自适应粒子群最小二乘支持向量机在铁路货运量预测中的应用

针对铁路货运量与其影响因素间的复杂非线性关系,建立自适应粒子群最小二乘支持向量机(APSO-LSSVM)模型用于铁路货运量预测研究,利用最小二乘支持向量机的优良特性预测铁路货运量,并采用自适应粒子群算法优化选择LSSVM的参数。通过对我国铁路货运量的实例分析检验APSO-LSSVM模型的预测性能。结果表明,APSO-LSSVM模型有效地预测了我国铁路货运量,具有较高的预测精度及较快的收敛速度。     

基于支持向量机的煤灰结渣特性判别

在研究燃煤煤灰成分与其结渣特性之间相关关系的基础上，提出了基于支持向量机算法的煤灰结渣特性判别模型。该模型将煤灰成分作为输入量，煤灰结渣特性作为输出量。并用离子群优化算法对支持向量机参数进行优化。最后用实测数据时模型进行校验，结果表明，尽于支持向量机的煤灰结渣特性判别模型的判别准确率高于采用相同训练集和测试集的其他算法。     

基于支持向量机的上证指数预测研究

基于支持向量机的预测模型对上证指数进行预测,并将其预测结果与BP神经网络的预测结果进行对比,其结果表明,支持向量机的预测模型具有较高的拟合和预测精度并优于BP神经网络模型,且支持向量机预测方法计算速度快,准确率高,具有很好的推广应用价值。     

基于支持向量机的中国猪肉产量预测研究

生猪养殖业作为我国大力扶持的产业,一直以来都占据中国畜牧业的“半壁江山”。尽管如此,我国居民对猪肉的消费量仍大于猪肉产量,为了稳定市场对猪肉的需求,还要依靠一定数量的进口。为了促进我国猪业的发展和更好地满足消费者对猪肉价格的预期,提高猪肉产量是一项重要手段。本文搜集了1990—2019年中国猪肉产量的数据,选择支持向量机模型预测了2020年猪肉产量,分析了猪肉产量变动情况及走势,并对相关影响因素进行系统分析,提出对策与建议,以期为中国猪业相关部门提供参考。     

基于支持向量机在重工业经济领域预测研究

提出了一种基于支持向量机预测重工业经济月度同比增长率的方法。利用2002年以来,我国6年的重工业月度同比增长率数据,建立支持向量机预测模型,并对预测结果和实际值进行了比较分析,表明该方法用于经济预测和经济分析是有效的。     

基于支持向量机的义乌小商品价格指数预测分析

义乌指数作为全球小商品的＂道琼斯指数＂,全面反映了小商品市场的价格走势和景气动态。本文通过对历年义乌指数中的价格指数进行观察,将其与消费者价格指数（CPI）进行对比分析,并运用支持向量机对其进行回归预测研究。实证表明：支持向量机能够在较小误差范围内实现对义乌指数的有效预测。     

采用混合核支持向量机的DOA估计

人工神经网络（ANN）进行建模时通常需要准备大量的数据样本,同时网络结构一般都比较复杂;而采用支持向量机（SVM)进行建模时,不同核函数有不同的效果,各有利弊,且选取SVM模型参数的理论支撑尚不完整。为了解决这些问题,提出了一种基于混合核函数的支持向量机来改善来波到达角（DOA）的估计性能,并结合二进制粒子群算法（PSO）来对混合核函数进行参数寻优。该混合核函数由全局核函数和局部核函数构成,提高了SVM的泛化能力和学习能力。首先通过拟合多项式函数,验证了该混合核SVM的有效性。将该方法用于DOA估计建模,在不同信噪比和快拍数下,通过与径向基函数（RBF）神经网络、基于各单一核函数的SVM和MUSIC算法预测结果对比,混合核SVM均方差有所降低,提高了DOA估计的精度且有更好的稳定性。     

关于粗糙模糊支持向量机的探索

基于粗糙集理论和模糊支持向量机思想,提出了一种新的支持向量机模型--粗糙模糊支持向量机(RFSVM).采用UCI机器学习数据库中的数据,对比实验,RFSVM比传统支持向量机(SVM)和模糊支持向量机(FSVM)都有明显高的测试精度.     

关于粗糙模糊支持向量机的探索

基于粗糙集理论和模糊支持向量机思想,提出了一种新的支持向量机模型-粗糙模糊支持向量机(RFSVM).采用UCI机器学习数据库中的数据,对比实验,RFSVM比传统支持向量机(SVM)和模糊支持向量机(FSVM)都有明显高的测试精度.     

