集成灰色支持向量机预测模型研究与应用

对灰色预测GM(1,1)模型进行了分析,提出了集成灰色支持向量机的预测模型。分别对影响灰色预测GM(1,1)模型精度的背景值的计算、初值的选取以及数据序列的光滑度进行改进,提出了背景GM模型、初值GM模型、光滑度GM模型,并结合支持向量机的特点,将一维原始数据序列通过三个灰色模型得到的三组值作为支持向量机的输入,原始序列作为支持向量机的输出,训练得到最佳支持向量回归机模型。仿真结果表明了该模型的有效性。

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。

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.

基于支持向量机的变压器碳排放预测模型

目的解决变压器中主要设计参数影响下的碳排放量预测问题。方法本文利用随机森林(Random Forest,RF)算法和支持向量机(Support Vector Machine,SVM)算法进行对比,构建一个变压器碳排放预测模型。结果通过对变压器的全生命周期进行评价,确定铁芯的长宽比为影响碳排放量的主要因素,对给定参数下的碳排放量进行预测,并与实际值进行对比分析得出,3类预测模型中,SVM高斯核模型的平均绝对误差值约为5.37,与碳排放实际值最为接近,故采用高斯核函数的非线性支持向量机预测模型最优。结论证明支持向量机高斯核函数预测模型更具有预测准确性和有效性,以期能为生产企业进行低碳设计提供参考依据,为电力行业生产设备的可持续设计研究提供一定的借鉴意义。

基于支持向量机与改进高斯过程混合模型的车用电池容量预测方法

基于数据驱动的容量预测有助于锂电池健康管理以延长其使用寿命。然而,目前大多数相关方法基于实验室数据展开,无法反映实际复杂工况下车用电池老化特性。因此,本文利用电动汽车实车数据,设计了一种基于支持向量机与改进高斯过程的混合模型,实现了车用电池容量的精确预测。首先从汽车实时运行数据集中利用滑动窗口安时积分法提取其容量数据,设计了集合经验模态分解方法,将电池容量分为长期退化趋势和短期波动两部分,然后分别设计支持向量机与改进高斯过程对这两个分量进行建模,将结果融合得到最终的容量预测值。基于三辆实车数据集的试验结果表明,所提出的方法可以适用于实车数据的高精度容量预测。

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。

基于沙地猫群优化–最小二乘支持向量机的动态NOx排放预测

针对火电机组频繁调峰导致机组燃烧状态不稳,进而导致锅炉出口NOx浓度波动范围大的问题,提出一种基于沙地猫群优化(sand cat sarm optimization,SCSO)的最小二乘支持向量机(leastsquaressupportvectormachine,LSSVM) NOx动态预测模型。首先利用k近邻互信息计算时间延迟的同时筛选辅助变量。然后,基于SCSO算法进行输入变量阶次的选择。使用包含辅助变量时间延迟和阶次的信息作为模型的输入,SCSO算法优化最小二乘支持向量机参数,建立动态NOx排放最小二乘支持向量机预测模型(SCSO-LSSVM动态软测量模型)。最后将模型与未加入迟延的LSSVM模型,加入迟延的LSSVM模型和粒子群优化算法(particle swarm optimization,PSO)优化最小二乘支持向量机参数的动态软测量模型进行对比验证。结果表明,相较于其他模型,该文建立SCSO-LSSVM动态软测量模型均方根误差、平均绝对误差、平均绝对误差最小,预测精度最高,而且在NOx浓度剧烈波动时也能够较好地预测NOx浓度,具有很好的动态特性。

运用灰色支持向量机技术预测混凝土桥梁的极限荷载

叙述了提取混凝土桥梁极限荷载影响因素的重要性和影响桥梁极限荷载的多方面因素,解释了灰色预测法和支持向量机的基本定义和主要作用,阐述了灰色预测法预测建模和灰色支持向量机计算方法,选取了某混凝土桥梁为测试对象,设置实验测试方案及参数并进行了测试,取得了预期效果。

基于反向传播神经网络和支持向量机融合模型的农产品价格预测技术

在当今农业科技快速发展的过程中,农产品种植的种类和规划方式也越来越丰富,不同的农产品规划能带来不同的农作物种植收益。为了提高农产品种植规划的质量,提出了一种基于融合模型的方法。过程中建立包含三层结构的反向传播神经网络,使用粒子群算法通过逐渐逼近的方式进行数据寻优,使用支持向量机回归技术对短时间农产品价格进行预测。实验结果表明,研究方法在对蔬菜进行预测时,在输入数据条数为200条时的计算时间为153 ms;在产品单价预测结果中,研究方法在对水果进行预测时的预测结果误差保持在0.003元每千克以内。研究方法能够有效完成农产品的单价预测,且具有良好的效率。

