基于主成分分析的支持向量机模型对上海房价的预测研究

采用基于主成分分析的支持向量机方法对上海房价进行预测.首先利用主成分分析法对原始数据进行降维处理,然后利用具有高水平的小样本学习能力的支持向量机进行预测模型的建立,对上海房价进行预测.实证显示,经过主成分分析的支持向量机模型能够较好地处理复杂的房地产数据,具有较高的预测能力,为上海房地产业的发展提供参考.特别地,该模型可以普遍应用于影响因素众多,时效性较强的短期小样本数据问题的预测,具有较高的泛化能力和很好的预测精度.     

基于LS-SVM的管道腐蚀速率灰色组合预测模型

为提高管道腐蚀速率预测精度,建立了一种基于最小二乘支持向量机的灰色组合预测模型.以各种灰色模型对管道腐蚀速率的预测结果作为支持向量机的输入,以管道腐蚀速率的实测值作为支持向量机的输出,采用最小二乘支持向量机回归算法和高斯核函数对支持向量机进行训练,利用训练好的支持向量机进行组合预测.预测模型兼具灰色模型所需原始数据少、建模简单、运算方便的优势和最小二乘支持向量机具有泛化能力强、非线性拟合性好、小样本等特性,弥补了单一预测模型的不足,避免了神经网络组合预测易于陷入局部最优的弱点.模型结构简单、实用,仿真结果验证了其有效性.     

基于灰色关联分析与PLS-LSSVM的航材备件需求预测模型

航材备件是保障航空装备日常训练和作战正常使用的重要影响因素,针对部分航材备件样本数据量少,影响因素多且复杂多变,预测结果与装备系统完好性要求偏差较大等问题.建立基于灰色关联分析(GRA)与偏最小二乘(PLS)及最小二乘向量机(LSSVM)相结合的航材备件预测模型,采集某无人机航材备件数据,通过对统计数据进行灰色关联分析,提取航材备件需求的相关因素作为模型训练样本,确定关键因素,利用偏最小二乘对关键因素特征提取,然后将偏最小二乘特征提取后的数据作为最小二乘向量机输入,进行模型构建及分析.通过实验验证了该方法的可行性与适用性,能够满足无人机航材备件预测的实际需要.     

部分线性模型在贵州省公路货运量预测中的应用

运用部分线性模型对贵州省公路货运量进行预测研究.首先运用灰色关联度分析法确定影响贵州省公路货运量的主要影响因子;然后运用主成分分析法将选取的影响因子指标数据进行降维处理,通过分析处理后的数据得到部分线性模型;最后,以2010-2012年的公路货运量作为验证值,将部分线性模型、多元线性回归模型及灰色预测模型的预测结果进行比较.研究结果表明:部分线性模型能较好地拟合贵州省1990-2009年公路货运量;三种模型的预测结果显示,部分线性模型预测结果优于多元线性回归模型和灰色预测模型的预测结果.     

基于独立分量分析——最小二乘支持向量机的公路建设项目投资估算新模型

为快速、准确地进行公路建设项目投资估算,提出了一种新型的公路建设项目投资估算模型.该模型首先基于独立分量分析技术,根据最小互信息原理,有效分离出公路建设项目投资估算的独立影响因素源.然后,将这些独立影响因素源用于最小二乘支持向量机的训练,从而建立了基于独立分量分析技术—最小二乘支持向量机的公路建设项目投资估算模型.该模型将独立分量分析技术的盲信号分离能力与最小二乘支持向量机处理有限样本条件下非线性回归问题的优势有机结合,提高了模型预测的准确性.     

Boeing737-300/400机队可靠性等级预测研究

为了研究航空公司机队可靠性等级预测问题,提出一种基于灰色关联与支持向量机(SVM)的航空公司机队可靠性等级预测模型.从某航空公司B737-300/400机队的可靠性月报中,得到影响机队可靠性等级的9个指标;应用灰色关联法对机队可靠性等级和指标进行相关性分析,就各个指标与机队可靠性等级之间的关联度进行了排序;采用基于径向基核函数(RBF)的支持向量机(SVM)建立了航空公司机队可靠性等级预测模型.以某航空公司B737-300/400机队为例进行了可靠性等级预测分析,验证了所提方法的有效性.     

一种预测接地网腐蚀速率的新方法

针对目前接地网腐蚀预测中的涉及因素较多,提出了基于向量相似度与支持向量回归机(S-SVR)的综合的预测方法应用于变电站接地网腐蚀速率预测模型中.首先将影响接地网腐蚀速率的指标视为1个特征向量并进行无量纲化处理,其次计算各个训练站点的特征向量与实测站点指标向量的相似度;再次,在预测腐蚀速率时,针对传统线性贡献度平均法(LAM)描述非线性存在较大误差的缺陷,提出了先筛选相似度较高训练集再结合支持向量回归机训练模型.经验证,基于向量相似度与支持向量回归机(S-SVR)的综合预测方法预测能力较好.     

基于PCA与NSSVR的人口老龄化研究

基于非线性光滑支持向量回归机研究了人口老龄化问题.首先介绍了非线性光滑支持向量回归机(NSSVR);其次,提出了人口老龄化影响体系,利用主成分分析(PCA),在体系基础上提取出对老龄化影响明显的9个指标;再次,通过非线性光滑支持向量回归机模型建立了老龄化率与9个影响指标间的相互关系;最后,用非线性光滑支持向量回归机模型对未来人口老龄率进行预测.实证表明,方法具有很好的预测效果.     

基于支持向量机的企业破产分析

企业破产分析是不确定的、非线性的复杂系统,传统方法往往难以准确描述这种非线形特性,而支持向量机能够解决线性及非线性分类问题并且具有全局收敛性和良好的推广能力,因此,基于支持向量机的智能化新技术建立企业破产分析预测系统模型.实证表明该模型具有良好的预测能力和较强的实用性.     

