亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        混合智能算法在需水預(yù)測模型中的應(yīng)用

        2012-10-13 09:04:12楊學(xué)軍
        海河水利 2012年6期
        關(guān)鍵詞:模型

        王 哲,楊學(xué)軍,柳 林

        (海河水利委員會水文局,天津 300170)

        傳統(tǒng)需水預(yù)測方法適用于單一幾何增長平穩(wěn)的序列,并不能反映需水預(yù)測中各影響因素之間的動態(tài)相互制約關(guān)系。20世紀90年代至今,許多學(xué)者開始研究支持向量機、人工神經(jīng)網(wǎng)絡(luò)等基于數(shù)據(jù)挖掘、運用計算機智能技術(shù)的新方法,這些方法的良好預(yù)測性能得到了廣泛關(guān)注[1]。針對支持向量機模型(Support Vector Machine,簡稱 SVM)在需水預(yù)測中一些關(guān)鍵參數(shù)如不敏感損失參數(shù)、核參數(shù)及懲罰系數(shù)等難以確定的問題,提出了運用混合智能算法優(yōu)化SVM的參數(shù),建立基于混合智能算法的需水預(yù)測模型,以減少參數(shù)選擇的盲目性,提高SVM的預(yù)測精度。

        1 基于混合智能算法的需水預(yù)測模型

        1.1 支持向量機

        支持向量機通過非線性映射將輸入向量從原空間映射到高維空間,在高維空間進行線性回歸[2];同時運用結(jié)構(gòu)風(fēng)險最小化原則并利用原空間的核函數(shù)取代高維空間的點積運算,使復(fù)雜的計算得以簡化。

        最小二乘支持向量機(LS-SVM)將不等式約束替換為等式約束,且將誤差平方和損失函數(shù)作為訓(xùn)練集的經(jīng)驗損失,簡化了計算復(fù)雜性,求解速度相對加快[3]。

        LS-SVM的核函數(shù)包括徑向基函數(shù)(RBF)、多項式函數(shù)、Sigmoid函數(shù)等。由于徑向基核函數(shù)的泛化能力比較強,因此采用徑向基核函數(shù),其形式如下:

        LS-SVM需要確定核參數(shù)(σ)和懲罰系數(shù)(c),而上述參數(shù)的確定缺乏有效參考依據(jù)和規(guī)則,盲目選擇參數(shù)降低了模型的預(yù)測精度。

        1.2 混合智能算法的基本思想

        粒子群算法(PSO)有記憶功能,所有粒子都會被保存,而遺傳算法(GA)在尋到最優(yōu)解的同時以前的粒子隨著種群的改變而被破壞。PSO是一種單項信息共享機制,僅通過當(dāng)前搜索到最優(yōu)點進行信息共享;而GA則在整個種群染色體之間互相共享信息,整個種群較均勻地向最優(yōu)域移動[4]。因此,基于遺傳和粒子群的混合智能算法將粒子群算法與遺傳算法相融合,汲取2種算法的優(yōu)點,克服各自的缺陷,以使其在時間效率上優(yōu)于遺傳算法,在求精確解效率上優(yōu)于粒子群算法。

        混合智能算法的基本思想是利用粒子群算法并行性、記憶能力以及良好的全局尋優(yōu)能力,避免搜索陷入局部最優(yōu),同時借鑒遺傳算法中的進化思想,利用雜交、變異算子來進行局部尋優(yōu),使其能快速搜索到全局最優(yōu)點。在搜索解的過程中通過雜交操作加強了對粒子間區(qū)域的搜索能力以利用現(xiàn)有而未能合理利用的信息產(chǎn)生更好的解;引入變異操作產(chǎn)生新的解以增加種群的多樣性從而減少陷入局部最優(yōu)的可能性,避免進化過程在早期就陷入局部解而進入終止過程,使之在盡可能大的空間中獲得質(zhì)量較高的優(yōu)化解。

        1.3 基于混合智能算法的LS-SVM參數(shù)選取

        在LS-SVM求解中,懲罰系數(shù) 、核函數(shù)及其參數(shù)的選擇對模型的學(xué)習(xí)精度和泛化能力的好壞起著決定性作用[5]。

        (1)選擇核函數(shù):研究和實驗表明,RBF是比較好的選擇。本文亦采用RBF作為核函數(shù)。

        (2)懲罰系數(shù)(c):c值較大則允許的誤差較小,c值較小則允許較大的誤差,c值過大或過小都會使系統(tǒng)的泛化性能變差。一般選擇c?[0.1 50 000]。

