基于SA-SVM的众筹违约风险预警模型

随着中国众筹市场的不断发展,众筹出资人与众筹平台对违约风险的管控要求不断提升。由于众筹存在信息严重不对称、时间跨度长、违约损失大等特点,对高违约风险的众筹项目进行预警可有效规避风险,降低损失。通过分析众筹违约相关因素,结合众筹平台提供的公开信息,从众筹项目基本特征、发起人信用度、项目关联度、项目融资进展四个方面构建众筹违约风险预警指标体系;在上述分析的基础上,将模拟退火(SA)算法与支持向量机(SVM)相结合,构建众筹违约风险预警模型,实证研究结果表明该模型鲁棒性好、精度高,能有效预警众筹项目违约风险。

基于粒子群算法的极限学习机短期电力负荷预测

为了优化极限学习机的参数,提高短期负荷预测的准确率,提出一种改进粒子群算法的极限学习机(CSPSO-ELM)预测模型。该模型利用粒子群算法(particleswarmoptimization,PSO)寻找极限学习机(ELM)网络中最优的输入权值和隐层偏差值,得到输出权值矩阵,以达到减少随机参数误差的目的。同时引入混沌自适应策略,增强粒子群算法的多样性,防止粒子群陷入局部收敛。在充分考虑天气、湿度、假日因素和当地工业产值对预测结果的影响下,提出一种基于该方法的极限学习机预测模型。最后,针对扬州市高新区用电总量预测问题,通过与其它模型的对比实验,证明了改进的粒子群算法优化了极限学习机的参数结构,提高了电力负荷预测的精准度。

改进粒子群算法优化支持向量机的短期负荷预测

针对支持向量回归机在预测建模中的参数选取问题,提出一种基于混沌自适应策略的粒子群优化支持向量回归机参数的方法。采用混沌映射算法和聚合度自适应判断策略,增强种群的全局寻优性能,提升粒子的多样性,从而避免种群过早收敛。充分考虑天气、节假日、居民消费等因素的影响,提出一种改进的支持向量回归机预测模型并与粒子群算法的支持向量回归机模型进行对比分析。分析结果表明,该预测模型可将预测的均方根误差降低约40%,绝对值误差降低约42%,相对误差降低约46%,仿真结果验证了所提方法优化了支持向量回归机参数,改善了预测效果。