遗传支持向量机在城市节假日电力负荷预测中的应用

支持向量机（support vector machines,SVM）根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷,具有良好的预测效果？但是在基于支持向量机的负荷预测方法中,参数的选择对预测结果具有较大影响,可能导致结果误差较大。本文利用遗传算法对SVM的参数最优值进行自动搜索,改善其预测性能。然后将遗传支持向量机（GA-SVM）应用于广东省某城市的节假日电力负荷预测。结果表明,基于遗传支持向量机的预测效果比相似日法更好。     

大丰港货物吞吐量的时间序列法预测研究

根据大丰港的历史数据,采用时间序列的回归分析方法对大丰港货物吞吐量进行预测研究。在回归分析法中,通过比较,选择指数模型、高次多项式模型以及支持向量机方法分别对大丰港的货物吞吐量进行模拟预测。对指数模型、多项式模型、支持向量机三种方法的预测结果进行比较,并结合大丰港的实际情况,最终选择使用支持向量机法给出大丰港2012—2016年的货物吞吐量预测值。     

基于支持向量机的舰艇部队作战油料消耗量预测研究

为了提高舰艇部队战时油料消耗量预测的准确性,提出了基于支持向量机的预测方法.分析了支持向量机的回归原理及算法,构造了舰艇部队作战油料消耗量预测模型.针对支持向量机中训练参数对预测结果的影响,采用遗传算法对相关参数取值进行优化,以获得预测性能较好的支持向量机模型.以某舰艇部队参加演习的油料消耗量数据作为实验数据,采用构建的支持向量机模型对舰艇部队油料消耗量进行预测,并将其与BP神经网络进行对比分析.实验结果表明,支持向量机比BP神经网络预测精确度更高,误差更小,有效提高了舰艇部队作战油料消耗量预测的准确性和可靠性.     

SVM在企业财务困境分析中的应用

企业财务困境分析对商业银行和各种投资者而言具有重要的意义，本文研究了支持向量机模型的基本原理，并对支持向量机在企业财务困境分析中的应用进行了实证分析，结果表明支持向量机模型与其他模型相比具有较好的效果，值得深入研究。     

橡胶充气芯模混凝土填料工程工期预测研究

根据橡胶充气芯模混凝土填料施工的特点,详细分析了影响其工期的因素,结合支持向量回归机(SVR)和粒子群算法(PSO)的优点,建立基于PSO-SVR的橡胶充气芯模混凝土填料工程工期预测模型。通过对某选煤厂混凝土填料施工的数据进行仿真,结果显示:PSO-SVR模型的预测效果优于基于交叉验证的支持向量回归机(CV-SVR)模型以及基于遗传算法的支持向量回归机(GA-SVR)模型。     

基于PSO-SVR的气膜薄壳钢筋混凝土穹顶储仓的工期预测

为客观、合理地进行气膜薄壳钢筋混凝土穹顶储仓的工期预测,提出了基于PSO-SVR的预测方法。采用粒子群算法(particle swarm optimization,PSO)对支持向量回归机(support vector regression,SVR)的参数进行优化,并运用优化后的支持向量回归机对气膜薄壳钢筋混凝土穹顶储仓的工期进行预测。通过实例验证表明:PSO-SVR模型的预测效果优于遗传算法(GA-SVR)和串联型灰色神经网络(SGNN)。     

论提高装备故障预测准确度的方法途径——先进智能预测算法研究

提高故障预测准确度的方法有很多,研究先进的智能预测算法就是其中的一种。大量的先进预测算法都得到了广泛的应用,如专家系统、神经网络、支持向量机等。每种智能预测算法都有各自的优点和不足,首先介绍了常见的智能预测算法及其应用;然后重点介绍了支持向量机,主要包括其基本原理和主要问题;最后对支持向量机算法的改进方向进行了探讨。支持向量机作为智能预测算法的一种,对于提高故障预测准确度有很好的应用前景。     

SVM分类器在继发性干燥综合征诊断中的应用

本文为解决SLE患者并发继发性干燥综合征不易诊断及确诊主观性较强等问题,提出了一种可供计算机学习的支持向量机智能算法预测诊断模型。首先对材料中141名患者的26种相关诊断指标进行数据预处理,使之成为能够适合支持向量机计算的量化数据;其次运用交叉验证法、网格搜索法、改进的粒子群优化算法分别对支持向量机模型中的惩罚系数C与核参数g进行优化选择,并利用MATLAB软件分别画出以上3种优化方式得出的支持向量机参数模型;最终对比选出对SLE患者并发继发性干燥综合征疾病诊断预测度最高的预测模型。结果表明,基于改进的粒子群算法优化的支持向量机分类模型参数的自优化,对该疾病预测诊断精度最高。     

