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.      

一种基于LS-SVM的道岔控制电路故障诊断

针对最小二乘支持向量机最优参数难以寻找的问题,提出了用ARPSO算法优化最小二乘支持向量机可调参数的方法,并将该方法应用于道岔控制电路的故障诊断中.ARPSO算法在保证种群多样性的同时,避免了基本PSO算法过早收敛的问题,能更高的提高算法效率.仿真证明ARPSO算法比基本PSO算法具有更高的收敛速度和效率,基于ARPSO最小二乘支持向量机的分类方法比最小二乘支持向量机分类方法具有更高的分类准确度.     

网络控制系统的时延估计和自适应预测控制

提出了基于最小二乘支持向量机（LS-SVM）的网络时延预估网络控制系统（NCS）的自适应预测控制方法．先将网络时延转化为非线性时间序列，再用径向基函数（RBF）作为LS-SVM的核函数，建立NCS的时延预测模型．用通过该模型预测的时延设计自适应控预测制器，补偿和控制NCS的时延．仿真结果表明，该时延预测方法对NCS的随机时变时延有较高的预测精度，根据预测的时延设计的控制器能使系统的输出很好地跟踪期望的输出．     

最小二乘支持向量机在公路交通客流量预测中的应用

交通客流量预测是交通规划的重要内容,对于交通规划具有重要意义。利用最小二乘支持向量机理论,建立交通客流量预测模型,通过与BP神经网络预测模型实验结果进行比较,验证了其在交通客流量预测中的有效性。     

基于L-SVM的太阳能短期上网发电量预测方法研究

对光伏上网发电量进行短期预测,可以为电力部门的调度以及用电计划的调整提供参考.提出了一种基于最小二乘支持向量机(least square support vector machines,LS-SVM)对短期光伏上网发电量的预测方法,LSSVM方法具有好的泛化能力.以甘肃某地区电厂的并网发电全年实测数据为实例,同时考虑到短期太阳辐射和光伏电池温度对光伏发电量的影响,建立了基于LS-SVM的短期预测模型.与现有的前向神经网络预测方法进行比较,实验结果表明,该方法能获得更好的预测效果,具有一定的应用潜力.     

基于最小二乘向量机的公交站点短时客流预测

考虑上下游公交站点、历史同期客流和相邻间隔输入因子β三者的影响,采用最小二乘支持向量机回归算法建立预测模型,并利用粒子群算法优化模型参数.实例验证结果表明:三者均会对预测精度产生影响;当β=3并在多输入变量中设有上下游站点、历史同期客流维度时,该预测模型相比预测性能最好,平均绝对误差为0.625 0,均方误差为0.914 5.     

多核SVM对传感器动态建模的研究

针对传感器的动态特性,提出了一种基于多核最小二乘支持向量机对传感器进行动态建模的方法.通过不同核函数的线性加权组合构造新的等价核,由于构造的等价核函数兼具了全局核函数和局部核函数的优点,从而降低了建模精度对核函数及其参数的依赖性.在理论上详细介绍了多核最小二乘支持向量机回归参数和模型输出值的求解方法.通过仿真实验验证了该方法的可行性.将该方法与标准的最小二乘支持向量机方法进行比较,证明了该方法在一定噪声存在的情况下,具有良好的抗噪性和较高的建模精度.     

基于LS—SVM逆系统方法的非线性动态矩阵控制

针对神经网络逆系统建模存在的诸多问题,提出了基于最小二乘法支持向量机的α阶逆系统方法的非线性动态矩阵控制新方法．将最小二乘支持向量机辨识非线性对象的α阶逆模型与原系统串联组成伪线性系统,根据线性动态矩阵预测控制方法对伪线性系统进行控制．仿真结果表明,系统存在扰动和模型参数发生变化时,依然具有很好的动、静态性能,且表现出很强的鲁棒性,证明了方法的有效性．该方法不依赖于系统的数学模型,简化了非线性对象动态矩阵控制器的设计,为非线性预测控制的研究提供了一种新途径．     

基于支持向量机的线性模型鲁棒参数估计

探讨了基于支持向量机的线性系统参数估计问题,利用最小二乘支持向量机来估计自回归滑动平均模型（ARMA）的参数,并在理论上证明了在高斯噪声下比最小二乘估计方法具有更小的均方差;随后利用标准支持向量机来估计ARMA的参数,并利用它的性质从理论上分析了其对大噪声和小噪声的鲁棒性．仿真结果表明支持向量机方法能有效克服样本中的异常点和噪声对参数估计的干扰,比最小二乘估计方法具有更好的鲁棒性．     

基于灰色支持向量机的民航旅客吞吐量预测

依据灰色预测和支持向量机的特点,提出了一种将两种预测方法相结合的灰色支持向量机,并结合民航旅客吞吐量的预测结果,对比了灰色预测模型、支持向量机以及灰色支持向量机的预测结果,验证了灰色支持向量机的预测精度高,预测结果更为准确可靠,为提高民航旅客吞吐量预测精度提供了新的途径.     

最小二乘小波支持向量机在电力负荷预测中的应用

针对中期电力负荷预测问题,提出了一种基于多维允许小波核的最小二乘小波支持向量机(least squares wavelet support vector machines,LS-WSVM)方法,并且给出了一种可有效求解LS-WSVM的Cholesky分解算法.该方法结合小波技术和最小二乘支持向量机,其中小波核函数具有近似正交以及适用于局部信号分析的特性.将LS-WSVM应用于电力负荷预测的两个实例中,结果表明,与LS-SVM、标准SVM、多层前向神经网络等方法相比,LS-WSVM均能给出相当好的预测性能,所提出的用于中期电力负荷预测的LS-WSVM方法显示了其有效性和应用潜能.     

