控制工程
控製工程
공제공정
CONTROL ENGINEERING OF CHINA
2014年
2期
232-236
,共5页
粒子群算法%最小二乘支持向量机%时用水量预测
粒子群算法%最小二乘支持嚮量機%時用水量預測
입자군산법%최소이승지지향량궤%시용수량예측
particle swarm optimization%least squares support vector machine%hourly water consumption prediction
为解决传统最小二乘支持向量机(LSSVM)采用交叉验证确定参数耗时较长和粒子群(Particle Swarm Optimization,PSO)优化算法早熟收敛的问题,提出一种基于种群活性PSO算法优化LSSVM参数的方法.利用群活性加速度作为多样性测度,当群活性加速下降时,对粒子的位置和速度分别执行进化和变异操作来改进标准PSO算法,然后分析上海市时用水量序列特点及其影响因素,选取影响程度较大的主要因素,将其作为预测模型的输入变量,建立时用水量预测模型;最后采用改进的PSO算法优化LSSVM参数来预测上海市时用水量.实例分析表明,对比文中其他3种模型输入变量组合,选取的预测模型输入变量能够更有效地提高预测精度;与传统LSSVM方法相比,提出的基于改进PSO-LSSVM的时用水量预测方法计算速度更快,预测精度更高.
為解決傳統最小二乘支持嚮量機(LSSVM)採用交扠驗證確定參數耗時較長和粒子群(Particle Swarm Optimization,PSO)優化算法早熟收斂的問題,提齣一種基于種群活性PSO算法優化LSSVM參數的方法.利用群活性加速度作為多樣性測度,噹群活性加速下降時,對粒子的位置和速度分彆執行進化和變異操作來改進標準PSO算法,然後分析上海市時用水量序列特點及其影響因素,選取影響程度較大的主要因素,將其作為預測模型的輸入變量,建立時用水量預測模型;最後採用改進的PSO算法優化LSSVM參數來預測上海市時用水量.實例分析錶明,對比文中其他3種模型輸入變量組閤,選取的預測模型輸入變量能夠更有效地提高預測精度;與傳統LSSVM方法相比,提齣的基于改進PSO-LSSVM的時用水量預測方法計算速度更快,預測精度更高.
위해결전통최소이승지지향량궤(LSSVM)채용교차험증학정삼수모시교장화입자군(Particle Swarm Optimization,PSO)우화산법조숙수렴적문제,제출일충기우충군활성PSO산법우화LSSVM삼수적방법.이용군활성가속도작위다양성측도,당군활성가속하강시,대입자적위치화속도분별집행진화화변이조작래개진표준PSO산법,연후분석상해시시용수량서렬특점급기영향인소,선취영향정도교대적주요인소,장기작위예측모형적수입변량,건립시용수량예측모형;최후채용개진적PSO산법우화LSSVM삼수래예측상해시시용수량.실례분석표명,대비문중기타3충모형수입변량조합,선취적예측모형수입변량능구경유효지제고예측정도;여전통LSSVM방법상비,제출적기우개진PSO-LSSVM적시용수량예측방법계산속도경쾌,예측정도경고.
