基于PSO-SVR的空气质量预测方法

近年来,国家高度重视空气质量指数,将城市空气质量作为经济社会发展的约束性指标,高精度的空气质量指数预测的价值越来越重要。传统的空气质量预测方法仅利用历史AQI数据预测未来,预测的准确性和稳定性不高。本文构建了一种基于PSO-SVR模型的空气质量预测方法,利用粒子群优化(PSO)算法对SVR的惩罚系数C、不敏感系数和gamma参数进行优化,构建PSO-SVR模型。实验结果表明,本文提出的PSO-SVR方法的MAPE和RMSE均小于ARIMA、LSTM和SVR模型,预测精度得到提高,稳定性更强,在多城市具有更好的适用性。

基于非等权聚类混合PSO-SVR的短期空气质量预测模型研究

为提高短期空气质量预测(SAQF)水平,合理预测空气质量指数(AQI),本研究基于全国495个城市的气象数据,运用PSO-SVR算法构建了一种新的混合预测模型。混合PSO-SVR不仅对数据进行了非等权的降维处理,又兼顾了数据的非线性特征,研究结果表明构建的非等权聚类混合PSO-SVR模型输出结果的RMSE和MAPE平均值优于传统SVR,GA-SVR,BPNN,XGBoost和LSTM模型,验证了本研究提出的模型优越性及带来的研究价值;探究经济社会环境中工业化和城市化因素对AQI造成的影响,统计9个城市空气质量预测误差率在10%以内的占比超过了70%,进一步验证该模型可提高空气质量的预测精度,从而使空气质量指数更好地服务政府管理者和城市居民等相关群体。

基于PSO-SVR的重型柴油车NO_(x)排放预测

结合重型汽车国Ⅵ污染物排放法规,采用车载便携式排放测试设备(PEMS)进行了某重型柴油车实际道路排放测试.对测试数据进行数据对齐,剔除无效数据后,采用灰色关联分析提取了对NO_(x)排放影响较大的参数,引入主成分分析(PCA)对输入数据进行降维,引入非线性递减惯性权重粒子群算法(PSO)对支持向量回归(SVR)模型进行优化,最终得到重型柴油车实际道路NO_(x)排放预测模型,测试集均方根误差(RMSE)为1.381 6 mg/s,平均绝对百分比误差(MAPE)为19.88%,决定系数R^(2)为0.908 1.该研究为车载NO_(x)传感器故障诊断以及重型车NO_(x)排放在线监管提供一种可能性方法.

基于SG-PSO-SVR的扇形段故障预测系统设计

针对连铸机扇形段在连铸过程中出现设备故障发现率低的问题,提出并设计一种基于SG-PSO-SVR的故障预测系统。系统软件方面采用分层结构,包括界面层、应用层和感知层。首先收集连铸机扇形段运行中产生的实时数据,完成状态识别及故障预测;然后将结果数据返回上位机,以可视化的方式将状态信息及预测结果显示在界面上。结果显示:采用该状态评估方法将设备的故障发现率从75%提高到91%;采用SG-PSO-SVR模型相较于SG-SVR的预测效果更好,平均绝对百分误差与均方根误差都较低,该系统能有效地对扇形段运行过程中的状态进行评估。

基于PSO-SVR模型的小麦赤霉病病穗率预测方法

为探寻小麦赤霉病病穗率预测方法,基于滁州市2005-2020年小麦赤霉病病穗率资料和对应气象资料,运用相关性及灰色关联分析法(GRA)确定小麦赤霉病主要气象影响因子并作为支持向量回归(SVR)模型的输入向量,再利用粒子群算法(PSO)优化SVR模型的惩罚因子C和核函数参数g,建立基于粒子群算法优化的小麦赤霉病预测支持向量回归模型。同时针对本地不同小麦品种,构建PSO-SVR-SOUTH和PSO-SVR-NORTH的PSO-SVR分模型,应用3种模型对滁州地区小麦赤霉病病穗率进行预测。结果表明,拔节期至灌浆期是影响滁州小麦赤霉病的重要时段,各生育时期内降水量、雨日数、湿度、日照等气象因子与赤霉病有高关联;PSO-SVR赤霉病病穗率预测模型的起报时间越接近灌浆期,其预测精度越高,测试样本的预测值与实测值相关系数最高达0.68,均方根误差最小为9.55%;按照不同小麦品种构建的PSO-SVR-SOUTH和PSO-SVR-NORTH模型的预测效果要优于原PSO-SVR模型,其中最迟起报时间的PSO-SVR-SOUTH和PSO-SVR-NORTH模型的平均绝对误差分别较原PSO-SVR模型减少了63.7%和20.8%,均方根误差RMSE较原有模型分别降低了61.6%和40.6%,相关系数分别提高了38.2%和29.4%,拟合优度R 2则分别提高了1.4倍和1.1倍。该模型业务服务效果较好,可用于本地小麦赤霉病预测。