基于支持向量机集成的船舶舱室温湿度预测

针对船舶舱室温湿度保持困难、数据难以预测的问题,提出了基于克隆选择算法的支持向量机集成方法。首先,利用克隆选择算法优化个体支持向量机,根据个体预测误差进行自适应集成;然后,对舱室温湿度时间序列数据样本化,采用支持向量机集成进行训练、测试;最后通过统计测试结果以及与BP神经网络、单支持向量机、GM(2,1)模型的预测误差对比发现,支持向量机集成模型可有效预测空调故障条件下船舶舱室温湿度的变化规律,为装备的使用和维护提供技术支持。

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。

基于麻雀算法优化支持向量机的NOx浓度预测

煤炭作为火电厂发电的主要能源,其在锅炉内焚烧过程中会产生大量的氮氧化物。各电厂一般利用烟气自动监控系统对其浓度进行实时测量,但由于测量时存在较大迟延,不能准确地反映SCR系统NOx浓度的实时变化。因此提出了一种基于改进麻雀算法优化最小二乘支持向量机的NOX浓度预测方法。首先,引入余弦因子改进麻雀算法中的比例算子,将迭代次数信息引入到迭代过程中,平衡算法前后期的全局与局部搜索能力。其次,使用新的变异算子代替原算子,将混沌理论融合到麻雀算法,解决了算法全局搜索能力较差、初始化麻雀分布不稳定及发现者位置更新方式不足的问题。最后,采用改进麻雀算法(CDE-SSA)对最小二乘支持向量机(LSSVM)进行参数寻优。实验结果证明,方法在NOX浓度预测的精度和稳定性上均表现出了良好的性能。

基于混沌粒子群改进支持向量机对露天矿边坡稳定性的分类预测

为了简便有效地评估边坡稳定性状态,针对目前传统机器学习的算法选择与超参数优化等难题,提出了基于混沌粒子群优化算法的4种机器学习模型,并对其预测性能进行了对比。建立了包含221组露天矿边坡稳定性案例的数据库,其中80%的数据用于训练,20%的数据用于模型测试。4种模型预测结果及工程实例验证结果表明,基于混沌粒子群改进支持向量机模型的预测效果上总体优于其他3种机器学习模型,预测准确率88%,能够有效预测边坡稳定性,可为露天矿边坡安全提供可靠的预测结果。

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。

基于支持向量机和灰色BP神经网络的冬小麦晚霜冻害预测

晚霜冻害是黄淮海平原冬小麦生产中危害严重的农业气象灾害之一,为有效预测冬小麦晚霜冻害,以河南商丘市为研究区,针对商丘1980—2019年的气象数据,以0℃为阈值确定终霜日,采用灰色季节灾变方法处理数据,得到反映霜冻发生年份规律的间隔数据序列,结合灰色系统和机器学习模型的优点,提出了一个基于支持向量机残差修正的灰色BP神经网络模型。试验结果表明:对照传统灰色预测模型、改进灰色模型以及BP神经网络预测模型,残差修正后的灰色BP神经网络模型的平均相对误差、平均绝对百分比误差和均方差比值分别为0.3843%、1.1502%和0.0690,模型拟合程度进一步提高;对历史数据和预测结果进行分析,发现每20年存在1个晚霜冻发生连续时期,其后晚霜冻发生频率降到2~4年1次,预测商丘下一次晚霜冻发生年份为2022年。本研究提出的冬小麦晚霜冻害预测模型,对各项精度评价指标均有提升,冻害预测结果与实际发生情况基本一致,可为全球气候变化背景下大面积冬小麦晚霜冻害预测提供思路和方法,对其他农业生产灾害预测问题具有一定参考价值。

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。

结构化最大间隔双支持向量机在股票预测中的应用

股票价格受政策、宏观经济以及公司经营状况等多方因素的影响,且各因素之间存在较高的相关性,因此股票数据存在的高噪声、非平稳等特性使得股票预测充满困难。为了减少数据中存在的噪声对股价预测准确性的影响,基于马氏距离的类间隔可分性,提出了结构化最大间隔双支持向量机,其分别针对正类样本和负类样本,寻找两个非平行的超平面,使每一类样本离本类样本的欧式距离尽可能小,同时离异类超平面的马氏距离尽可能大。8组基准数据集的实验结果表明,该方法在含噪声数据的分类问题上具有稳定的准确率,从而提升了模型的预测性能和抗噪能力。同时将其应用到股票涨跌趋势预测中,通过对上证综指、上证A指、上证380指数以及中国平安等14只股票实证分析的结果表明,相较于其他对比模型,结构化最大间隔双支持向量机表现出了较好的预测结果,具有一定的实用价值。

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。