基于粒子群算法优化支持向量机的公路客运量预测

公路客运量数据受多种因素影响而呈现非线性等特点,为了提高其预测精度,文中提出粒子群算法（PSO）优化支持向量机（SVM）的公路客运量预测模型,利用PSO寻优能力突出的优点,对支持向量机的参数进行优化选择,并用优化后的支持向量机模型对公路客运量进行预测.研究结果显示,相比BP神经网络和传统的SVM预测方法,基于PSO SVM的预测精度更高.     

基于PCA-SVM的边坡稳定性预测模型研究

提出了一种基于主成分分析(PCA)和支持向量机(SVM)的边坡稳定性预测模型。首先分析了影响边坡稳定性的因素,采用主成分分析方法求取主成分;再将主成分作为输入对支持向量机进行训练,并利用遗传算法优化支持向量机参数;最后通过实例与常用寻参方法所得结果进行比较。结果表明,该法能减少输入变量维数,提高了边坡工程稳定性的预测精度。     

基于时空GPSO-SVM的短时交通流预测

为了提高城市道路短时交通流预测的精度,提出了一种基于时空遗传粒子群支持向量机的短时交通流预测模型.通过主成分分析法对路网原始交通流量进行时空相关性分析,用较少的主成分代替原始交通流量并作为预测因子,在粒子群算法中引入遗传算法的交叉和变异因子,避免粒子群算法陷入局部最优.利用改进后的粒子群算法优化支持向量机参数,得到最优的支持向量机模型,并实现城市道路的短时交通流预测.以长春市路网的实测数据为基础进行了实例验证,结果表明,优化支持向量机参数时,遗传粒子群算法不会陷入局部最优,优化效果更好;与粒子群支持向量机模型和遗传粒子群支持向量机模型相比,所提出预测模型的相对误差波动较稳定,平均预测精度分别提高了4.96%和3.41%.      

基于GWO-SVM岩爆分级预测模型

引入灰狼算法（GWO）优化支持向量机(SVM)模型，构建GWO-SVM岩爆分级预测模型。选取围岩最大切向应力、岩石单轴抗压强度、岩石单轴抗拉强度等，组成3种不同的输入指标组合，构建岩爆分级预测指标体系。将153组岩爆案例作为数据集输入4种模型进行训练、测试，比较不同输入组合下模型的预测效果。结果表明：GWO-SVM比标准SVM模型预测准确率提升7.41%～18.52%，在输入指标组合2下，GWO-SVM模型预测准确率最高达92.59%，基于GWOSVM的岩爆分级预测方法优于其他方法。     

基于蚁群优化支持向量机的公路隧道围岩变形预测模型及应用

为及时掌握隧道施工中围岩变形趋势以便采取措施加以控制,采用基于结构风险最小化的支持向量机(SVM)进行预测。介绍支持向量机的基本原理,研究蚁群算法(ACO)实现支持向量机参数优化的方法,构建ACOSVM模型。对某公路隧道随机选取的2个监测断面的预测结果表明,该模型预测精度较高,泛化性能较好,用蚁群算法进行SVM参数优选是一种简单、优选的方法,可以有效指导隧道的施工。     

最小二乘支持向量机在隧道围岩变形预测中的应用

针对基于标准型支持向量机(Vapnik SVM)的岩体变形预测方法计算复杂度大、应用不便的缺点,提出一种基于最小二乘支持向量机的围岩变形预测方法.该方法结合开挖岩体具有高度不确定性的特点,将其作为一个时变系统考虑,首先采用滑动时窗方式选取学习样本,然后利用获得的样本训练最小二乘支持向量机预测模型.利用这种方法对雪家庄隧道围岩变形进行预测,分析结果表明,该方法具有较高的预测精度,是一种简单可行的变形预测方法.     

