京津冀城市可持续发展效率预警研究——基于灰色支持向量机回归模型的预测

选用支持向量机回归模型与灰色GM(1,1)模型组合方式对2020—2022年京津冀城市可持续发展效率各项测度指标值进行了预测,先将所得指标预测值代入超效率CCR-DEA模型,从而得到2020—2022年京津冀城市可持续发展效率的预测值,再将预测值及其均值与2012—2019年的实测值及其均值进行比较,得以判断预测期京津冀城市可持续发展状态。预警判断结果实现了与京津冀城市可持续发展现状及该区域内若干发展政策的相互印证,从而印证了文章所提供的研究框架和预警建模方法的可信性。文章不仅丰富了城市可持续发展效率预警研究文献,而且有助于深入理解京津冀协同发展战略。

机车前端薄壁吸能管仿真模型模糊参数的支持向量回归反求

为了获得影响耐撞性结构有限元计算精度的准确模型参数,提高冲击仿真的准确性,提出一种基于支持向量回归(support vector regression,SVR)模型进行参数优化反求的方法。以一种机车前端防爬结构中的预压薄壁吸能圆管为研究对象建立有限元模型,进行台车冲击试验验证仿真模型准确性。通过拉丁超立方试验设计驱动有限元模型进行少量计算获得数据集,有限元模型中的模糊参数为输入变量,计算与试验载荷的差异为目标响应,通过SVR方法构建映射关系,并采用增强精英保留遗传算法(strengthen elitist genetic algorithm,SEGA)对超参数进行优化,确定SVR模型最佳配置;通过该最优SVR模型再次使用SEGA优化反求,获得最佳模糊参数组合。使用这组参数组合设置有限元模型,其仿真结果相较初始计算耐撞性指标和载荷曲线匹配程度都得到了提高。研究结果为有限元模型中模糊参数的准确设定、碰撞仿真的精度提升提供了一种新的思路。

基于斑马算法优化支持向量回归机模型预测页岩地层压力

针对陇东地区三叠系延长组7段(长7段)页岩孔隙结构复杂、非均质性强、地层压力预测精度较低等问题,提出了一种基于斑马算法优化支持向量回归机(ZOA-SVR)模型预测地层压力的方法,并在实际钻井中进行了应用,将预测结果与基于机器算法的模型和常规地层压力预测方法结果进行了对比。研究结果表明:①ZOA-SVR模型以实测地层压力数据为目标变量,优选与陇东地区长7段页岩地层压力数据关联度达到0.70以上的深度、声波时差、密度、补偿中子、自然伽马、深侧向电阻率、泥质含量等7个参数作为输入特征参数,设置训练样本数为40,交叉验证折数为5,初始化斑马种群数量为10,最大迭代次数为70,对惩罚因子和核参数进行优化并建模,参数优化后拟合优度指标R2达到0.942,模型预测的地层压力数据在训练集和测试集上的绝对误差均低于1 MPa,预测测试集地层压力数据与实测压力数据的平均相对误差为2.42%。②ZOA-SVR模型在研究区长7段地层压力预测中优势明显,比基于粒子群优化算法、灰狼算法和蚁群算法的模型具有更好的参数调节及优化能力,R2分别提高了0.209,0.327,0.142;比等效深度法、Eaton法、有效应力法预测的地层压力精度更高,相对误差分别降低了32.53%,15.31%,5.91%。③ZOA-SVR模型在实际钻井中的应用结果显示,研究区长7段地层压力在垂向上分布较稳定,泥页岩段的地层压力高于砂岩段,地层压力系数主要为0.80~0.90,整体上属于异常低压环境,与实际地层情况相符。

