基于优化支持向量机的隧道涌水量预测

为实现隧道涌水量的高精度预测,该文以支持向量机为基础,通过核函数筛选和粒子群算法优化,构建了隧道涌水量的PSO-SVM预测模型。实例研究表明:支持向量机的核函数和惩罚因子对其预测精度具有较大影响,且Sigmoid型核函数的预测效果相对略优,粒子群算法也能很好的优化惩罚因子,进而达到提高预测精度的目的;同时,PSO-SVM模型预测结果的相对误差均小于2%,具有较高的预测精度,进而验证了该模型在隧道涌水量预测中的适用性,为隧道涌水量预测提供了一种新的思路,值得深入研究。     

����PSO-SVM�ľ�����з�ʽԤ��ģ�ͪ�

居民出行方式选择是一个较为复杂的非线性问题,受到的影响因素众多。提出采用支持向量机方法构建了居民出行方式选择模型,并以交叉验证意义下的分类准确率作为适应度函数,利用粒子群算法对支持向量机参数优化选择,避免参数设定的随机性,减少参数选择的工作量.通过实证研究表明,利用粒子群算法优化支持向量机的参数是可行的,支持向量机方法相对于BP神经网络,对居民出行方式预测有更高的精度.预测精度比BP神经网络提高了将近5个百分点,建模样本和测试样本的分类精度分别达到86.20%和82.31%.所构建的模型可用于居民出行方式预测,这对城市交通规划,出行需求预测具有现实指导意义.     

基于灰色自适应粒子群LSSVM的铁路货运量预测

为了提高铁路货运量的预测精度及建模速度,将灰色预测模型(GM(1,1))、最小二乘支持向量机(LSSVM)和自适应粒子群优化(APSO)算法相融合,建立了灰色自适应粒子群最小二乘支持向量机(GM-APSO-LSSVM)预测模型.通过灰色预测模型中的灰色序列算子,弱化原始数列随机性,挖掘数列中蕴含的规律,利用最小二乘支持向量机计算简便、求解速度快、非线性映射能力强的特点进行预测,并采用自适应粒子群算法优化选择LSSVM参数.对我国铁路货运量的实例分析表明:用该模型得到的评价指标RMSE、MAE、MPE和Theil不等系数分别为0.062 8、0.052 3、0.016 2和0.010 7,均小于其它模型,预测性能好;用APSO算法搜索LSSVM最优参数的时间为55.656 s,比传统交叉验证法减少了10.462 s;2006~2009年的预测相对误差分别为0.39%、-1.67%、1.44%和4.75%,适用于铁路货运量的短期预测.      

多子种群PSO优化SVM的网络流量预测

针对网络流量的时变性和非平稳性特点,为提高网络流量预测精度,提出一种“多子种群”机制的粒子群算法和支持向量机的网络流量预测模型（Multi-Subpopulation Particle Swarm Opti-mization and Support Vector Machine,MSPSO-SVM）.首先支持向量机（Support Vector Machine,SVM）参数编码成粒子位置串,并根据网络训练集的交叉验证误差最小作为参数优化目标,然后通过粒子间信息交流找到最优SVM参数,并引入“多子种群”机制,解决粒子群优化（Particle SwarmOptimization,PSO）算法的早熟停滞缺陷,最后根据最优参数建立网络流量预测模型,并采用实际网络流量数据进行仿真测试.结果表明,相对于其他预测模型,MSPSO-SVM可以获得更优的SVM参数,网络流量预测精度得以提高,更加适用于复杂多变的网络流量预测.     

