基于几种参数优化的支持向量机在径流预报中的比较分析

基于支持向量机（SVM）基本原理及方法，构建基于径向基核函数的SVM径流预测模型。针对SVM惩罚因子和核函数参数的选取对模型的预测精度有着关键性影响，提出基于遗传优化算法（GA）、粒子群优化算法（PSO）和交叉验证（CV）方法的GA—SVM、PSO—SVM和CV—SVM径流预测模型。以盘龙河天保站月径流预测为例进行分析，并与传统BP神经网络预测模型进行比较。结果表明：GA—SVM、PSO—SVM和CV—SVM径流预测模型具有较好的预报精度，预测效果明显优于传统BP神经网络模型，表明所构建的几种基于参数优化的SVM模型用于径流预测是合理可行和有效的。相对而言，GA—SVM、PSO—SVM模型的预测精度略高于CV—SVM模型。