基于HP滤波的ARMA-ABCSVR-GABP网络流量预测

针对当前网络流量无法根据流量变化的特征进行预测,且通过单一或者组合模型依然得不到较高准确率的问题,提出一种基于HP(High-Pass Fliter)滤波的流量预测模型。基于高铁站流量数据日高夜低的周期特性以及流量波动增长的长期趋势,依据HP滤波将网络流量分解成周期序列及趋势序列。利用自回归-滑动平均模型(ARMA)对平稳序列预测的优势来进行周期变化的预测;使用人工蜂群算法(ABC)优化后的支持向量回归机(SVR)对趋势序列进行预测;将二者预测的结果叠加,使用遗传算法优化的BP神经网络(GABP)进行结合预测,进一步提高准确率。结果显示,该预测方法可靠,较其他方法具有优越性。

基于LWR-ABCSVR的WiFi指纹定位算法

针对在Wi Fi环境下,传统的位置指纹定位算法定位精度不够高和指纹数据库构建困难的问题提出了一种基于线性加权回归(LWR)和蜂群优化的支持向量回归机(ABCSVR)的LWR-ABCSVR定位算法。该算法通过LWR在离线阶段对采集到的位置指纹数据库进行扩充;利用ABCSVR构建物理位置和RSS之间的非线性关系,并通过构建的预测模型完成定位。实验结果表明,该算法的定位精度远高于传统的几种定位算法,并且可以在一定程度上减少构建指纹数据库的工作量,是一种综合性能良好的定位算法。

基于人工蜂群优化的支持向量回归预测方法

针对支持向量回归(support vector regression,SVR)预测方法的参数选择影响其预测效果的问题,提出了一种基于人工蜂群算法的SVR预测模型的参数优化方法,实验结果表明,与传统的粒子群优化算法相比,人工蜂群优化的SVR预测方法能够更有效地克服局部最优解,具有更高的预测精度。将该方法应用于故障状态下飞行器动力装置的滑油金属元素含量时间序列分析,成功地预测出磨损故障的发生。

基于改进人工蜂群算法的支持向量机时序预测

为使支持向量机(SVM)能更好地完成参数寻优并获得时间序列变化空间预测功能,通过改进人工蜂群社区不同蜂群的搜索方式以强化算法角色分工机制的技术优势;引入模糊信息粒化理论进一步提升支持向量机时序预测框架的学习效率、回归精度及推广能力。将方法用于上证指数时序建模并进行多角度仿真实验对比研究,无论预测精度还是泛化性能均优于现有经典方法。所提出方法具有良好的时序预测效能,对大数据背景下满意近似解及模糊性问题研究亦具有一定的启发和借鉴意义。

人工蜂群算法优化SVR的叶面积指数反演

支持向量机回归SVR(Support Vector Regression)方法作为叶面积指数反演的一种新思路,在LAI反演中具有一定的应用价值和前景,但SVR算法中惩罚系数C、核函数宽度参数g、不敏感损失函数参数ε的取值对回归精度有显著的影响。本文提出了一种基于人工蜂群算法ABC(Artificial Bee Colony)优化SVR参数的遥感影像叶面积指数反演方法。研究数据为美国土壤水分实验(SMEX02)2002年LAI实测数据和同期的Landsat 7ETM+地表反射率数据,为了验证ABC算法优化SVR各个参数对反演精度的影响,建立了未优化参数(SVR)、优化单个参数(ABC-SVR-C,ABC-SVR-g,ABC-SVR-ε)、优化3个参数(ABC-SVR)的3类LAI反演模型,并比较了其回归拟合精度。在此基础上,分析了3个关键参数对LAI反演模型精度的敏感性,并对ABC算法优化SVR模型的精度进行显著性检验。研究表明:(1)相比未优化参数模型,ABC算法优化模型具有更高的反演精度,优化3个参数优于优化单个参数,回归直线斜率k达到0.797、决定系数r2达到0.775。(2)SVR的3个关键参数对模型精度都有影响,相较参数C和g,参数ε引起模型精度的不确定性更高。(3)95%的置信区间下,ABCSVR模型与SVR模型的回归直线斜率k、r2、RMSE的差异显著性检验P值均小于0.005,ABC算法显著改善了SVR模型的精度。