城市交通碳排放预测的多模型对比分析

为寻找合适的城市交通运输碳排放预测方法,基于STIRPAT模型,选取人口总量、人均GDP、机动车保有量、碳排放强度、城镇化率、旅客周转量和货物周转量等7项指标作为城市交通运输碳排放影响因素,分别建立基于遗传算法优化支持向量机、粒子群优化支持向量机、网格搜索优化支持向量机预测模型,并以1995—2016年交通运输碳排放相关指标作为基础数据做实例分析。结果表明:GA-SVM对比PSO-SVM与GS-SVM所得出训练集的相关系数分别增长了2.74%和1.07%,测试集的相关系数分别增长了1.04%和0.29%,较其它两种预测模型具有良好的学习和推广能力,说明GA-SVM模型更适合对城市交通碳排放进行预测分析。     

基于粒子群算法改进支持向量机的深基坑变形预测研究

为实现复杂地质条件中深基坑变形的精确预测，提出了一种动态惯性权重粒子群算法改进支持向量机的基坑变形预测模型。引入遗传算法改进的支持向量机模型和标准BP神经网络模型作为横向对比验证了预测效果。结果表明：动态惯性权重对支持向量机核函数参数的寻优速度更快，收敛精度更高，采用改进粒子群算法优化的支持向量机模型预测的平均相对相对误差仅为5.46%,拟合精度相较其他算法更高，预测效果良好，可较为准确的实现深基坑的变形预测。     

基于遗传优化支持向量机的交通事故预测

针对道路交通事故的预测问题,引入基于遗传优化支持向量机算法建立交通事故预测模型。利用遗传算法寻找支持向量机的最优参数组合,并用最优参数构建相应的支持向量机预测模型。仿真计算结果表明,基于遗传算法优化支持向量机模型优于传统的SVM模型,从而可以更有效地对道路交通事故进行预测。     

基于卷积网络与自适应SVM的齿轮箱故障诊断

针对齿轮箱运作过程中故障诊断效果不理想的问题,提出了一种卷积神经网络(CNN)与粒子群优化的支持向量机(PSO-SVM)方法.首先利用特征参量求出信号的时频特征统计量,其次利用卷积神经网络对时频特征统计量进行二次特征提取,最后利用粒子群优化的支持向量机进行分类.经实验验证,此方法准确率不仅高于其他经典网络模型,而且训练...     

基于智能优化方法的SVM电机故障诊断模型研究

为提高电机故障诊断的准确率和有效性,提出了基于智能优化算法的支持向量机电机故障诊断模型.首先采集交流电机不同位置上的振动加速度信号,使用小波包分析方法对所采集的振动加速度信号进行特征提取,将得到的能量比向量作为支持向量机故障诊断模型的输入,使用遗传算法、粒子群优化算法对支持向量机故障诊断模型进行参数优化并进行模型训练,在使用测试样本集对得到的两种故障诊断模型进行分析之后可以看出经过参数优化后的支持向量机模型提高了故障预测的准确率,并且粒子群优化方法具有比遗传算法更高的预测准确率,并极大地减小了优化时间及优化次数.     

基于PSO—SVM的交通事故预测

为更加准确地描述道路交通事故发生的规律,结合粒子群算法和支持向量机理论,提出一种粒子群算法（Ps0）优化支持向量机（SVM）的道路交通事故预测模型,并用相应的数据进行仿真研究。结果表明,基于粒子群算法优化支持向量机模型（PS（）ISVM）NNNNNNN,能较好地契合道路交通事故的变化趋势。     

PSO-BP混合预测模型及在港口集装箱吞吐量预测中的应用

运用粒子群优化算法代替BP神经网络的初始寻优,再用BP算法对优化的网络权值参数进一步精确优化,从而建立基于粒子群优化的BP神经网络模型.运用该模型对某港口集装箱吞吐量进行预测.应用结果表明,该预测模型不仅能较好地拟合港口集装箱吞吐量的历史数据,同时对港口集装箱吞吐量的远期预测也具有较好的效果.     

基于支持向量机和神经网络的供应商选择方法比较

供应商选择是供应链管理的重要内容,近年来吸引大量学者进行研究,其中大量文献显示神经网络方法比传统统计方法有更大的优越性。然而神经网络具有固有的缺陷,如最优解的局部性、泛化能力低、训练样本大和无法控制收敛等。引用新的机器学习技术---支持向量机(support vector machines,SVM),用于选择理想供应商,并与BP神经网络算法相比较。实证表明,支持向量机算法比神经网络算法计算精确。     