应用灰关联分析的PSO-SVR工程造价预测模型

为了准确预测与控制工程造价水平,提出一种基于灰关联分析(GRA)与粒子群优化(PSO)的支持向量回归机(SVR)组合预测模型.将GRA提取的工程造价主要指标向量输入PSO-SVR模型预测造价,采用PSO优化的SVR模型进行工程造价预测,对比分析PSO-SVR模型和其他智能模型,对某一地区相同输电工程进行造价预测.结果表明:基于灰关联分析的PSO-SVR模型的造价预测效果更理想,预测精度更高.

面向矿井动目标的PSO-SVR模型与UWB Chan优化距离指纹融合定位方法

针对目前井下人员、车辆、设备等移动目标位置精确管理存在的不足,本文对面向矿井动目标的定位算法与指纹定位模型进行研究。设计出一种基于改进粒子群优化SVR模型与Chan优化距离指纹匹配融合定位方法。首先,构建一种基于STM32 ARM主控制器和DWM1000的超宽带(UWB)核心节点模型,通过双边双向测距和飞行时间法(TOF)对传输距离数据进行计算。在此基础上,通过依次在特定点采集距离指纹,基于改进的PSO-SVR模型进行移动目标路线拟合,预测目标的移动路径。再将其与Chan指纹进行结合,拓展出优化距离指纹融合定位方法。实验结果表明,本文提出的指纹优化匹配融合定位方法能够较好地预测出移动路径,最大误差不超过20 cm,平均误差不超过1 cm。本文研究对矿井智能化建设及安全生产具有重要意义。

基于PSO-SVR的气膜薄壳钢筋混凝土穹顶储仓的工期预测

为客观、合理地进行气膜薄壳钢筋混凝土穹顶储仓的工期预测,提出了基于PSO-SVR的预测方法。采用粒子群算法(particle swarm optimization,PSO)对支持向量回归机(support vector regression,SVR)的参数进行优化,并运用优化后的支持向量回归机对气膜薄壳钢筋混凝土穹顶储仓的工期进行预测。通过实例验证表明:PSO-SVR模型的预测效果优于遗传算法(GA-SVR)和串联型灰色神经网络(SGNN)。

基于PSO-SVR的土压平衡盾构施工进度优化

针对隧道掘进机(TBM)利用率预测研究匮乏的问题,建立数据驱动的利用率预测模型并进一步对施工进度展开优化.结合新加坡某地铁隧道项目数据,研究地质类型、司机操作与载荷对TBM利用率的影响,提出基于支持向量回归(SVR)的利用率预测方法,并以施工进度最大为目标展开操作参数优化.利用SVR建立掘进环利用率与地质类型、载荷、操作参数的映射模型;建立以施工进度最大为目标,以地质类型、载荷、操作参数为约束边界的优化方程;利用粒子群优化(PSO)寻找特定地质类型下最优的操作参数.结果表明:SVR模型在验证集和测试集上的R2分别为0.729和0.625,均优于多元线性回归、决策树、k最近邻、随机森林、AdaBoost和XGBoost模型;PSO能准确地找出最优的操作参数.

