基于MGWO-SVR的空气质量预测

空气质量指数预测可以为企业和社会工作提供指导.灰狼优化算法具有简单高效的特点,但是在后期迭代中容易陷入局部最优.针对灰狼优化算法的缺点,对其全局优化能力进行了改进,并用改进的算法对支持向量机回归算法(SVR)的参数进行寻优,建立了MGWO-SVR预测模型.最后以中国环境监测总站中太原市的数据为研究对象,分别用MGWO-SVR模型和SVR模型对太原市的空气质量指数进行了预测拟合实验.实验结果表明,MGWO-SVR模型可以有效预测空气质量指数,并比SVR模型有更高的预测精度.     

基于Stacking算法集成的我国信用债违约预测

通过对2014～2019年我国信用债违约案例的原因分析及相关文献综述，从债券资质、债务主体、财务数据、宏观因素四个维度构建债券违约的指标体系，利用随机森林算法优化，研究发现当影响因素选择18项与37项时，样本内外预测结果达到均衡。基于不同角度的七种算法对比分析，择优选取三种作为底层算法：随机森林算法、梯度提升决策树算法与贝叶斯算法，并结合逻辑回归算法为次级训练算法融合构建基于Stacking算法集成的债券违约预测模型。实证结果表明，第一，Stacking算法的双重集成作用相对底层的单次集成总体精确度提升了1%到8%;第二，对不同指标数量的Stacking算法集成模型的评估表明所构建的指标体系提高了预测水平；第三，基于样本内外预测均衡的底层算法选择方法有效可取，分别纳入相对劣势的底层算法时，会逐渐影响模型稳定性。研究成果可以为我国债券市场风险管理提供技术支持与参考。     

带优化参数的SVR模型及在软件成本估算中的应用

随着社会各行各业对软件开发投资的日益增长,产业界和学术界越来越关注可靠的软件成本估算,以有效控制软件开发过程中相关风险.为了能更准确地估算软件成本,提出一种带遗传算法优化参数的支持向量回归机模型,用遗传算法来优化支持向量回归机模型中的参数集(C,γ,ε),可以避免参数选择的盲目性,能显著提高支持向量回归机模型的预测能力.分别用IBM DP、Kemerer和Hallmark三个数据库来验证模型的有效性,并与常用的线性回归模型进行对比,结果显示采用遗传算法优化的支持向量回归机模型具有很好的学习精度和推广能力,在MMRE和Pred(0.25)两个标准上都优于线性回归模型.     

变量筛选后的个人信贷评分模型与统计学习

如何通过构建可靠的信用评分模型来评估贷款申请人的信用风险在信贷风险管理行业中发挥着重要的作用,这也成为学术界和商业界的一项重要研究课题。本文通过先筛选数据变量,然后再建立模型的方法,探讨了3种不同连接函数下广义线性模型的分类问题,并且当连接函数为logit (对应logistic回归模型)时,加入了自变量的交互项以优化模型。以德国UCI数据集为例,采用AUC和KS指标作为评价指标,与随机森林、支持向量机和XGBoost模型等目前信贷评分中最常用的统计学习模型进行了分析对比,结果表明:广义线性模型中logistic回归模型和SVM预测效果尚佳;对于连接函数为logit的广义线性模型,加入交互项后AUC和KS有所提高,表明交互项的加入优化了模型。     

EMD-SVM在南京市月平均气温预测中的应用

南京市月平均气温具有非平稳性、噪声大、序列宽频等特征.为了提高温预测精度,本文提出一种经验模态分解(EMD)和支持向量机(SVM)回归相组合的预测模型(EMD-SVM).首先应用EMD分解算法把南京市月平均气温分解成不同尺度的基本模态分量(IMF),再运用支持向量机回归模型对每个IMF预测,最后将预测结果重构得到南京市月平均气温预测值.结果表明:EMD-SVM模型预测与单一支持向量机回归模型预测相比,平均预测精度提高0.59度,是一种有效的预测气温的模型.     

基于SVM的沪深300股指期货量化交易策略

基于支持向量机(svm)理论建立沪深300股指期货量化交易模型,与传统对期货价格走势进行绝对预测的回归预测方法不同,模型利用支持向量机在处理非线性系统中的分类优势,将价格未来变化的趋势转化为交易信号,把一个复杂的时间序列回归预测问题转化为二分类问题.接着,把价量信息和技术指标分别作为输入向量,再引入止损机制,在动态预测模型上构建量化交易策略.采用历史数据对策略进行回测仿真,实证结果表明,价量信息交易策略表现要好于技术指标交易策略,量化交易模型总体取得了较好的盈利效果.     

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.     

