基于SVM和神经网络组合预测模型的物流需求预测

物流需求的定量数据是区域物流发展政策和规划的重要依据,影响物流需求的因素很多,传统的预测方法无法全面考虑各种因素,预测精度较低。为了提高物流需求预测的精度,采用组合预测的方法,建立一种基于支持向量机和神经网络的组合模型。首先采用支持向量机进行预测得到预测基本数据,然后通过BP神经网络进行残差修正,通过算例仿真分析,结果表明组合预测模型具有更高的精度,是一种有效的预测方法,为物流需求预测提供了新的思路。     

基于支持向量机的石油需求预测

支持向量机是基于结构风险最小化原理的一种学习技术,是一种具有很好泛化能力的预测工具,它有效地解决小样本、非线性、高维数、局部极小等问题.利用支持向量回归机对我国石油需求量进行预测,并通过实验与神经网络的预测结果进行比较,表明支持向量机具有更高的预测精度.     

基于SVM的分布式入侵检测系统

支持向量机（Support Vector Machine．简称SVM）具有泛化性高、全局最优、对样本的充分性要求不高等优点,在集中式的入侵检测问题中得到较好应用．文章将SVM算法推广到分布式入侵检测环境中,提出基于SVM的分布式学习算法。并在KDD Cup 99数据集上与集中式方式进行了对比实验．结果表明,该算法不仅能降低网络中的通信负载．而且取得了与集中式方式相当的检测性能．     

基于SVM学习方法的分析

介绍了增量学习算法、序列最小优化算法、加权支持向量机算法等几种应用于大型数据库，在加快训练速度、降低分类错误率等方面有改进的SVM流行算法．在分析各种算法优缺点的基础上，提出了在线性样本训练、超大规模样本下满足KKT条件的算法是SVM算法的发展方向的观点．     

基于支持向量机回归的农产品物流需求预测

农产品物流虽然具有普通物流的共同特点,但因其具有独特性和复杂性,这导致利用一般方法进行农产品物流需求预测不仅难度大,而且精度差。为了提高农产品物流需求预测的能力,应用基于结构风险最小化准则的标准支持向量机回归方法来研究农产品物流需求预测问题。在选择适当的参数和核函数的基础上,通过对实例研究,对时间序列数据进行预测,发现该方法能获得最小的训练相对误差和测试相对误差。结果表明,支持向量机回归是研究农产品物流需求预测的有效方法。     

基于压缩粒子群的弹性系数-投入产出物流需求预测模型

面向物流需求的预测问题,提出了一种基于压缩粒子群理论的弹性系数一投入产出物流需求预测模型．首先,引入弹性系数一投入产出模型,构建国民经济发展对物流需求的驱动模型;然后,基于压缩粒子群理论对物流需求的弹性系数进行优化预测,最终得到对未来物流需求的优化预测;最后通过应用算例验证了该模型的正确性和可靠性．     

几种SVM的优劣性比较

支持向量机(Support Vector Machine,SVM)是将样本进行分类和回归的一种强大的数学工具,尤其是对高维领域,效果尤为显著.支持向量机工作原理是针对样本数据集,寻找决策函数来对样本数据进行分类的.如今已经衍生出多种SVM的相关模型.最为常见是有孪生支持向量机(T-SVM),正则化支持向量机(RT-SVM),最小二乘支持向量机(LSSVM).这几类模型的出发点和建构模型的思想有些许不同之处.本文则选取了三种常见的SVM模型,分析和比较它们之间的优势以及劣势,能让读者更加深入的了解这类算法,并且在实际问题中更具有选择应用性.     

基于统计学习理论的云南旅游需求预测与分析

旅游需求预测研究是实现旅游业持续健康稳定发展的理论基石和前提．针对云南旅游业旅游需求统计数据时间短。影响因素复杂且难获取的特点，本文利用统计学习理论建立支持向量机的时间序列预测模型对国际国内对云南的旅游需求进行了预测和对策分析．实验表明，支持向量机理论及模型在旅游需求预测中有很大的应用潜力。     

基于LMDI-CS-LSSVM的区域中长期电力需求预测

中长期用电需求预测对地区电网规划与运行具有重要意义,准确地对其进行预测有助于配电网利用效率的提高。中长期用电需求与地区宏观经济形势息息相关,本文选用LMDI分解模型对用电增长量进行了分解,根据影响因素分解为生产效应、结构效应及强度效应,然后选用布谷鸟搜索优化的最小二乘支持向量机对各效应数据进行拟合及预测,再加总得到预测用电需求量。最后,本文以冀北地区为例对模型进行测算,通过与不同预测方法比较证明了基于LMDI电量分解的CS-LSSVM模型在中长期电力需求预测方面有较高的准确度。     

基于SVM的人脸识别方法研究

在人脸的特征提取及分类识别实验中,使用K-L变换提取了人脸图像的数字特征,用SVM进行分类识别,对40个人的280幅图片构成的训练样本集构造基于支持向量分量的两个不同核函数的分类器。对这40个人的其他120幅图片构成的测试样本集分类,两种分类器分别取得了9.83%和10.08%的分类错误率,分类器达到了很好的效果。     

基于GA-SVR的煤炭需求预测模型研究

在煤炭需求预测中, 存在历史样本量较小和非线性强的特点, 从而致使预测精度较低. 将支持向量机回归(support vector regression, SVR)与遗传算法(genetic algorithm, GA)相结合, 提出了适用于小样本量学习的GA-SVR煤炭需求预测模型. 通过分析选取5项指标作为煤炭需求的影响变量;以历史煤炭需求与其影响变量值为学习样本, 结合遗传算法确定SVR预测模型参数;实例结果表明GA-SVR模型预测精度优于BP神经网络模型.     