基于Logistic回归和支持向量机的早发性结直肠癌风险预测模型

目的:通过Logis tic回归和支持向量机(SVM)探究早发性结直肠癌(EOCRC)和晚发性结直肠癌(LOCRC)的危险因素,建立针对不同年龄段人群的风险预测模型并比较预测效果。方法:选择2012—2022年诊断为结直肠癌患者,记录人口学特征、临床表现、既往史、家族史、生活方式、体格检查、实验室检查及病理诊断,分别建立风险预测模型,比较两模型的ROC曲线下面积(AUROC)、准确率、精确率、召回率、F1分数。结果:综合两模型结果,EOCRC风险与出现消化道出血、腹胀腹痛、大便习惯改变等临床表现、体重减轻、肿瘤标志物升高具有较强的正相关性,与婚姻状况、阑尾切除史、糖尿病史、血脂异常病史、结直肠癌家族史也存在较弱的正相关;LOCRC风险与婚姻状况、出现临床表现、体重减轻、血脂异常、肿瘤标志物升高具有较强的正相关性,与年龄、吸烟、阑尾切除史、结直肠癌家族史也存在一定的正相关性。两模型的AUROC、准确率、F1分数相差不大,但Logistic回归模型的精确率更高而SVM模型的召回率更高。结论:EOCRC和LOCRC的危险因素不完全相同,婚姻状况、吸烟、血脂异常、肿瘤家族史在EOCRC中的贡献低于在LOCRC中的贡献。相较Logistic回归,SVM能发现更多的结直肠癌危险因素,能尽可能多的找出结直肠癌的可能患者。

基于逻辑回归和支持向量机耦合模型的滑坡易发性分析

滑坡灾害的发生具有累进性,进行滑坡易发性评价是防灾减灾的前提。以四川省旺苍县为例,使用频率比法判断12个滑坡影响因子的各分级区间滑坡敏感性,经波段集统计确定11个滑坡影响因子作为滑坡易发性评价因子,通过建立逻辑回归-支持向量机(logistic regression-support vector machine,LR-SVM)耦合模型,搭建滑坡易发性评价体系,完成旺苍县滑坡易发性评价并进行模型精度比较。研究结果表明:逻辑回归-支持向量机耦合模型的评价指标结果均优于逻辑回归模型,易发性分区结果更合理,预测精度更高;在低易发区选取非滑坡点为提高滑坡易发性评价性能作用明显;研究区内道路、高程和NDVI对滑坡发育的敏感性较强;高易发区主要分布于低海拔的水系和道路两侧。

基于优化多维支持向量机回归模型的土体参数反演

针对如何有效提高位移监测数据反演土体参数精度的问题,提出一种基于麻雀搜索算法优化多维支持向量机回归模型的土体参数反演方法。依托黄土区超深路堑边坡工程项目,采用有限差分软件FLAC3D建立边坡二维模型,并利用正交试验进行土体参数的多因素敏感性分析以确定待反演参数。然后建立符合实际开挖情况的边坡三维开挖模型,计算不同反演参数下的模拟位移值以获得训练数据。利用麻雀搜索算法获得多维支持向量机回归模型的最优参数从而构建SSA-MSVR模型,使用训练数据训练优化模型。最后,将实际监测位移代入训练好的模型求得土体最优反演参数并分析验证反演参数的正确性。结果表明:影响边坡稳定性系数的土体参数敏感性排序前4位为老黄土的内摩擦角、红黏土的内摩擦角、老黄土的黏聚力和老黄土的弹性模量,确定了这4个参数为待反演参数;超深路堑边坡开挖完成后,边坡顶部产生沉降位移,而底部出现卸荷回弹现象;利用反演参数计算的位移模拟值与实际监测值相对误差均小于10%,证明SSA-MSVR模型应用于土体参数反演效果较好,为参数反演提供了新的思路和方法。

基于灰色支持向量回归的起伏管线临界携液流速预测模型

延安气田起伏的地理形貌特征,致使其内部采气管线在低点及上倾段容易产生积液问题,制约气田正常生产,开展起伏管线临界携液流速的预测对保障采气管线流动安全和指导地面采气管线布线具有重要价值。为此,基于扩展双流体分相模型和PR气体物性方程,采用最小压力梯度法结合均匀设计构建了临界携液流速样本数据集,同时采用灰色关联计算了样本标签权重,并将其引入支持向量回归算法,构建了临界携液流速的回归预测模型,随后利用网格寻优算法,通过采用K-CV(交叉验证)对模型中超参数进行了优化设计,最后采用延安气田现场运行数据进行了模型准确性验证。研究结果表明:管径大小对临界携液流速影响最大,其次为上坡倾角、含水率和运行压力,其他因素的影响差距相对较小,网格分段寻优对比遗传、粒子群算法在模型超参数优化上具有较强稳定性。该预测模型对延安气田内部采气管线的临界携液流速预测具有较强准确性,可对其积液预测和防治提供理论支撑。