        (3)核參數(shù)(σ):控制最終解的復(fù)雜性。樣本輸入范圍廣,σ取值大;反之,則σ取值小。σ取值太大或太小亦會使系統(tǒng)的泛化性能變差。一般選擇σ?[0.01 100]。

        參數(shù)c、σ,特別是它們之間的相互影響關(guān)系對LS-SVM模型的復(fù)雜度、泛化性影響很大[6]。在參數(shù)選擇時除了對單個參數(shù)進行優(yōu)化還應(yīng)綜合考慮這2個參數(shù)形成的參數(shù)對,這樣逐一的選取方法既費時也不科學(xué)。而且選取出的較優(yōu)解,雖然花費了很多時間,得到的結(jié)果也不一定是最優(yōu)的。為此,筆者采用混合智能算法實現(xiàn)對LS-SVM模型的核參數(shù)(σ)和懲罰系數(shù)(c)聯(lián)合優(yōu)選。

        在優(yōu)選過程中雖然可以任意指定參數(shù)訓(xùn)練LSSVM計算訓(xùn)練誤差,以此時訓(xùn)練誤差為適應(yīng)值,但是這樣容易使模型過度擬合而削弱了模型的泛化能力。最典型的解決方法為使用交互驗證技術(shù)(Crossvalidation)。適應(yīng)度函數(shù)為求取訓(xùn)練數(shù)據(jù)集交叉驗證MAPE(Mean Absolute Percent Error)的最小值,即:

        式中:k為總訓(xùn)練樣本子集數(shù),一般取k=5或10;yi為第i個實際值向量;y?i為預(yù)測值向量。

        筆者提出的基于混合智能優(yōu)化算法的需水預(yù)測模型,即以最小化訓(xùn)練數(shù)據(jù)集的交叉驗證誤差為基礎(chǔ),搜尋最佳化的SVM回歸參數(shù)值,以期能避開產(chǎn)生過度擬合的風(fēng)險,提高LS-SVM預(yù)測模型的準確度。

        1.4 基于混合智能算法的LS-SVM需水預(yù)測模型

        根據(jù)社會經(jīng)濟需水影響因素的分析,可知影響需水量的因素有很多,如人口、經(jīng)濟發(fā)展水平、居民生活水平、水價、節(jié)水水平、產(chǎn)業(yè)結(jié)構(gòu)等。這些因素有一些是不確定的,有一些是隨時間變化的。設(shè)需水量為因變量,影響因素為自變量,則以下式作為描述需水量預(yù)測的數(shù)學(xué)模型,即:

        式中:y 為需水量;x1,x2,…,xm代表的是影響需水量因素。

        影響需水量的因素繁多且需水用水影響因素之間關(guān)系復(fù)雜,因此采用LS-SVM來擬合式(3)。需水量的預(yù)測問題轉(zhuǎn)化為由m個影響變量和1個輸出量的回歸問題?;诨旌现悄芩惴▋?yōu)化LS-SVM的需水量預(yù)測建模步驟如下:

        (1)確定需水量影響因素。將需水量影響因素輸入模型,需水量為模型的輸出量[7]。將觀測數(shù)據(jù)分成兩部分,一部分數(shù)據(jù)作為訓(xùn)練樣本進行參數(shù)估計,剩余數(shù)據(jù)用于預(yù)測檢驗,記輸入矢量為X,則:

        式中:m為影響需水量的主要因素個數(shù)。模型輸出為需水量數(shù)據(jù) Y=[yi]1×n。

        (2)將輸入變量、輸出變量進行歸一化處理。(3)對模型參數(shù)c和σ進行優(yōu)選。

        步驟1:初始化。每個粒子由2維參數(shù)組成(c,σ),設(shè)置群體規(guī)模(N)、最大迭代次數(shù)(itermax),隨機給出初始粒子和粒子初始速度,設(shè)定學(xué)習(xí)因子(c1和c2),給定算法的最大、最小慣性權(quán)值因子 (wmax和wmin),變異概率(p0),行為選擇概率(p1),模式搜索步長(bc)及誤差(eps)。

        步驟2:評價種群。以適應(yīng)度值評價粒子的優(yōu)劣,粒子的適應(yīng)度函數(shù)值越小,則粒子性能越好[8]。采用粒子個體對應(yīng)的c和σ,建立支持向量機的學(xué)習(xí)預(yù)測模型,按式(1)計算每個個體的適應(yīng)值。