基于PSO-SVR模型的再生水利用潜力预测分析——以河北省为例

选取制约河北省再生水利用的经济投资、设施建设和用水因素三方面9个指标,通过使用粒子群优化算法支持向量回归机PSO-SVR模型,建立了自变量与再生水利用量之间的非线性函数映射关系,并对河北省再生水利用量进行了预测分析。结果表明,PSO-SVM模型,具有较好的预测精度与泛化能力,优于PCR回归模型和逐步回归模型。运用该模型对2020年、2025年河北省再生水利用量进行了预测,并计算了再生水利用率,再生水利用量影响因素的敏感性分析表明,用水状况因素指标对再生水利用量的影响作用最大,是影响河北省再生水利用量的主要因素。

基于PSO-SVR近似模型的乘员约束系统稳健性优化

综合运用近似模型参数优化技术和稳健性优化方法对汽车乘员约束系统进行优化。通过全局灵敏度分析,选出对加权伤害准则(weighted injury criterion,WIC)影响大的参数;采用粒子群优化(PSO)算法对支持向量回归(SVR)模型参数和核函数参数进行优化,建立高精度的PSO-SVR近似模型;在确定性优化的基础上进行基于蒙特卡罗抽样的稳健性优化。结果表明:优化后乘员约束系统性能得到明显提升且兼顾了稳健性。

基于PSO-SVR的汽车前纵梁优化设计

在汽车碰撞中,前纵梁的吸能特性对整车安全具有至关重要的影响。综述了吸能梁的横截面形状、整体结构形状、诱导槽、焊接方式及壁厚对吸能特性的影响。由于实际生产工艺及与其他部件的装配要求,前纵梁的横截面形状和结构形态通常不做大的改动,因此在给定材料的基础上,板厚优化是前纵梁优化设计的主要内容。分别以焊接双吸能梁和某汽车前纵梁为例,设定板厚为自变量,采用拉丁方试验设计方法,建立基于粒子群优化的支持向量机回归(PSO-SVR)近似模型,结合NSGA-Ⅱ遗传算法进行多目标优化设计,最终匹配出各个部分的最优板厚。结果表明,经过优化设计的焊接双吸能筒和汽车前纵梁吸能特性有显著提高,证明该方法在吸能部件的优化设计中具有一定的工程应用价值。

基于PSO-SVR模型的温室智能补光系统研究

为解决目前设施农业中传统补光系统智能化、自动化不足和能耗较高的问题,设计一种基于PSO-SVR的智能补光系统。该系统通过采集温室现场环境信息,将温度和CO2浓度作为输入值,光饱和点作为输出值,建立支持向量回归模型,模型建立时利用粒子群算法进行参数寻优,保证模型的鲁棒性和准确度。通过训练测试,粒子群优化算法结果为惩罚参数c=44、核函数参数g=0.93,建立支持向量回归模型时,选用RBF核函数时模型相关系数最大为0.991,回归准确率达97.6%,可以作为补光策略执导。系统使用搭载Android平台的嵌入式设备为核心控制器,结合农业物联网技术,实现数据可视化、远程控制等功能,试验证明整个系统可以稳定高效地运行。通过对比传统补光系统策略,本系统节能效果达10%。该系统为解决目前设施农业中的光环境智能调控、补光系统的节能减排等问题提供了一种途径。

热压混合材料板力学特性PSO-SVR模型预测

精确、快速预测热压过程混合材料板力学特性,可降低生产成本,提高资源利用率。文章以热压过程为研究对象,提出基于粒子群算法(Particle Swarm Optimization,PSO)优化支持向量机回归(Support Vector Regression,SVR)模型。通过正交试验设计,结合混合材料板性能测试数据,以热压压力、热压温度、含水率、热压时间为自变量,预测混合材料板静曲强度、弹性模量、内结合强度。对比分析PSO-SVR与SVR预测结果,结果表明,PSO-SVR预测模型可明确热压参数与混合材料板力学特性间非线性关系,根据自变量预测混合材料板力学特性。与SVR相比,PSO-SVR算法模型具有鲁棒性强、精确度高、泛化能力强等优点。研究结果可为混合材料板力学特性预测及热压控制参数选择提供参考。