基于变量敏感度筛选的回归型支持向量机的数控机床热误差预测

随着机械制造行业的迅猛发展,对于数控机床的定位精度要求越来越高。为了提高机床定位精度,建立了基于变量敏感度筛选与回归型支持向量机(SVR)混合模型,并将其用于数控机床热误差预测方法。该方法基于对变量敏感度分析,筛选掉敏感度低的干扰自变量。本方法与基本SVR模型对数控机床热误差预测值进行对比,结果表明基本SVR受到敏感度低的干扰自变量影响,预测结果与实测热误差结果偏差较大;经过变量敏感度筛选之后的SVR混合模型预测值具有更高的准确度,验证了此模型的可行性。

湖南高速公路基础设施碳排放峰值支持向量回归预测模型

本文选取湖南省的人口数、人均GDP、基础设施固定资产投资、单位产值能耗比和单位能耗碳排放量作为高速公路基础设施的碳排放影响因素,选用湖南省2003—2021年相关数据并采用支持向量回归(SVR)机器学习法,建立了湖南省高速公路基础设施碳排放预测模型,预测在基准、低碳和超低碳情景下的碳排放数据。结果表明:训练样本交叉验证均方误差为0.007011,模型的预测值和真实值的拟合回归效果良好,训练集和测试集的相关系数分别为0.9869和0.9870,即模型具有良好的学习和推广能力。本文识别了碳排放的影响因素,预测了未来碳排放趋势,对交通基础设施碳减排行动具有一定的参考意义。

基于随机森林和支持向量机的Mo-Nb合金本构模型

在变形温度为900~1200℃、应变速率为0.01~10 s^(-1)条件下,采用Gleeble-3800型热模拟试验机对Mo-Nb合金进行等温恒应变速率压缩实验,研究Mo-Nb合金的流动应力行为,并采用随机森林和支持向量机的方法建立该合金的本构关系模型。结果表明:Mo-Nb合金是负温度和正应变速率敏感型材料,其流动应力随变形温度升高和应变速率降低而减小;随机森林和支持向量机本构关系模型的训练样本的相关系数和平均相对误差分别为0.989、0.998及2.41%、0.94%,测试样本的相关系数和平均相对误差分别为0.991、0.996及2.47%、1.4%,二者都具有较好的预测能力;支持向量机本构关系模型精度高于随机森林,因此,支持向量机本构关系模型更适于预测Mo-Nb合金的流动应力。

基于主成分分析的果蝇算法优化支持向量机回归的红枣产量预测

随着大数据技术和人工智能的快速发展,针对当前红枣产量预测模型精度低、模型优化时间过长等问题,以山西省1993—2020年的红枣产量及17个维度的因素作为基础数据,提出一种基于主成分分析的果蝇算法优化支持向量机回归(principal component analysis-fruit fly optimization algorithm-support vector regression,PCA-FOA-SVR)的红枣产量预测模型。首先利用主成分分析(principal component analysis,PCA)对数据进行降维处理,以5维的指标作为输入变量,产量作为输出变量;其次以支持向量机回归(support vector regression,SVR)为基础模型,利用果蝇优化算法(fruit fly optimization algorithm,FOA)对SVR参数惩罚因子c和核函数参数g进行寻优,构建PCA-FOA-SVR模型。对试验结果进行验证。发现PCA-FOA-SVR的均方根误差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)、决定系数R 2分别为3.11、3.01、0.96,SVR的各指标分别为5.33、4.07、0.9,分别提高了41.7%、26%、6.7%,最后通过GM(1,1)对各维度的数据进行预测,利用PCA-FOA-SVR模型对未来10年山西省红枣产量进行预测,结果显示在2025年红枣产量会达到一个峰值,对后续相关研究提供了一定的科学依据。