基于粒子群优化的LS-SVM的福建航空物流需求预测

根据福建省过去十几年航空货物发送量的数据,针对航空物流预测的不确定性,将粒子群优化算法和最小二乘支持向量机相结合,采用粒子群优化最小二乘支持向量机的方法来建立模型。并将优化后的最小二乘支持向量机模型应用于福建省航空物流的需求预测中,而后通过仿真对结果进行验证。     

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。     

基于组合分类器的上市公司信用风险评价

针对传统信用风险评价模型只含有一个分类器的缺陷,本文利用AdaBoost组合分类器来对上市公司信用风险进行评价,并与基于支持向量机和神经网络的分类模型进行了效果比较。实证研究表明,组合分类器克服了单一分类器的诸多缺点,预测准确率高于单一分类器。     

基于组合分类器的上市公司信用风险评价

针对传统信用风险评价模型只含有一个分类器的缺陷,本文利用AdaBoost组合分类器来对上市公司信用风险进行评价,并与基于支持向量机和神经网络的分类模型进行了效果比较。实证研究表明,组合分类器克服了单一分类器的诸多缺点,预测准确率高于单一分类器。     

基于因子分析和支持向量机的粮食产量预测模型——以广东为例

广东省粮食产量连年下降,粮食安全形势非常严峻。为了制定有效的粮食安全对策和设施规划,对粮食产量等主要指标进行准确预测至关重要。在对常用的粮食产量预测方法,如指数滑移、灰色系统等进行研究之后,这些方法的预测结果仍然不够满意。考虑到广东省粮食产量变动的特点,尝试将因子分析和支持向量机相结合,构建了广东省粮食产量的因子分析支持向量机组合预测模型。研究结果表明:相对于其他单一预测模型,该模型具有更高的预测精度和泛化能力。     

基于支持向量机回归算法的航空公司客流量预测研究

在航空公司运营管理过程中,航空客流量预测是其航班计划和机队规划的重要依据。本文介绍了航空客流量预测中常用的几种预测方法,并对他们的特点进行了分析比较;阐述了支持向量机的理论基础和原理,给出了支持向量机的回归模型,并重点探讨了预测模型中核函数的选择方法;在选择适当的参数和核函数的基础上,对航空客流量进行预测,并与BPANN和线性回归算法这两种预测方法进行对比,证明支持向量机回归算法能获得训练最小的相对误差,是相对有效的一种航空客流量预测方法。     

基于支持向量机的公路货运量预测方法研究

首先分析了公路货运量预测的重要性,介绍了国内外丰要预测方法.归纳总结了支持向量机的核心思想和基本原理,利用此较新的理论建立了公路货运量预测模型,给出了构建模型的具体分析步骤.同时探讨了参数的标定和修正过程.利用北京市基础数据,建立北京市公路货运量预测的支持向量机模型,并应用LibSVM软件进行预测,预测结果验证了模型的有效性和可行性,表明方法可以推广并可实际应用.     

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。     

基于支持向量机的公路货运量预测方法研究

首先分析了公路货运量预测的重要性，介绍了国内外主要预测方法。归纳总结了支持向量机的核心思想和基本原理，利用此较新的理论建立了公路货运量预测模型，给出了构建模型的具体分析步骤，同时探讨了参数的标定和修正过程。利用北京市基础数据，建立北京市公路货运量预测的支持向量机模型，并应用LibSVM软件进行预测，预测结果验证了模型的有效性和可行性，表明方法可以推广并可实际应用。     

基于支持向量机财务预警模型的实证研究

本文结合主成分分析法和支持向量机模型,构建了一种新的上市公司财务困境预警模型,并对我国A股上市公司中80家因为“财务状况异常”而被“ST”的公司进行预测,结果表明效果理想。     

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。     

基于最优模糊SVM的财务危机预警研究--来自成渝经济区上市公司的经验证据

以我国成渝经济区上市公司为研究对象,将模糊方法（Fuzzy Approach）引入支持向量机（Support Vector Machine, SVM）,构建了模糊支持向量机（FSVM）模型,并对四种不同核函数下的FSVM进行了性能对比研究,同时,也与传统统计模型和其余人工智能模型进行了性能对比研究。实证结果表明,Gauss径向基核函数下的FSVM模型不仅较线性、多项式和神经元的非线性作用三种核函数下的FSVM模型具有更为优越的预测性能,同时,也显著优于传统统计模型和其余人工智能模型。