基于神经网络的GPS高程拟合方法优选及精度分析

针对现有的几种神经网络GPS高程拟合方法,讨论了利用遗传算法(GA)、粒子群算法(PSO)优化BP神经网络权值和阀值的原理;结合分布较均匀、现势性较好的GPS和水准联测数据,试算了基于神经网络的GPS高程拟合。拟合结果表明:基于PSO算法优化的BP神经网络的拟合精度优于GA算法,误差相对更小。     

基于优化PSO-BP算法的耦合时空特征下地铁客流预测

为提高地铁客流预测的准确性,以西安地铁1号线为例,分析了地铁客流的耦合时空特征,提取了影响地铁客流变化的5个主要因素,包括节日、非节日、时间段、站点和天气,构建了反向传播(BP)神经网络,预测了地铁客流;利用引入自适应变异与均衡惯性权重的粒子群优化(PSO)算法,优化了BP神经网络,形成了考虑复杂因素影响的地铁客流预测系统;选取了换乘站、非换乘站的首站与中间站,引入天气、节日、非节日因素,对比了不同时间段下的BP神经网络模型,优化了PSO-BP神经网络模型的预测误差。研究结果表明:考虑天气、节日、非节日因素,换乘站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差和平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了40.13%、31.46%和23.89%,较分时段的BP神经网络模型分别平均下降了17.50%、17.86%和17.32%;非换乘站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差和平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了16.50%、20.99%和32.59%,较分时段的BP神经网络模型分别平均下降了11.48%、12.10%和17.73%;各站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差、平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了24.37%、24.48%和29.69%,较分时段的BP神经网络模型分别平均下降了13.49%、14.02%和17.59%,因此,利用考虑多影响因素的优化PSO-BP神经网络模型能提高地铁客流预测的准确性。      

基于遗传算法(GA)优化BP神经网络的船舶交通流量预测

为了提高船舶交通流量的预测精度,在BP神经网络的基础上,结合遗传算法(GA)建立一个新的预测模型.该模型利用GA自适应搜索能力和较快的收敛速度,进而确定BP神经网络中的最优权值和阈值.以青岛港2011—2019年船舶交通流量统计数据为例,进行仿真实例验证.结果表明,与传统的BP神经网络相比,该模型能显著地提高船舶交通流量的预测精度,用于预测船舶交通流量具有一定可行性.     

基于遗传算法的推进电机的预测模型

本文选择BP神经网络算法作为预测模型的算法,建立了基于遗传算法的推进电机预测模型,并运用推进变压器的实际运行参数,对预测模型进行仿真,为推进电机的状态评估打下了良好的基础。     

基于LSTM 神经网络的降雨天旅行时间预测研究

降雨给城市道路行程时间的计算和预测带来了许多不确定因素. 以出租车GPS数据为研究对象，在考虑降雨数据的基础上，设计一个基于非最小路段的行程时间计算方法，建立基于LSTM(Long Short-Term Memory)循环神经网络的行程时间预测模型进行算法验证. 最后，以北京市中关村西区出租车行驶的10 d 的GPS数据进行方法验证. 结果表明，加入降雨特征预测的结果比未加入降雨特征拥有更高的准确率. 并与应用较为广泛的BP 神经网络和 SVM进行对比分析，发现在满足数据精度的前提下，本文应用的算法和预测模型有较高的训练速度和预测可靠性.     

基于GA-PSO混合优化的BPNN车速预测方法

BP神经网络(BPNN)已经用于车速预测方面的研究.针对BPNN不同的初始权值和阈值会影响车速预测精度的问题,提出一种基于GA-PSO混合优化的BPNN车速预测方法.以北工大西门到百葛桥为研究路径,构建基于BPNN的车速预测模型;将遗传算法(GA)和粒子群算法(PSO)的寻优过程进行融合,通过逐次迭代取最优的方式确定BPNN的最优初始权值和阈值,以此设计基于GA-PSO混合优化的BPNN车速预测方法.最后,以所选路径为对象,利用基于GA-BPNN的预测法、基于PSO-BPNN的预测法,以及提出的方法对车速进行了实验预测.结果表明,相较于前两种车速预测改进方法,本文方法的平均车速预测误差分别降低了37.1%和24.1%,有效地提高了车速的预测精度.