糖尿病足溃疡复发风险预测模型的构建:基于Logistic回归和支持向量机及BP神经网络模型

背景全球范围内糖尿病足溃疡(DFUs)首次复发与再次复发率逐年上升,且早期复发风险高于远期风险。导致DFUs复发的风险因素较多,目前缺乏系统的筛选,因此需要探索DFUs复发的危险因素,以便早期识别复发高危人群。目的探讨Logistic回归、支持向量机(SVM)和BP神经网络(BPNN)模型在DFUs复发风险中的预测价值。方法选取2020年1月—2021年10月在宁夏医科大学总医院烧伤整形美容科、内分泌科和伤口造口门诊就诊的DFUs患者390例作为开发模型的研究对象。根据患者出院后1年内DFUs是否复发分为复发组116例(29.7%)和非复发组274例(70.3%)。收集两组患者的一般资料包括社会人口学特征、病史评估和临床病例资料并进行比较,采用糖尿病足部自我管理行为量表(DFSBS)评估患者糖尿病足部自我管理行为,采用慢性病风险感知问卷评估患者DFUs风险感知水平。采用多因素Logistic回归分析探讨DFUs患者出院后1年内DFUs复发的影响因素;将患者按照7∶3划分为训练集和测试集,运用Logistic回归变量筛选策略,分别建立Logistic回归、SVM和BPNN模型;绘制各模型预测DFUs复发风险的受试者工作特征(ROC)曲线。结果两组DFUs患者BMI、独居、糖尿病病程、吸烟史、饮酒史、受累足趾截肢史、足溃疡分级、踝肱指数、糖化血红蛋白、溃疡位置在脚底、足趾受累、足部存在行走障碍、骨髓炎、多重耐药菌感染、糖尿病周围神经病变、下肢动脉粥样硬化、足部自我管理行为、DFUs风险感知水平比较,差异均有统计学意义(P<0.05)。多因素Logistic回归分析结果显示,BMI[OR=0.394,95%CI(0.285,0.546),P<0.001]、糖尿病病程[OR=1.635,95%CI(1.303,2.051),P<0.001]、吸烟史[OR=0.186,95%CI(0.080,0.434),P<0.001]、足溃疡分级[OR=2.139,95%CI(1.133,4.038),P=0.019]、糖化血红蛋白[OR=2.289,95%CI(1.485,3.528),P<0.001]、溃疡位置在脚底[OR=3.148,95%CI(1.344,7.373),P=0.008]、足部自我管理行为[OR=0.744,95%CI(0.673,0.822),P<0.001]和DFUs风险感知水平[OR=0.892,95%CI(0.845,0.942),P<0.001]是DFUs患者1年内DFUs复发的影响因素。Logistic回归、SVM和BPNN模型在测试集中预测DFUs复发风险的正确率分别82.43%、94.87%、87.17%,ROC曲线下面积(AUC)分别为0.843、0.937、0.820。Logistic回归、SVM和BPNN模型预测DFUs复发风险的ROC曲线AUC比较,差异有统计学意义(Z=2.741,P<0.05);SVM模型预测DFUs复发风险的ROC曲线AUC高于Logistic回归和BPNN模型(Z=5.937,P=0.013;Z=3.946,P<0.001)。结论SVM模型预测DFUs患者出院后1年内DFUs复发风险的正确率、灵敏度、特异度、AUC等指标均较好,为相对最优的模型,建议进一步推广应用以验证预测模型的效能。