大数据背景下分布式支持向量回归模型研究

为解决传统的支持向量回归模型在处理大规模数据时计算效率较低的局限,文章将交互有效方法与支持向量回归模型相结合,提出了基于交互有效方法的分布式支持向量回归模型(CE-SVR).该模型首先采用分布式存储方式将大规模数据随机分配给多台机器,其次采用交互有效方法构建支持向量回归的近似损失函数替代全局损失函数获得近似预测结果,能够有效地分析大规模数据.数值模拟和应用研究的结果表明:在线性模型中,文章所提出模型的预测性能与全局支持向量回归模型基本一致,且显著优于基于单轮型方法的分布式支持向量回归模型(OS-SVR);在非线性模型中,文章所提出模型的预测性能会随着机器数的增加而降低,但其预测性能显著优于OS-SVR模型.     

基于多尺度地理加权回归的黄河流域空气质量影响因素空间效应解析

以2017年黄河流域城市空气质量监测数据为研究对象,首先给出了空气质量的时空变化特征,然后利用多尺度地理加权回归(MGWR)模型分析各因素在不同尺度下对空气质量作用的空间异质性。结果显示:(1) 2017年黄河流域中下游大部分地区的空气质量指数(AQI)处于轻度污染水平,季度的AQI呈冬高夏低的特征,其中,冬季处于中度污染水平的地区主要集中在黄河中下游地区。月度的AQI呈“U”型分布,其拐点出现在8月份;(2)第二产业比重、城镇人口比例、总人口数、降雨量和温度对空气质量的影响显著,其中,第二产业比重和城镇人口比例全局影响空气质量,总人口数在中等异质水平下影响空气质量,降雨量和温度在较高异质水平下影响空气质量;(3)第二产业比重、城镇人口比例和总人口数对空气质量的影响为正向,而降雨量和温度对空气质量的影响为负向,其中,总人口数对黄河中游地区影响较大,降雨量对黄河上游地区影响较大,温度对黄河中下游地区影响较大。     

基于SVR的RAR区域经济预测模型

由于区域经济系统中许多经济变量呈现出强非线性与大波动性的特征,使得传统的时间序列线性建模和预测技术难以适应区域经济预测的要求.为此,提出基于支持向量机改进的残差自回归区域经济预测模型.首先采用时间序列分析中的残差自回归模型对时间序列趋势进行线性拟合,然后对残差自回归模型估计后的残差序列采用支持向量回归方法再次提取其非线性特征,从而提高区域经济时间序列模型的预测精度.最后以广东省GDP的预测实例说明模型的有效性.     

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.     

Solving regression problem with complementary neural networks and an adjusted averaging technique

This research deals with complementary neural networks (CMTNN) for the regression problem. Complementary neural networks consist of a pair of neural networks called truth neural network and falsity neural network, which are trained to predict truth and falsity outputs, respectively. In this paper, a novel adjusted averaging technique is proposed in order to enhance the result obtained from the basic CMTNN. We test our proposed technique based on the classical benchmark problems including housing, concrete compressive strength, and computer hardware data sets from the UCI machine learning repository. We also realize our technique to the porosity prediction problem based on well log data set obtained from practical field data in the oil and gas industry. We found that our proposed technique provides better performance when compared to the traditional CMTNN, backpropagation neural network, and support vector regression with linear, polynomial, and radial basis function kernels.     

Improved customer choice predictions using ensemble methods

In this paper various ensemble learning methods from machine learning and statistics are considered and applied to the customer choice modeling problem. The application of ensemble learning usually improves the prediction quality of flexible models like decision trees and thus leads to improved predictions. We give experimental results for two real-life marketing datasets using decision trees, ensemble versions of decision trees and the logistic regression model, which is a standard approach for this problem. The ensemble models are found to improve upon individual decision trees and outperform logistic regression.     

A carbon risk prediction model for Chinese heavy-polluting industrial enterprises based on support vector machine

Chinese heavy-polluting industrial enterprises, especially petrochemical or chemical industry, labeled low carbon efficiency and high emission load, are facing the tremendous pressure of emission reduction under the background of global shortage of energy supply and constrain of carbon emission. However, due to the limited amount of theoretic and practical research in this field, problems like lacking prediction indicators or models, and the quantified standard of carbon risk remain unsolved. In this paper, the connotation of carbon risk and an assessment index system for Chinese heavy-polluting industrial enterprises (eg. coal enterprise, petrochemical enterprises, chemical enterprises et al.) based on support vector machine are presented. By using several heavy-polluting industrial enterprises’ related data, SVM model is trained to predict the carbon risk level of a specific enterprise, which allows the enterprise to identify and manage its carbon risks. The result shows that this method can predict enterprise’s carbon risk level in an efficient, accurate way with high practical application and generalization value.     

