改进粒子群算法优化下的Lasso-Lssvm预测模型

文章首先针对最小二乘支持向量机(Lssvm)对高维输入特征较为敏感的问题,提出以Lasso算法筛选输入特征,建立Lasso-Lssvm预测模型,并通过粒子群算法对Lssvm中核函数的未知参数进行优化。然后,针对粒子群算法容易陷入局部最优和后期收敛较慢等问题,提出了改进的粒子群算法(IPSO):基于网格划分方法,完成粒子初始化;在设定粒子速度更新的惯性权重时,基于Sigmod函数提出种群对比自适应动态惯性系数;针对粒子所处位置的优劣,动态变化学习因子。最后,基于1985—2018年能源排放相关数据建立改进的粒子群算法优化下的Lasso-Lssvm模型。结果表明,Lasso方法可以有效解决Lssvm对高维输入特征敏感的问题,所提出的粒子群算法有更好的寻优能力和鲁棒性,改进粒子群算法优化下的Lasso-Lssvm模型拥有更好的拟合效果和预测精度,验证了该方法的适用性和优越性。