中国冬季降水的支持向量机预测模型研究

我国冬季降水对于农业、水资源管理和自然灾害风险评估具有重要意义.受多种气象因素的影响,冬季降水的预测仍具有挑战性,进一步提升冬季降水的预测技巧是当下短期气候预测研究的重要课题.本研究采用支持向量机(SVM)方法,旨在通过机器学习方法提高中国冬季降水的预测准确率.基于NCEP_CFS, ECMWF_SYSTEM, BCC_CSM等五个模式数据以及站点数据,建立针对冬季降水的SVM集成预测模型,并与单个模式和等权集合平均模型(AVE)加以对比.SVM模型因其强泛化和处理非线性问题的能力,在中国冬季降水预测中表现良好.研究表明:(1)SVM模型较单个模式及AVE模型的预测准确性与稳定性得到大幅提升,SVM模型的PS评分和PCS评分显著高于单个成员模式的结果,最大分别提高了8.0(12.6%)和3.9(7.4%),较AVE模型则最大分别提高了5.4(8.2%)和2.1(3.8%),预报技巧的提高在观测资料相对缺乏的西南和西北地区尤为明显.(2)从均方根误差和时间相关系数的空间分布上来看,SVM模型对其成员模式在西藏地区、西南地区、华东及华南地区误差较大的情况改善明显,误差最大降低了259(90.9%),预报技巧最大提高了1.13.(3)独立样本检验中,SVM模型的PS评分和PCS评分显著高于单个模式和AVE模型,最大提高了10.79(20.3%)和11.39(27.3%).因此,SVM模型的构建,将有助于进一步提高中国冬季降水预测的准确性和稳定性,为气象防灾减灾和气候资源开发利用等提供重要技术支撑.

基于灰狼优化支持向量机回归与SHAP值的锡冶炼能耗预测

锡冶炼过程综合能源消耗占整个锡生产过程90%,存在很大节能潜力。针对锡冶炼过程综合能耗机理模型难以建立、导致预测准确度不高的问题,提出灰狼优化的支持向量机回归(GWO-SVR)模型用于锡冶炼过程综合能耗的预测,并以某锡冶炼厂为例,将所提模型与SVR、RF(随机森林)、BP(反向传播神经网络)、LR(线性回归)模型进行比较。结果表明,GWO-SVR模型可获得最理想的预测结果,在预测精度上相比于其他机器学习算法有着巨大优势。此外,使用SHAP值从全局解释和单样本解释两个方面解释所建立的GWO-SVR模型,可视化特征对输出的贡献,增加了GWO-SVR的可解释性,并以此制定可靠的节能策略。

粒子群算法优化支持向量回归的民机客舱座椅舒适度评价预测

为建立民机客舱座椅舒适度主客观评价之间复杂非线性的评价预测模型,同时提高模型的预测精度,本文将支持向量回归(Support vector regression,SVR)中的惩罚参数C、通道控制参数ε以及核函数参数σ作为优化目标,利用粒子群算法(Particle swarm optimization,PSO)寻找全局最优参数,建立PSO-SVR人-民机客舱座椅舒适度评价预测模型,并对预测结果进行对比分析。分析结果表明:与BP神经网络(Back propagation,BP)模型相比,支持向量回归模型具有良好的鲁棒性;与SVR模型相比,PSO-SVR模型预测精度更高,误差波动小,预测结果均方误差(MSE)降低了85.95%,决定系数(R2)提高了15.42%。因此粒子群算法可以有效提高支持向量回归模型的预测精度和泛化能力。

基于改进支持向量回归模型的高校学生成绩预测研究

为提高学生成绩预测的准确性,考虑到学生学习行为特征数据的高维和非线性特征,提出了一种基于改进支持向量回归模型的高校学生成绩预测。对支持向量回归(SVR)模型的核函数进行了改进;设计了变邻域搜索算法(VNS)对改进支持向量回归模型的参数进行了优化;将上述方法应用于某高校学生数学成绩数据,并与原始SVR和基于其他智能优化方法的SVR进行了对比,验证了所提方法的有效性。