P2P网贷平台风险预测研究

随着大数据和机器学习的流行,其在破产预测和风险预测领域逐渐崭露头角。本文运用爬虫技术得到885家网贷平台的16815条数据,通过因子分析及模型验证挖掘出了若干能较好评估P2P平台风险的因子。然后本文通过选取的指标体系建立了Logistics回归、支持向量机、BP神经网络、LightGBM等单模型以及融合模型进行学习训练,所建立的融合模型在测试集中得到最高的准确率,说明本文所建的融合模型能较好地评估网贷平台的风险。本文还选取决策树绘图以及对特征进行重要性排名,选取出了对识别问题平台有重要作用的十项特征。这对投资者选取安全平台进行投资或者监管者选取重点平台进行监管有很好的借鉴意义。     

A locally linear neuro-fuzzy model for supplier selection in cosmetics industry

Supplier selection and evaluation is a complicated and disputed issue in supply chain network management, by virtue of the variety of intellectual property of the suppliers, the several variables involved in supply demand relationship, the complex interactions and the inadequate information of suppliers. The recent literature confirms that neural networks achieve better performance than conventional methods in this area. Hence, in this paper, an effective artificial intelligence (AI) approach is presented to improve the decision making for a supply chain which is successfully utilized for long-term prediction of the performance data in cosmetics industry. A computationally efficient model known as locally linear neuro-fuzzy (LLNF) is introduced to predict the performance rating of suppliers. The proposed model is trained by a locally linear model tree (LOLIMOT) learning algorithm. To demonstrate the performance of the proposed model, three intelligent techniques, multi-layer perceptron (MLP) neural network, radial basis function (RBF) neural network and least square-support vector machine (LS-SVM) are considered. Their results are compared by using an available dataset in cosmetics industry. The computational results show that the presented model performs better than three foregoing techniques.     

化工园区应急设施区间规划选址模型研究

应急设施选址受应急物资需求量的影响。为优化应急设施选址布局,提高突发事件应急处置能力,以化工园区突发事件为研究背景,对化工园区突发事故下应急设施选址进行研究。考虑到化工园区突发事件的随机性和复杂性、突发事件应急物资需求的不确定性等特点,以应急设施选址安全性最大、经济性和服务效益最好为目标,基于传统确定性应急设施选址模型,构建了不确定需求条件下化工园区应急设施选址区间规划数学模型。模型中应急物资需求量是一个区间值,通过引入区间规划理论和模糊理论对模型进行求解,不仅避免了不确定参数随机概率分布的波动率,而且也降低了模型求解过程中的不确定性。最后,以园区各企业潜在事故为工程背景进行实例分析,得到园区应急设施的布局方案。结果表明,模型的求解效果较好,可为园区应急设施选址决策提供参考依据。     

支持向量机及其在提高采收率潜力预测中的应用

提高采收率潜力分析的基础是进行提高采收率方法的潜力预测 .建立提高采收率潜力预测模型从统计学习的角度来看 ,实质是属于函数逼近问题 .本文首次将统计学习理论及支持向量机方法引入提高采收率方法的潜力预测中 .根据 Vapnik结构风险最小化原则 ,应尽量提高学习机的泛化能力 ,即由有效的训练集样本得到的小的误差能够保证对独立的测试集仍保持小的误差 .在本文所用较少样本条件下 ,支持向量机方法能够兼顾模型的通用性和推广性 ,具有较好的应用前景 .研究中采用的是综合正交设计法、油藏数值模拟和经济评价等方法生成的理论样本集     

基于空间填充准则的交叉验证方法及其应用

在统计学与机器学习中,交叉验证被广泛应用于评估模型的好坏.但交叉验证法的表现一般不稳定,因此评估时通常需要进行多次交叉验证并通过求均值以提高交叉验证算法的稳定性.文章提出了一种基于空间填充准则改进的k折交叉验证方法,它的思想是每一次划分的训练集和测试集均具有较好的均匀性.模拟结果表明,文章所提方法在五种分类模型(k近邻,决策树,随机森林,支持向量机和Adaboost)上对预测精度的估计均比普通k折交叉验证的高.将所提方法应用于骨质疏松实际数据分析中,根据对预测精度的估计选择了最优的模型进行骨质疏松患者的分类预测.     

基于特征价格模型的滨海公园门票价格影响因素分析——以大连滨海公园为例

本文选取大连市2010~2014年29个滨海公园的季度面板数据,运用特征价格法,实证检验了公园自然属性及园区游憩设施属性与公园门票价格之间的关系。研究发现:在自然属性方面,除温度、降水量和沙滩属性外,其他滨海公园的自然属性均对门票价格具有显著的正向影响;而温度和降水量对游客对公园门票价格的边际意愿支付具有显著的负向影响。比较而言,由于很多滨海旅游景点门票价格实行的一票制,这可能是导致园区内各种游憩设施对门票价格产生较小影响的原因。而一些重要的园区游憩设施仍然会对门票价格产生重要的影响,比如水族馆,海洋动物表演,海上观光游船和潜水等都对门票产生显著的影响;相比之下,那些与滨海资源无关的园区游憩设施属性对门票价格没有影响,甚至产生负向影响。在园区游客拥挤度和景区A级排名方面,二者均会对公园门票价格产生显著影响。基于上述研究结果,本文对滨海公园承载力管理、环境保护、活动设施改善、以及门票价格调整等提出了相关政策建议。