口量呈上升趋势,增速下降,2026年天然气进口量突破2000亿立方米,预测结果与当前国内外能源政策导向吻合,最后针对预测结果提出相关建议。研究结论科学、可靠,可为我国天然气进口及风险管理提供一定的科学依据。     

基于支持向量机和特征向量提取的人脸识别框架

为了研究支持向量机在人脸识别中的应用,提出了人脸识别框架,该框架首先利用特征向量提取算法对人脸进行特征提取,得到人脸面部纹理特征数据,然后采用支持向量机对提取的数据进行训练,得到人脸模板,并依据人脸模板对人脸进行识别。实验采用ORL人脸数据库作为实验数据,使用LBP算法提取特征向量,使用LIBSVM训练得到人脸模板数据库,当模板人脸数与预测人脸数比值一定时,随着人数增加,其预测的正确率会有所下滑;当人数一定时,人脸模板与预测人脸数值上升,其正确率会有所上升。当选择一个相对合适的模板比例时,正确率将会达到89.29%以上。实验结果表明,提出的框架对于人脸具有良好的识别能力。     

基于小波变换和贝叶斯证据推断框架下的LS—SVM短期风速预测

基于小波的多分辨率分析,针对风速序列拟周期性、非平稳性及非线性等特点,将风速序列按不同频率进行分解,对分解后的原始风速信号分别建立不同的预测模型;各个模型的最佳参数由贝叶斯证据3层推断得出,用以建立基于小波和贝叶斯证据推断框架下的最小二乘支持向量机（LS-SVM）回归短期风速预测模型。应用该模型对东北某风电场的风速进行了提前1h的预测,预测的平均绝对百分比误差为7．63％,提高了预测精度。预测结果表明：基于贝叶斯证据推断框架下的LS—SVM和小波分析相结合的短期风速预测模型是一种有效、可行的风速预测模型,可为风力发电功率的预测提供一定的理论支持。     

民用汽车保有量的灰色预测模型研究

一、灰色数列预测模型建立 灰色预测指以GM(1,1)模型为基础所进行的预测。灰色模型有五种:(1)数列预测;(2)灾变与异常值预测;(3)季节灾变与季节异常值预测;(4)拓扑预测;(5)系统预测。本文对汽车保有量的预测采用灰色数列预测。 本文对传统的GM(1,1)模型的建立过程进行了改造,用线性回归来建立GM(1,1)模型,用显著性检验方法代替关联度和后验着进行精度检验和参数识别。     

三岔河上游流域径流演变特征与趋势预测研究

为满足三岔河流域经济调度运行实践需求,采用最近邻回归(NNBR)和人工神经网络(ANN)算法对流域的径流演变特征与趋势进行多时间尺度预测。预测值与实测数据对比分析表明:采用最近邻回归(NNBR)模型进行径流预测,其预测值的准确性和可靠性较ANN神经网络模型高,与实测数据拟合性更好,更贴近径流实际,可为三岔河流域生态保护和水资源配置及可持续发展提供科学辅助决策数据支撑。     

基于骨干度与网络编码的链路预测模型研究

为了研究网络表示学习在社交网络中链路预测方面的应用,提出了一种基于骨干度与网络编码的链路预测模型(BDLINE)。在网络表示学习算法LINE的基础上融入骨干度算法,通过给一阶相似度和二阶相似度中增添骨干权重,将网络编码到多维向量空间中,调试到最优参数。实验采用2个真实数据的数据集,分别在不同的算法模型上进行多次实验。实验结果表明:在链路预测方面,BDLINE均比其他网络表示学习算法的性能有所提升,AUC评测值更高,预测效果表现得更好。因此,所提出的方法可以方便地提取网络特征信息,更好地处理社交网络在链路预测中的随机性,对社交网络中预测网络节点的关联性和有效性具有一定的参考。     

支持向量机模型在断层破碎带围岩变形预测中的应用

围岩变形预测是隧道安全评价及其指导后期施工的重要依据,为提高变形预测精度,结合工程实践,提出了PSO-SVM-BP预测模型的思路。首先,利用三次样条插值及二次平滑法对变形数据进行预处理,为后期变形预测奠定基础;其次,利用粒子群算法对支持向量机进行参数优化,建立PSO-SVM模型,并对围岩变形进行初步预测;最后,利用BP神经网络进行误差修正,达到综合预测的目的,并利用工程实例进行检验,以验证预测模型的有效性。结果表明:初步预测结果的相对误差均小于5%,而误差修正后的预测精度被提高到0.97%,预测精度较高,验证了预测模型的有效性,可为类似研究提供参考。     

基于最小二乘支持向量机的河段洪水预报研究

我国夏季汛期容易发生洪涝灾害,对区域财产安全与经济发展威胁巨大。基于最小二乘支持向量机洪水预测模型理论,以我国西南地区某流域河段为例,通过采集2016—2019年相关水文数据,建立最小二乘支持向量的区域洪水预报模型,并对区域水位变化作出了准确预测。该模型在河段洪水预测方面具有高精度、科学可靠的优势,在我国西南地区洪水预报工作中具有广泛的应用前景。     

基于SVM数据挖掘的国民经济序列补缺及预测——以青海省国民经济为例

国民经济数据的健全性与实效性具有重要决策价值和统计意义。本文将两种新兴智能数据挖掘技术—支持向量机（SVM）与神经网络应用于国民经济数据补缺及预测领域,在探析原理及性能基础上检验其应用性能。根据青海省2003—2005年各月份国民经济数据构建指标体系和算例,采用两种方法均通过样本集直接训练方式挖掘各系统中蕴含的规律性联系,然后2004年9月份城镇居民人均可支配收入缺失数据进行补缺和对2005年12月份城镇居民人均消费支出、人均可支配收入进行预测。实验操作方便。且SVM补缺及预测结果唯一,精度更优。同时也说明SVM基于结构风险最小化更适合高维小样本集数据回归问题,泛化性能强。     

基于SOA-LSSVM的故障模式识别模型研究

将搜索者优化算法(SOA)应用于最小二乘支持向量机(ISSVM)惩罚因子和核函数参数的选择中,从而改善参数选择的随机性和盲目性,建立基于SOA-LSSVM的故障模式识别模型。应用该模型对变压器油中溶解气体故障模式进行分析,结果表明该算法在参数优选中的有效性,依此而建立SOA-LSSVM故障模式预测模型具有较高的准确率。     

基于SVM预测模型的特高压输电线路工程量影响因素预测分析

本文通过对特高压线路工程特点的分析,梳理出其线路工程的主要影响因素及构成,构建了工程量影响因素预测指标体系,再选取国内已经运行的五条特高压线路工程数据,通过支持向量机(SVM)的预测模型对特高压线路工程量进行预测分析。结果表明,不同类型的特高压输电线路工程量预测结果的精度存在明显差异,但是整体误差水平控制在一定范围之内;从预测精度上看,支持向量机预测模型适用于特高压输电线路工程量预测研究,以期为工程造价的预判、预控提供可靠依据,为实现工程投资成本合理控制提供技术支撑。