基于支持向量机算法的重症患者压力性损伤分级预测模型的构建及应用价值

目的基于支持向量机算法构建并验证重症监护病房(ICU)患者压力性损伤(PI)分级预测模型。方法收集2020年12月至2022年12月157例在重庆市某三级甲等医院重症医学科住院患者的临床资料,采用χ~2检验和kruskal-Wallis H检验筛选PI分级的影响因素。再将数据以7∶3的比例随机分为训练组和验证组,基于训练组数据利用支持向量机算法建立ICU患者PI分级预测模型,并采用五折交叉验证法进行参数优化。训练好的模型在验证组数据集中进行内部验证,对前后结果进行混淆矩阵分析,采用准确率、精确率、召回率、F1值和受试者工作特征曲线的曲线下面积(AUC)评估模型的性能。结果初步确定10个影响PI分级的因素,在gamma=0.1、cost=2.2时模型的性能最佳,PI分级预测模型的准确率为81.25%,精确率为79.70%,召回率为80.30%,F1值为79.90%,受试者工作特征曲线的AUC为0.939。结论构建的PI分级预测模型预测性能良好,可为临床医护人员制订ICU患者预防PI的分级护理干预方案提供参考依据。

支持向量机回归算法的唐山市降水量空间插值研究

针对传统插值方法在处理小样本和非线性问题上的不足,运用支持向量机回归(SVR)算法对唐山市降水量进行空间插值研究,提出了SVR算法的解决方案,以提高降水预测的准确性。通过收集2020年唐山市32个气象站点观测数据,提取经度、纬度、经纬度乘积、海拔、坡度、坡向和GPM等参数作为特征变量,并利用SVR算法建立降水量空间插值模型。研究结果表明,SVR在解决小样本和非线性问题上具有显著优势,能够有效分析多维变量对降水量分布的影响;验证显示其插值精度R2为0.79, MAE和RMSE分别为33.57mm、39.29mm,该精度在可接受范围内。通过SVR插值法生成精确的降水量分布式信息,可为唐山市旱涝减灾、水资源利用及生态保护提供科学数据支持。

增量式稀疏密度加权孪生支持向量回归机

密度加权孪生支持向量回归机(DWTSVR)是一种能够反映数据内在分布的回归算法,具有预测精度高和鲁棒性强等优点,然而其并不适用于训练样本以增量形式提供的场景。针对该问题,提出一种增量式稀疏密度加权孪生支持向量回归机(ISDWTSVR)。首先,辨别新增数据是否为异常样本,并赋予有效样本适当的权重,减小异常样本对模型泛化性能的影响;其次,结合矩阵降维与主成分分析思想筛选出原始核矩阵中的一组特征列向量基代替原特征,实现核矩阵列稀疏化,以获得稀疏解;接着,借助牛顿迭代法和增量学习策略对上一时刻的模型信息进行调整,实现模型的增量更新,同时结合矩阵求逆引理避免增量更新过程中直接求解逆矩阵,进一步加快训练速度;最后,在UCI基准数据集上进行仿真实验,并与现有代表性算法进行比较。实验结果表明,ISDWTSVR继承了DWTSVR的泛化性能,在大规模数据集Bike-Sharing上,新增一个样本模型更新平均CPU时间为5.13 s,较DWTSVR缩短了97.94%,有效地解决了模型必须从头开始重新训练的问题,适用于大规模数据集的在线学习。

基于频率比−支持向量机耦合模型的四川省喜德县滑坡易发性评价

针对滑坡易发性评价中因子分级基础数据与评价模型的选取问题,本文以滑坡灾害频发的四川省喜德县为研究区,采用斜坡单元为评价单元,通过对评价因子进行相关性分析,选取高程、坡度、曲率、NDVI、SPI、距水系距离、距道路距离、距断层距离、斜坡结构、工程地质岩组、土地利用类型11个评价因子,分别对区域点属性和滑坡点属性两类基础数据采用自然断点法进行因子分级,代入频率比模型和频率比–支持向量机耦合模型来评价滑坡易发性,并使用受试者工作特征(ROC)曲线与典型斜坡来验证模型精度。结果显示:以滑坡点属性作为分类基础数据并运用耦合模型得到的评价精度最高,对应的曲线下面积(SAUC)值为0.752,能更好地预测滑坡易发性;模拟结果显示,研究区极高、高易发区面积占比分别为4.65%和23.73%,主要分布在地形起伏较大、断层发育、人类工程活动强烈的区域。相反,断层稀疏、人口分散的地区属于中、低易发区,其面积占比分别为44.20%和27.42%。结果将为喜德县及其类似地区滑坡易发性评价工作提供科学参考。