基于混沌SVM与BP神经网络预测材料价格指数

为了解决工程造价指数难以预测非线性结构、数据拟合难度大、预测模型参数求解过于固定化、预测模型可靠性不高等问题,文中在混沌时间序列理论的基础上,结合机器学习算法支持向量机(SVM)技术和BP神经网络算法,提出混沌SVM与BP神经网络组合预测模型。实例研究证明,该组合预测模型的精度比SVM预测模型、混沌SVM预测模型、BP神经网络预测模型和GM(1,1)预测模型的高,具有拟合非线性和预测线性波动的能力,可用于工程造价指数预测。     

基于AGA-SVM公路软基沉降预测

由于公路沉降影响因素较多,加之沉降计算参数的变异性,很难通过理论方法准确算出任一时刻的沉降,因此根据已有沉降观察数据对之后沉降进行预测成为研究热点。支持向量机以其优异的非线性拟合及泛化能力被广泛运用于沉降预测,但是其沉降预测精度依赖于参数C、σ、ε的取值。因此采用自适应遗传算法对支持向量机主要参数寻优,建立了自适应遗传算法支持向量机(AGA-SVM)沉降预测模型,进一步提高了预测的精度。并以广东省兴(宁)汕(头)高速公路中某断面处部分沉降观测数据为训练样本,运用AGA-SVM预测模型对该路堤短期沉降进行预测,预测结果与实测数据吻合良好。     

支持向量机在交通流量实时预测中的应用

实时、准确的交通流量预测是正在发展的智能交通系统的关键问题之一,对于交通控制和交通流诱导都有着直接的影响。提出一种基于支持向量机的交通流量实时预测模型,通过采用序贯最小优化算法,能够实现对交通流量的有效预测。应用实例表明,支持向量机具有良好的泛化性能,在输入信号混有10%噪声的情况下,支持向量机的鲁棒性更好,预测的平均误差为4.25%,预测结果优于BP神经网络和动态递归神经网络。     

基于逐类组合支持向量机的边坡稳定性预测研究

首次采用逐类组合支持向量机（TCSVM）方法,用于解决边坡稳定性预测的问题。模型是先用支持向量分类机（SVC）对边坡状态进行判识,然后用支持向量回归机（SVR）建立边坡安全系数预测模型,再用建好的模型对未知边坡的稳定性进行判别和安全性系数预测。利用模型对71个边坡实例中的61个进行学习,10个进行检验。结果表明:TCSVM对边坡安全系数的预测结果均优于SVM和PCA-SVM。表明逐类组合支持向量机方法提高了安全性系数预测的准确率,对边坡稳定性研究具有积极意义。     

基于支持向量机的气压辅助掘进条件下盾构隧道地表变形预测研究

与常规土压平衡盾构掘进相比,气压辅助掘进条件下的地表变形过程更为复杂。为提高预测模型的工程适应性,准确预测气压辅助条件下的地表变形量,保障该条件下盾构顺利掘进,引入支持向量机(SVM)理论,利用粒子群算法(PSO)对支持向量机的超参数组合进行优化;同时,优化模型输入参数,将隧道上覆黏土层厚度和气压值设为输入参数,并针对上覆非均质土层改进模型参数计算方法,建立适用于气压辅助掘进的PSO-SVM地表变形预测模型。为验证预测模型的准确性和实用性,以广州地铁18号线陇枕出入场线某一区间为例,使用优化了输入参数的模型进行预测,并在此基础上,综合采用PSO-SVM、SVM和PSO-BP3种模型进行地表变形预测分析。结果表明:1)针对气压辅助掘进工法优化输入参数的PSO-SVM模型可以较好地满足工程需要;2)PSO-SVM模型的适应性显著高于PSO-BP和SVM模型,具有较好的工程适用性。     

基于SVM和Kalman滤波的公交车到站时间预测模型

提出一种基于支持向量机(SVM)和Kalman滤波的公交车辆到站时间预测模型.在该模型中,SVM基于历史数据,按照时间段、天气和路段3个输入特性,预测各路段车辆运行时间的基线;然后通过Kalman滤波利用最新的车辆运行信息,结合SVM输出的基线时间来动态预测车辆到达各时间点的实际时间;最后,应用大连市经济技术开发区7路公交线的数据对该模型进行了校验.实例验证结果表明:该模型具有较高的预测精度.     

基于支持向量机的重力式挡土墙优化设计

文章提出了一种基于支持向量机（SVM）的挡土墙优化设计方法,首先通过均匀试验设计构造输入向量,然后结合有限元计算输出向量构成学习样本,再利用SVM拟合响应面关系并预测通过蒙特卡洛模拟生成的多组随机样本结果,从中筛选满足优化准则约束条件的样本作为优化设计最优解。工程实例优化结果表明,该方法不仅计算高效,而且优化效果显著,具有很好的经济效益和工程意义。     

