计算机仿真
計算機倣真
계산궤방진
COMPUTER SIMULATION
2014年
1期
96-102
,共7页
油气操作成本%支持向量机%粒子群%预测%时间序列
油氣操作成本%支持嚮量機%粒子群%預測%時間序列
유기조작성본%지지향량궤%입자군%예측%시간서렬
Oil-gas operating cost%Support vector machine (SVM)%Particle swarm optimization (PSO)%Forecast%Time series
为解决现行油气操作成本预测方法存在的油气操作成本影响因素难确定,传统模型的构建需采集大量多维数据且对具有非线性特征的油气操作成本时间序列预测精度较低的问题,首先采用CAO算法对油气操作成本时间序列进行空间重构并构建模型所需样本.其次,为解决支持向量机回归模型(SVR)所需参数难确定及原始粒子群优化算法(PSO)易陷入局部最优的问题,利用多样性PSO算法(DPSO)并结合K-fold交叉验证最小误差准则进行参数寻优,建立基于空间重构的DP-SO-SVR油气操作成本时间序列预测模型.最终,以某油田1983～2004年油气操作成本为数据,将所提出的DPSO-SVR模型与网格搜索SVR模型、PSO-SVR模型、Levenberg-Marquardt BP神经网络模型及背景值优化GM(1,1)模型进行对比实验,并对各模型的预测能力进行对比及原因分析.结果表明所提出的DPSO-SVR模型能够解决上述问题,具有更高的预测精度且能够帮助油田管理者做出更好的决策.
為解決現行油氣操作成本預測方法存在的油氣操作成本影響因素難確定,傳統模型的構建需採集大量多維數據且對具有非線性特徵的油氣操作成本時間序列預測精度較低的問題,首先採用CAO算法對油氣操作成本時間序列進行空間重構併構建模型所需樣本.其次,為解決支持嚮量機迴歸模型(SVR)所需參數難確定及原始粒子群優化算法(PSO)易陷入跼部最優的問題,利用多樣性PSO算法(DPSO)併結閤K-fold交扠驗證最小誤差準則進行參數尋優,建立基于空間重構的DP-SO-SVR油氣操作成本時間序列預測模型.最終,以某油田1983～2004年油氣操作成本為數據,將所提齣的DPSO-SVR模型與網格搜索SVR模型、PSO-SVR模型、Levenberg-Marquardt BP神經網絡模型及揹景值優化GM(1,1)模型進行對比實驗,併對各模型的預測能力進行對比及原因分析.結果錶明所提齣的DPSO-SVR模型能夠解決上述問題,具有更高的預測精度且能夠幫助油田管理者做齣更好的決策.
위해결현행유기조작성본예측방법존재적유기조작성본영향인소난학정,전통모형적구건수채집대량다유수거차대구유비선성특정적유기조작성본시간서렬예측정도교저적문제,수선채용CAO산법대유기조작성본시간서렬진행공간중구병구건모형소수양본.기차,위해결지지향량궤회귀모형(SVR)소수삼수난학정급원시입자군우화산법(PSO)역함입국부최우적문제,이용다양성PSO산법(DPSO)병결합K-fold교차험증최소오차준칙진행삼수심우,건립기우공간중구적DP-SO-SVR유기조작성본시간서렬예측모형.최종,이모유전1983～2004년유기조작성본위수거,장소제출적DPSO-SVR모형여망격수색SVR모형、PSO-SVR모형、Levenberg-Marquardt BP신경망락모형급배경치우화GM(1,1)모형진행대비실험,병대각모형적예측능력진행대비급원인분석.결과표명소제출적DPSO-SVR모형능구해결상술문제,구유경고적예측정도차능구방조유전관리자주출경호적결책.
