基于改进萤火虫优化算法的SVR空气污染物浓度预测模型

为了对空气污染物浓度进行准确预测,提出了基于改进萤火虫优化方法(IGSO)的支持向量机回归(SVR)空气污染物浓度预测模型.首先,利用佳点集理论、拥挤度以及变步长策略对萤火虫优化算法进行改进;其次,根据空气污染物浓度时间序列数据构造训练集,运用IGSO算法寻找SVR的最优参数;最后,利用基于最优参数的SVR实现对空气污染物浓度的预测.通过两部分的实验说明文章所提方法的性能.1)在8个标准测试函数上进行多次对比实验,结果显示IGSO算法相比于基于其他改进策略的萤火虫优化方法能够寻找到更优的目标函数值且方差较小,实验表明改进萤火虫优化算法在稳定性及求解精度方面性能较优.2)对京津冀地区空气污染物浓度进行实验,结果显示如下,首先,相比于萤火虫优化算法、粒子群优化算法以及遗传算法,文章基于IGSO对SVR参数的多次寻优结果波动较小,并且所得SVR模型的交叉验证误差及其方差较小;其次,与基于上述其他优化算法的SVR、基于网格搜索的SVR以及BP神经网络相比,文章方法对测试集的预测精度较高.因此,基于IGSO的SVR空气污染物浓度预测模型具有较高稳定性及预测精度.     

基于GA-SVM的太原市空气质量指数预测

针对大气环境的复杂多变性和不确定性,采用太原市2014年至2016年的空气污染物监测数据,分别将改进的粒子群算法(IPSO)和遗传算法(GA)与支持向量机(SVM)相结合,通过参数寻优构建新模型完成对空气质量指数(AQI)的预测.实验结果表明,GA-SVM在预测精度、误差率和可靠性方面均优于IPSO-SVM与SVM.因此GA-SVM模型更适用于AQI的预测,为大气污染防治提供了科学合理的理论依据和新的预测方法.     

基于Keras的LSTM模型在空气质量指数预测的应用

为了高精度预测空气质量指数(AQI),针对大气环境复杂多变性、不确定性,以2014年至2017年的太原市空气污染物监测数据为基础,首先采用python3.5.2中的相关性分析函数对污染物与AQI指数进行了相关性分析,然后建立基于深度学习库Keras(一种高层神经网络API)的长短期记忆循环神经网络(LSTM)模型,对太原市空气质量指数(AQI)进行仿真预测.实验结果表明:模型的均方根误差为4.875,具有预测精度高、范围广等优点,为大气污染防治工作提供了科学合理的理论依据和新的预测方法.     

基于改进的SAPSO优化支持向量机的太原市空气质量评价

由于气象环境复杂多变且具有动态的不确定特性,选取太原市2014年至2015年的空气污染物监测数据,将模拟退火算法(SA)与粒子群算法(PSO)相结合并对其进行改进,优化支持向量机(SVM)完成参数寻优,并运用偏最小二乘法(PLS)分析各污染物因子间的相互作用,构造出一种新的空气质量评价模型.实验结果表明,改进的SAPSO-SVM与PSO-SVM和SVM相比,模型运行时间短、等级分类精度高,具有良好的评价性能,为空气质量评价提供了新思路.     

季节调整的PSO-SVR模型及其在旅游客流量预测中的应用——以海南省三亚市为例

准确的旅游客流量预测对旅游目的地做好事前准备工作至关重要.然而旅游客流量具有明显的非线性和季节性特征,采取季节调整方法对样本数据进行预处理,消除季节性的影响,可以提高客流量预测的准确性.同时SVR(支持向量回归机)是一种良好的机器学习方法,非常适合预测研究,辅以PSO(粒子群算法)选取合适的回归参数可以获得更加精确的预测结果.提出了一种考虑季节影响并通过PSO优化SVR模型的旅游客流量预测模型,并以海南省三亚市为例进行了实证研究.研究结果表明,季节调整的PSO-SVR模型预测精度明显高于SVR、季节调整的SVR和PSO-SVR模型,是进行旅游客流量预测的有效工具.     