基于数据挖掘的支持向量机库存预测模型研究

针对传统库存预测方法的不足及库存自身特点,引入支持向量机这一数据挖掘的新方法,建立了库存预测模型,把服务水平作为模型的输入特征,实现了库存动态预测。     

基于加权支持向量机的金融时间序列预测

金融时间序列数据的预测是商业领域的热点问题,对金融时间序列进行准确的预测,对金融投资决策与风险管理具有特别重要的意义。针对金融时间序列的特点,对传统支持向量机进行了改进,提出了基于加权支持向量机的金融时间序列预测方法。研究表明,与传统金融时间序列预测方法比较,基于加权支持向量机有效地提高了金融时间序列预测的精度。     

基于相空间重构与支持向量机的电力负荷预测

近年来让人们对电力负荷预测的研究越来越显示出它对电力系统具有非常重要的意义,本文结合了电力负荷的混沌特性,对电力数据进行了相空间重构,提出了基于相空间重构和支持向量机回归的电力负荷预测方法,并结合实际应用取得了很好的效果。     

基于支持向量机的区域物流需求预测研究

基于支持向量机的区域物流需求预测是在追求更高的预测精度下提出的,首先选取非线性回归方法筛选影响区域物流需求的主要因子,然后用支持向量机模型对原始数据进行处理,并通过"影响区域物流需求因素"求解最优化的支持向量机核函数,最后构建影响区域物流需求的影响因子的非线性数据模型。结论表明,支持向量机模型相对多元线性回归、BP神经网络等,提高了区域物流需求的精确度,在之后的区域需求预测中将会有更加广泛的应用。     

基于支持向量机的上市公司财务危机预警实证研究

本文以在上海证券交易所和深圳证券交易所挂牌交易的87家ST上市公司及102家非ST上市公司为样本,采用公开发布的2003年至2006年的上市公司财务报表中的相关数据,运用支持向量机模型进行了实证研究。研究表明,在小样本数据条件下,与其他预警模型相比,支持向量机模型在预测上市公司是否会发生财务危机方面预测精确度远远高于其他方法,具有其他方法所不具有的优越性。     

基于粗支持向量机的区域创新能力评价研究

本文首先分析了国内外区域创新能力研究的现状,在综合现有指标体系的基础上提出了一个包括5个因素层、30个指标层的指标体系,并运用粗支持向量机(RS-SVM)模型对区域创新能力进行评价,试图为区域创新能力评价领域开辟一种新的方法.     

基于加权最小二乘支持向量机的金融时间序列预测

针对股票市场的高噪声,强非线性和不确定性等特点和以往传统的神经网络预测方法存在的不足,对标准最小二乘支持向量机方法优化,运用给各个样本的惩罚系数和误差要求赋予不同权重的加权最小二乘支持向量机方法结合滚动时间窗来学习建模。对上证地产业类指数的建模和预测表明,该算法具有良好的预测精度和抗燥性能,是对股市进行分析和预测的一种可行而有效的方法。     

基于支持向量机的保健品消费者行为研究

近年来,保健品行业和消费者行为均为学术研究的热点。如何利用现有的技术和理论,实现数据仿真、构建行为模型并挖掘潜在消费群体将成为保健品行业的重要发展方向。支持向量机利用核函数,将低维的线性不可分转化为高维的线性可分(李国正,2003),而且决策函数计算的复杂性仅取决于支持向量的数目,所以有效避免了"维数灾难",大大减少了计算量,具有广泛的应用前景。本文基于影响消费者行为的各种重要因素即性别、年龄、收入等,利用SVM模型,在小样本条件下对消费者行为进行分析预测,对保健品企业市场营销策略的制定具有现实的指导意义。     

上市公司财务危机预测的最小二乘支持向量机方法研究

现有上市公司财务危机预测方法常常需要线性假设或正态分布、等协方差假设,模型参数选择原则一般都采用经验风险最小。本文研究了上市公司财务危机的最小二乘支持向量机(LS-SVM)预测方法,此方法基于研究小样本的统计学习理论,它不需要特殊假设作为前提,选用结构风险最小原则确定预测模型参数,不仅使得经验风险最小,也使期望风险最小,从而对未来样本有较好的泛化能力。同时,给出了模型参数的显式计算公式。因此所提预测方法计算简单,速度快,预测精度高。实例计算结果证实了所提方法的可行性、有效性、实用性。     

支持向量机在数据挖掘中的应用研究

支持向量机(Support Vector Machine,SVM)是数据挖掘和机器学习中的一个很有效的工具。结合支持向量机在数据挖掘和机器学习中的应用,介绍了支持向量机的基本原理,发展方向及其研究热点。