基于PSO-SVR模型的供水系统余氯预测研究

支持向量机回归(SVR)模型在非线性预测方面具有优良性能,基于该模型对供水系统余氯变化过程进行预测,并采用二阶振荡粒子群优化算法(SOPSO)对SVR模型参数进行优化调整,以提高小样本状态下模型的模拟精度,增强模型的泛化性能。将优化后的SVR模型应用于某供水系统余氯预测,结果表明:在有限样本状态下,优化后的SVR模型的预测平均误差小,明显优于BP神经网络模型和ARX模型,并具有较强的稳健性。该预测模型能较好地解决传统模型在小样本状态下余氯预测精度不高、预测效果较差的问题,为研究供水系统余氯变化过程及动态预测提供了新的途径。

基于PSO-SVR模型的温室病害预警防治系统

为了解决温室植物病害预警、防治不及时的问题,设计了一种基于粒子群优化的支持向量机(PSO-SVR)模型的温室物联网预警系统。系统通过对观测数据进行分析训练,进而建立起植物病害预警模型,根据预测结果,结合易产生黄瓜病害的环境参数范围选择是否向用户发出预警警报,利用温室物联网控制技术实现对植物病害的生态防治。同时系统可以向搭载Android平台的设备发送提醒消息,并可以进行远程监控。该系统利用Wi-Fi技术将传感器系统和嵌入式设备组成星型网络,根据传感器返回的有效环境参数数据,通过PSO-SVR模型对温室温度、湿度参数进行预测,预测准确率分别为97.6%、96.8%,可以用作理论指导。测试结果表明,该系统响应时间短、运行稳定,可有效地监测并预测温室环境参数,对于植物病害的防治有较好的实际作用。

旅游客流量预测:基于季节调整的PSO-SVR模型研究

旅游客流量具有明显的非线性和季节性特征,所以采取季节调整方法对样本数据进行预处理,消除季节性的影响,可以提高客流量预测的准确性。同时SVR(支持向量回归机)是一种良好的机器学习方法,非常适合预测研究,辅以PSO(粒子群算法)选取合适的回归参数可以获得更加精确的预测结果。鉴于此,构建一种考虑季节影响的PSO-SVR模型,以北京为例将不同旅游客流量预测方法的拟合优度进行比较。结果显示:季节调整的PSO-SVR模型预测精度明显高于SVR、季节调整的SVR和PSO-SVR模型,该模型是进行旅游客流量预测的有效工具。

基于PSO-SVR的飞灰含碳量软测量研究

针对飞灰含碳量测量的研究现状和不足,采用基于粒子群优化的支持向量回归法对飞灰含碳量软测量展开建模研究,该方法利用粒子群算法的寻优功能,实现支持向量机模型的参数优化,使模型具有良好的预测能力。以大唐潮州电厂1000 MW超临界机组为研究对象,将现场采集数据分为训练数据和测试数据,分别用来辨识飞灰含碳量软测量模型和检验模型的泛化能力。仿真结果表明,飞灰含碳量软测量模型仿真输出与实际输出基本吻合,验证了模型的有效性和泛化能力。

PSO-SVR算法在发酵过程控制中的应用

针对发酵过程中生物参数难以实时在线测量的问题,建立了用于生物参数状态预估的支持向量机软测量模型。考虑到该支持向量回归模型的复杂性和推广能力的好坏很大程度上取决于其3个参数(ε,C,γ)能否取到最优值,采用粒子群算法实现对参数(ε,C,γ)的同时寻优。在此基础上,以L-天冬酰胺酶Ⅱ为对象,建立其基于PSO-SVR的发酵过程产物浓度状态预估模型。发酵罐控制结果表明:该模型具有很好的学习精度和泛化能力,可实现对L-天冬酰胺酶Ⅱ产物浓度的实时在线预估。

电网可靠性评估的PSO-SVR评估模型

城市电网结构复杂,数据量大是电网可靠性评估的难点,导致了传统的电网可靠性评估方法难以有效评估。为提高评估的精度和效率,提出一种基于粒子群支持向量回归法的电网可靠性评估的新方法解决电网可靠性评估的问题,采用供电可靠率作为评估指标,粒子群支持向量回归法能克服传统的人工神经网络可靠性评估方法易陷入局部极值。采用电网可靠性评估特征参数与评估指标,确定评估模型结构,再用粒子群优化算法优化支持向量回归模型参数。仿真结果表明,粒子群支持向量回归法可靠性评估精度高于人工神经网络。证明粒子群支持向量回归的电网可靠性评估方法具有更好的应用价值。