基于AOA-LSSVM模型的枢纽城市物流需求量预测

传统的LSSVM难以全面反映物流需求的变化规律,会导致预测效果不佳。首先利用灰色关联分析(GRA)得到物流需求的主要影响因素;将主要影响因素作为LSSVM的输入变量,构建物流需求预测模型;通过阿基米德算法(AOA)对最小二乘支持向量机的正则化参数(γ)和核参数(σ)进行迭代寻优,以减少参数选择的盲目性;构建AOA算法优化最小二乘支持向量机(LSSVM)的智能预测模型AOA-LSSVM,经过验证该模型可以提高预测精度。运用AOA-LSSVM模型对西部陆海新通道的重要枢纽城市——重庆、成都、贵阳和南宁的物流需求进行实证分析,结果表明：该模型与LSSVM模型相比取得较高的预测精度,其均方根误差、平均绝对误差、以及异方差调整的均方根误差、异方差调整的平均绝对误差分别降低了1 946.4,1 206.1,0.028 4,0.039 7。     

基于最小二乘支持向量机的交通流量预测模型

城市交通流具有复杂性、时变性和随机性,实时准确的交通流量预测是实现智能交通诱导及控制的前提.综合分析交通流量影响因素的基础上,进行多路段的交通流量预测研究,提出了基于最小二乘支持向量机的交通流量预测改进模型,并应用平安大街的流量数据进行实例验证.结果表明,该模型具有学习速度快、跟踪性能好及泛化能力强等优点,在交通流预测中更具有实用性和推广性.     

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。     

����ģ���ֲڼ���֧��������������������Ԥ��

对区域物流量进行研究与预测有助于把握区域物流的需求,实现区域物流供需相对平衡,提高区域物流规划质量和运行效率具有重要的理论和实际意义.本文将模糊粗糙集理论引入区域物流量的预测中,建立基于模糊粗糙集与支持向量机的区域物流量预测模型,用模糊粗糙集作为前端预处理器对数据进行约简,剔除冗余信息,以实现两种算法的优势互补.针对支持向量机在处理数据时无法将数据简化的问题,提出了基于模糊粗糙集与支持向量机的区域物流量预测方法,在支持向量机对样本数据进行处理之前,利用模糊粗糙集数据挖掘的能力对原始数据样本集进行预处理.结果表明,这种预测方法具有很好的精确性和有效性.     

基于GA-LSSVR模型的路网短时交通流预测研究

目前,很多短时交通流预测方法仅利用某一路段历史数据的时间相关性或者道路上下游路段的时空相关性进行交通流预测,未充分考虑路网所有路段之间的时空相关性.提出了一种基于稀疏混合遗传算法优化的最小二乘支持向量回归(LSSVR)模型,并应用于路网短时交通流预测.该预测模型不仅可以自动优化LSSVR模型参数,而且可以从高维路网交通流数据中选择有助于交通流预测的变量子集.实验结果表明,与LSSVR模型相比,所提方法具有更好的预测能力;而且,少量时空变量被选择出来构建预测模型,极大减少了信息冗余,改进了模型可解释性.     

基于PSO—SVM的交通流量短时预测

参数选择问题影响了支持向量机预测模型在交通流量中的预测性能。为了解决支持向量机预测模型的参数选择问题,引入了粒子群优化算法机制,通过粒子群优化选择支持向量机预测模型的学习训练参数,得到较优的PSO-SVM预测模型。通过实例仿真实验,将PSO-SVM预测模型与神经网络预测模型进行了比较,显示了其优越性。     

基于EMD与SVM的风电功率短期预测

由于风电存在着不确定性,风电功率预测对于接入大量风电的电力系统意义重大.为了提高风电功率的预测精度,本文建立了基于经验模式分解法（EMD）与支持向量机（SVM）的复合预测模型.考虑到风力机组的输出有很强的非线性,该模型首先将训练数据按风速大小分成高、中、低3组,然后对各组的风电功率样本序列进行经验模式分解,并建立各个频带分量的支持向量机预测模型,各模型的预测结果等权求和即得到最终的功率预测值.使用风电场现场采集数据的预测结果,验证了该方法的可行性和有效性.     

时空因素影响下在线短时交通量预测

考虑交通流的时空因素进行短时交通流预测,能够提高预测的精度.为此,引入径向基核函数,将复杂的预测问题转化为高维空间的回归问题;然后,基于支持向量回归机并考虑时空因素影响作用建立在线的短时交通量预测模型,通过网格搜索的方法对模型参数进行优化;最后,构造时间-空间状态向量,通过不同的状态向量对时间和空间维度的影响进行了分析.利用高速公路检测器数据,对比不同模型的精度,对在线短时交通量预测模型的有效性和可行性进行了验证.结果表明：在线模型精度优于传统的支持向量回归模型,考虑时空因素影响后交通量预测模型具有更高的精度和稳定性.     

基于最小二乘支持向量机的乐器音乐分类

提出使用最小二乘支持向量机LS—SVM（Least Squares Support Vector Machines）算法进行乐器音乐分类,从而实现乐器的辩识。在对Ls—sVM理论进行深入探讨的基础上,选择乐器音乐clip作为样本,进行特征提取,提取的特征包括频谱特征,短时自相关系数和MFCC等,然后用最小二乘支持向量机算法进行分类。对古琴、古筝、箜篌和琵琶音乐采取样本进行仿真实验,求得分类准确率和运行时间,同时使用逻辑回归（Logistic Regression）算法进行对比试验,其中最小二乘支持向量机和逻辑回归分类的准确率分别为96．5％和92．5％,且LS—SVM的运行时间比Logist的少。实验结果表明最小二乘支持向量机具有更为优越的分类性能和非线性处理能力,可以推广用于解决其它实际分类问题。