一种基于支持向量机与灰色的组合预测新方法

本文根据最小方差将支持向量机和灰色进行组合得到组合预测模型,弥补单模型方法的不足,算例结果表明预测精度明显提高。     

基于因果分析和相似日选择的共享单车需求量预测组合模型

共享单车的需求量预测是优化车辆系统布局、实现车辆合理调度的基础。为了提高共享单车需求量预测模型的精度,建立了基于格兰杰因果分析和相似日选择的组合预测模型,研究了时间和天气因素对共享单车出行需求的影响。应用格兰杰因果检验方法,筛选出影响共享单车需求量变化的关键天气指标。然后,基于天气特征向量的灰色关联度指标,提取待预测日各时段的相似日样本集。综合随机森林回归、支持向量回归等机器学习算法,建立了Stacking策略的组合预测模型,对区域分时共享单车需求量进行预测。最后,对北京市共享单车用户的骑行数据进行实例分析。结果表明相较单个机器学习预测模型,提出的组合预测模型的平均绝对百分比误差下降了9.1%,提高了共享单车短时需求预测的科学性和准确性,可为实际车辆调度提供参考依据。     

弹性需求下拥挤道路收费优化模型与算法

研究了弹性需求下道路收费的优化问题。建立了双层规划模型。其中上层模型以最小化网络总的出行费用为目标。下层模型满足弹性需求下的平衡分配模型。提出了满足Wordrop平衡原则的模型以及求解算法,最后给出了算例。     

基于弹性波动力学理论的结构阻尼

引入弹性应力波阻抗的概念,利用阻抗与阻尼在一定条件下相等的方法来确定结构的初始阻尼,为结构振动分析计算中阻尼参数的选取提供一种实用性较强的方法.理论分析证实基于弹性波动力学理论下粘滞阻尼理论及复阻尼理论在杆的轴向振动及梁的横向振动中的一致性,可应用这种方法来确定杆式结构及梁式结构的阻尼特性参数分布.通过这种方法确定的福泉高速公路江兜分离式立交桥简支板梁对应于第一阶振型的阻尼比为5.556%,该桥环境随机振动试验中采用半功率(带宽)法求得的板梁不同测点处相应的阻尼比介于5.02%～5.54%,试验结果说明这种方法在工程实践中应用是可行的.     

中国投入产出表系数变动研究

文章以1987年至2007年5张全国投入产出基本表为分析对象,以各主要行业为分析单位,对这5张表中各行业的影响度和感应度的变动情况,消费、投资和出口需求对生产的诱发系数变动情况,以及折旧系数、劳动报酬系数、社会纯收入系数的变动情况进行动态研究.     

中国投入产出表系数变动研究

文章以1987年至2007年5张全国投入产出基本表为分析对象,以各主要行业为分析单位,对这5张表中各行业的影响度和感应度的变动情况,消费、投资和出口需求对生产的诱发系数变动情况,以及折旧系数、劳动报酬系数、社会纯收入系数的变动情况进行动态研究.     

基于支持向量机的非对称区间回归分析

针对区间回归中上、下2个端点的误差范围不相同的非对称问题,建立了Fitness、Possibility 和Necessity 3个回归模型,对区间样本的中心趋势和最大、最小可能边界进行综合分析,并引入支持向量机,区分线性和非线性两种情况,提出了非对称区间回归支持向量机AIR-SVM(asymmetrical interval regression SVM)算法,对非对称区间数据集回归估计进行了分析.通过3个数据仿真实验,检验了提出算法的良好性能,有效地解决了非对称情况下精确数输入-区间数输出的区间数据回归问题.     

基于动态聚类与偏最小二乘回归分析的居民用电负荷预测

先用动态聚类法对福州市居民历史用电负荷进行聚类分析以获得一个样本空间,在此基础上采用偏最小二乘回归方法进行建模和短期负荷预测分析.     

基于需求侧管理实时电价优化方法综述

为改善电力市场供需状况,实现削峰填谷目标,基于需求侧管理的实时定价研究不断深入.鉴于此,对其主要优化方法和最新进展进行综述.首先,总结了实时定价的社会福利最大化模型,明确模型以追求全体用户的效用之和与电能成本之差,即以社会总福利最大化为目标.随后,归纳了求解社会福利最大化模型的几种方法,包括对偶优化方法、交替方向乘子法...