基于线性规划支持向量机的隧道围岩变形预测

支持向量机(SVM)以其良好的学习性能被广泛应用于包括隧道围岩变形在内的时间序列预测,核函数形式对其预测能力有重要影响,故灵活运用核技巧来增强推广性能已成为支持向量机应用研究的一个重要方面.对于标准SVM及最小二乘支持向量机(LS-SVM),由于其核函数必须满足Mercer条件,因而大大限制了核函数选取范围,制约着推广能力的进一步提升.为此引入一种新型的时间序列预测模型--线性规划支持向量机(LP-SVM),因其核函数不必满足Mercer条件,从而为灵活选取核函数提供了方便.将新预测模型应用于岭南高速公路雪家庄隧道围岩变形预测,分析结果表明,在同时采用径向基(RBF)核函数的情况下,LP-SVM与LS-SVM的预测精度非常接近,能够满足工程需要,但由于前者的核函数可以在更大范围内选取,使其预测性能具有更大的提升空间,从而为岩体变形预测提供了一种更具潜力的新途径.     

基于Takens理论和SVM的滑坡位移预测

针对滑坡变形时序非线性,数据量少的特点,引入Takens理论,采用支持向量机(SVM)建立其预测模型,建模过程中,比较了由不同核函数获得的SVM模型的性能,同时将SVM与RBF、El-man神经网络模型进行外推7步预测试验比较。结果表明:RBF核函数具有更好的工程实用价值;在有限样本情况下,SVM预测模型具有更好的准确性和泛化性,其7步预测平均误差率控制在5%以内,可见该方法在滑坡变形预测方面极具潜力。     

基于支持向量机的城市私人汽车保有量滚动预测

针对城市私人汽车保有量增长预测问题,在对支持向量机理论进行改进的基础上,进行滚动预测研究。在对已有的机动车保有量预测模型进行对比分析的基础上,建立了基于支持向量机的私人汽车保有量滚动预测模型,并利用北京市私家车保有量历史数据对滚动预测模型进行了实证分析。结果表明该预测模型具有较高的预测精度、符合实际需求、具有广泛的应用前景。     

用进化支持向量机进行基桩低应变完整性检测

将遗传算法与支持向量机相结合,建立一种用于基桩低应变完整性检测的进化支持向量机分类模型。该法基于实测数据,可以有效地解决支持向量机的参数确定问题,快速地建立模型,其实例表明,方法简便易行,预测精度高。     

基于POS-LSSVM的沥青路面性能评价方法

基于支持向量机的结构风险最小化与粒子群算法快速全局优化的特点,用粒子群算法优化最小二乘支持向量机的参数,避免了人为选择参数的盲目性,提高了预测模型的训练速度和预测推广能力.选择PCI、RQI、SSI、BPN,4个指标作为评价指标,建立了基于PSO-LSSVM的沥青路面性能评价模型,将该模型用于路面性能评价,获得了令人满意的评价效果.结果表明,支持向量机法可以可靠有效地评价沥青路面性能.     

基于ARIMA和SVM模型的沥青路面使用性能预测比较

通过构建时间序列ARIMA和支持向量机(SVM)模型对沥青路面的PCI值进行预测,并比较两种模型的预测结果,建立适宜的沥青路面使用性能预测模型。分别采用线性核、多项式核、径向基核和Sigmoid核函数构建SVM模型,根据十字交叉验证(Cross-Validation)方法确定核函数及其参数,对比不同核函数的PCI值预测误差精度。最后利用选取的多项式核函数SVM算法预测广东省普通国省道沥青路面使用性能。结果表明：采用多项式核、径向基核函数SVM算法的预测结果较ARIMA模型预测结果精度高。SVM算法中核函数对预测结果影响显著,4种核函数SVM预测模型中,基于多项式核函数模型预测精度最高,其预测沥青路面使用性能的平均绝对百分误差(MAPE)在1%以下,其次为径向基核函数,而Sigmoid核函数预测精度最低。采用线性核函数SVM算法预测结果与ARIMA模型预测结果接近,预测精度满足要求。     

基于Lagrange支持向量回归机的短时交通流量预测模型的研究

在智能交通系统中,进行实时、准确的交通流预测是交通控制和交通流诱导的关键之一,直接影响交通控制和交通诱导的效果.基于支持向量机,提出了一种Lagrange支持向量回归机的交通流量短时预测模型,能够实现对交通流量的有效预测.仿真试验表明,Lagrange支持向量回归机具有良好的泛化性能、更快的迭代速度,预测结果优于改进的BP神经网络.