基于支持向量回归机的水文混沌时间序列预测

支持向量机在系统辨识和分类研究方面比较成熟,目前尚没有提出有效的支持向量回归理论来解决非线性、时变、干扰的复杂问题.支持向量回归机主要用于因果关系点对的回归预测,把支持向量回归机应用于水文混沌时间序列的预测研究是一个有意义的工作.在支持向量机一般理论基础上,提出了水文混沌时间序列支持向量回归机模型,并就模型进行仿真计算,讨论了模型参数对支持向量回归机预测精度的影响,为模型参数寻优提供一般指导原则.直门达水文站径流量混沌时间序列支持向量回归机预测实验表明,水文混沌时间序列支持向量回归机模型是有效的.     

基于不确定理论的铁路货运需求预测

合理预测铁路货运需求是铁路管理部门建设、运营等决策基础。为应对铁路货运需求的复杂变化,基于Pearson相关性分析方法筛选出铁路货运需求的七个具有关键影响的因素,并结合不确定理论建立不确定多元线性回归模型,相应的铁路货运预测结果由传统单一值变成可能的需求区间范围,更加符合处于不确定环境下的铁路货运需求实际情况。选取国家统计局2004~2016年相关数据进实证研究,并与回归模型以及BP模型的预测结果对比分析,实验表明不确定多元线性回归的预测结果更加精确。     

基于分解—集成的铁路货运需求预测研究

铁路货运量受到多种因素影响,准确的预测可以为铁路行业未来规划的编制提供重要的参考依据,也可以使铁路部门制定符合当前货运市场的运输政策。货运量数据具有非线性、不平稳的特点,利用传统的单一预测模型进行预测,很难描述整体特征,预测精度有待提高。本文基于分解—集成的原则,利用变分模态分解算法将货运量分解为高频和低频模态,针对各模态特点,分别建立预测模型,将得到的预测结果加总起来作为最终货运量的预测值。实证表明,分解—集成预测方法与传统的单一预测模型相比,提高了预测的准确率,可以很好地应用在铁路货运量需求预测的研究中。     

基于支持向量机的混沌时间序列模型在房产价格指数预测中的应用

针对房产价格指数的预测问题,建立了混沌时间序列的支持向量机的非线性预测模型.首先运用Cao氏法进行相空间重构,并利用改进型小数据量法计算最大的Lyapunov指数,分析上海房产价格指数时间序列的混沌特性.然后以最小嵌入维数作为支持向量机的输入节点,建立房地价格指数的预测模型.实例表明,该方法能较好地处理复杂的房地产数据,具有较高的泛化能力和很好的预测精度.     

基于主成分分析和支持向量机的威胁判断模型

目标威胁判断是防空作战中一项重要内容,在建立目标威胁模型时,首先要挑选特征参数,分析了影响威胁度的若干因素.这里采用主成分分析方法选择目标的特征参数;利用支持向量机建立了威胁判断模型,通过实例与神经网络法的结果进行了比较,结果表明支持向量机比较精确和简单.     

基于关联分析广义回归神经网络模型在艺术陶瓷定价中的应用

通过提取对陶瓷企业定价的影响因素,采用了灰色关联度分析法,构造了陶瓷企业定价的评价模型,得到了各个因素之间的灰色关联度,从而确定各因素对陶瓷企业定价影响的关键因素,结合广义回归神经网络模型,采用组合输入向量建立陶瓷定价的组合广义回归神经网络预测模型.实例表明:模型比其它模型的预测值更加精确,并且算法能应用到其它数据处理中,具有较广泛的适应性.     

基于邻域粗糙集属性约简的对偶约束式LS-SVM财务困境预测模型研究

为了提高财务困境预测的正确率,改善模型预测的效果,将邻域粗糙集和遗传算法应用于对偶约束式最小二乘支持向量机,提出了一种基于邻域粗糙集属性约简的对偶约束式最小二乘支持向量机预测模型.同时,给出了这一改进模型的实现步骤.实证结果表明,通过邻域粗糙集指标预处理和遗传算法参数优化后,不但提高了模型预测的正确率,还降低了模型运行的时间,证实了该模型应用于财务困境预测是有效的.     

基于支持向量机的神经元形态分类

针对神经元的空间几何形态特征分类问题以及神经元的生长预测问题进行了探讨.结合神经元的形态数据,分别建立了基于支持向量机的神经元形态分类模型、基于主成分分析和支持向量机的神经元分类模型以及基于遗传算法和RBF网络的神经元生长预测模型,在较合理的假设下,对各个模型进行求解,得到了较理想的结果.     

基于核主元分析的带可变惩罚因子最小二乘模糊支持向量机模型及其在信用分类中的应用

信用分类是信用风险管理中一个重要环节,其主要目的是根据信用申请客户提供的资料从申请客户中区分出可信客户和违约客户,以便为信用决策者提供决策依据.为了正确区分不同的信用客户,特别是违约客户,结合核主元分析和支持向量机算法构造基于核主元分析的带可变惩罚因子最小二乘模糊支持向量机模型对信用数据进行了分类处理.在基于核主元分析的带可变惩罚因子最小二乘模糊支持向量机模型中,首先对样本数据进行预处理,然后利用核主元分析以非线性方式降低数据的维数,最后利用带可变惩罚因子最小二乘模糊支持向量机模型对降维后数据进行分类分析.为了验证,选择两个公开的信用数据集来进行实证分析.实证结果表明：基于核主元分析的带可变惩罚因子最小二乘模糊支持向量机模型取得了较好的分类结果,可为信用决策者提供重要的决策参考依据.