基于烟花进化人工鱼群算法和多重分形的属性选择方法在空气质量预测中应用

日益严重的空气污染,严重影响日常生产生活.因此,亟需对空气质量进行预测.为了实现高效、科学的预测,需准确地选择出空气质量数据集中的关键影响因素,故提出了基于烟花进化人工鱼群算法和多重分形的属性选择方法,并应用于空气质量预测中.首先,采用混沌初始化方式生成初始种群,对人工鱼群算法进行离散化改进,并引入烟花进化机制,提出烟花进化人工鱼群算法(FEAFSA),提高算法的搜索效率;其次,融合FEAFSA和多重分形维数(MFD),对空气质量数据集进行属性选择,约简冗余、不相关属性,保留空气质量关键属性;最后,在8个UCI数据集上的实验结果表明,相较于其他属性选择方法,其能有效剔除冗余因素,性能更优,同时表明其有效性、稳定性和显著性.在进行性能测试之后,将其应用于北京、上海和广州地区的空气质量等级和指数预测中,取得了良好的预测效果.     

基于PSOGSA-LSTM模型的长江经济带空气质量指数预测研究

本文以长江经济带100个地级及以上城市的空气质量指数(AQI)为研究对象,选取了六大污染物和11个影响空气质量指数的气象因子作为影响因素。针对空气质量相关数据的特性,将粒子群算法和万有引力算法结合的混合算法(PSOGSA)与长短期记忆(LSTM)神经网络进行组合,建立PSOGSA-LSTM组合预测模型,对模型的预测精度进行了三个方面的检验,并与传统的LSTM模型的预测结果进行比较,最后将其应用于长江经济带100个城市未来7天的空气质量指数预测。研究结果表明,PSOGSA-LSTM模型相比传统的LSTM模型具有更高的预测精度和较强的稳定性。     

基于LSTM神经网络的沪深300指数预测模型研究

将LSTM用于沪深300指数的股价预测中,并在通用变量开盘价、收盘价、最高价、最低价的基础上新加入了日成交量与日成交额,以此来预测第二日的最高价,获得了比较好的预测效果,并与SVR模型和Adaboost模型预测作对比,LSTM获得的测试集RMSE要更低.接着,用SVR、Adaboost和LSTM进行岭回归集成,即,先用训练集对这三种模型进行训练,然后用训练数据进行测试,将它们的测试结果作为自变量,以相应的真实第二日最高价作因变量,进行岭回归,再对测试集数据做出预测,得到测试集的RMSE进一步降低;再者,查看回归方程发现SVR系数为负,与因变量呈负相关关系,进一步选取Adaboost和LSTM两种模型在训练集上的预测结果做自变量,相应的真实第二日最高价作因变量,再次进行岭回归,得到测试集的RMSE再次降低,进一步验证了回归集成算法的有效性,可以为广大投资者做买卖决策时提供重要的参考价值.     

非线性0-1规划问题的元胞灰狼优化算法

针对非线性0-1规划求解问题,基于元胞自动机原理和改进的灰狼算法,提出一种元胞灰狼优化算法.首先,为了避免基本灰狼算法种群分布的随机性问题,利用佳点集理论对灰狼种群进行初始化,增强算法种群的多样性,提高算法的全局收敛速度;其次,针对基本灰狼算法的开发和探索能力平衡能力差的问题,利用自适应精英学习策略分别对算法中的参数α、灰狼与猎物的距离进行修正,实现灰狼算法的全局搜索速度和开发探索能力的最优均衡性;最后,将元胞自动机的演化规则与次优解β灰狼位置以及第三优解δ灰狼位置进行更新,利用元胞及其邻居增强搜索过程的多样性和分布性,实现灰狼算法的全局优化能力;并选用14个典型的非线性0-1规划问题算例进行仿真解算,并将解算结果与其它算法进行比较,结果表明:该算法对大规模复杂问题求解的平均运行时间少10%左右,且具有较快的收敛速度、较多的最优解集和较好的全局寻优能力.     

基于粒子群优化的神经网络预测模型

BP学习算法多采用梯度下降法调整权值,针对其易陷入局部极小、收敛速度慢和易引起振荡的固有缺陷,提出了一种改进粒子群神经网络算法.其基本思想是:首先采用改进粒子群优化算法反复优化BP神经网络模型的权值参数组合,再用BP算法对得到的网络参数进一步精确优化,最后用得到精确的最优参数组合进行预测.实验结果表明,该算法在股指预测中的预测性能明显提高.