        步驟3:更新每個粒子的位置和速度。根據(jù)行為選擇概率(p1),進行交叉操作和模式搜索,并且考慮更新后的速度和位置是否在限定的范圍內(nèi)。

        步驟4:判斷進化是否停滯。若是,則按變異概率(p0)對粒子群中的粒子進行重新初始化;否則,轉(zhuǎn)入下步。

        步驟5:檢查結(jié)束條件。若比較次數(shù)或者精度值滿足預(yù)設(shè)精度,算法收斂,最后1次迭代的最優(yōu)值即為所求最優(yōu)值,尋優(yōu)結(jié)束;否則t=t+1,轉(zhuǎn)至步驟2,算法繼續(xù)迭代。

        (4)將最優(yōu)參數(shù)向量(c、σ)賦予 LS-SVM,用樣本數(shù)據(jù)對LS-SVM模型進行訓(xùn)練,得到2個支持向量(a和b)的值。進而預(yù)測樣本進行預(yù)測,通過與實測需水量進行比較,進行模型校驗。

        (5)最后,用該支持向量機回歸模型進行需水量預(yù)測。

        2 實例研究

        將基于混合智能算法優(yōu)化LS-SVM的需水預(yù)測模型運用于秦皇島市第二產(chǎn)業(yè)需水預(yù)測過程中,選取與用水量相關(guān)性較好、又能衡量需水情況的因子:工業(yè)產(chǎn)值、工業(yè)規(guī)模以上產(chǎn)值、工業(yè)規(guī)模以下產(chǎn)值、火核電產(chǎn)值、工業(yè)水重復(fù)利用率、建筑業(yè)產(chǎn)值、水價,以2000—2005年調(diào)查數(shù)據(jù)為基礎(chǔ)建立基于混合智能算法的支持向量機預(yù)測模型,預(yù)測2006、2007年秦皇島市第二產(chǎn)業(yè)需水量。

        利用模型針對上述學(xué)習(xí)樣本進行秦皇島市第二產(chǎn)業(yè)需水量預(yù)測。能否合理確定LS-SVM的懲罰系數(shù)(c)和核參數(shù)(σ)直接影響到模型的精度和推廣能力,筆者通過混合智能算法優(yōu)化LS-SVM參數(shù)對(c,σ)。取群體規(guī)模為60,最大進化次數(shù)為200,粒子的向量維數(shù)為2,PSO加速常數(shù)c1=c2=1.5,慣性權(quán)重(ω)由 0.9 線性變化到 0.4,選擇概率(P1)為0.5,變異概率(P0)為 0.1。 模型計算參數(shù)結(jié)果,見表1。

        通過對參數(shù)的搜索,第87代出現(xiàn)了最佳適應(yīng)值,其值為MAPE=3.669 5。因此,把第87代的最佳個體作為最佳化參數(shù)值,此時的參數(shù)值分別為c=963、σ=0.274 1,將此參數(shù)組合帶入預(yù)測模型中,對秦皇島市2006—2007年第二產(chǎn)業(yè)用水進行預(yù)測。

        表1 模型計算參數(shù)結(jié)果

        表2 實際值與預(yù)測值對比

        圖1 模型實際值、擬合值與預(yù)測值對比

        由表2和圖1可以看出,模型計算的擬合值和預(yù)測值與秦皇島市的第二產(chǎn)業(yè)實際用水吻合較好。通過統(tǒng)計分析,2000—2005年的擬合部分最大相對誤差為0.025 23%,平均相對誤差為0.009%;2006—2007年的預(yù)測部分,最大相對誤差為1.457 82%,平均相對誤差為1.373 68%,均小于5%。由此可見,利用該模型預(yù)測秦皇島市第二產(chǎn)業(yè)需水發(fā)展的結(jié)果是令人滿意的,具有較高預(yù)測精度。

        3 結(jié)語

        (1)基于混合智能算法優(yōu)化LS-SVM的需水預(yù)測模型能夠快速地尋優(yōu),該方法較單一智能算法具有一定的優(yōu)越性。

        (2)研究實例表明,筆者建立的優(yōu)化模型能夠解決復(fù)雜關(guān)系的多因素影響因子的需水預(yù)測問題,預(yù)測模型擬合精度較高,預(yù)測結(jié)果較合理。

        (3)針對預(yù)測結(jié)果存在誤差的問題,在今后的運用過程中需加大樣本容量,以便提高預(yù)測的準確性。

        [1]劉衛(wèi)林.幾種需水量預(yù)測模型的比較研究 [J].人民長江,2011,42(13):19-22.

        [2]張偉,吳丹,李小奇,等.基于最小二乘支持向量機的大壩應(yīng)力預(yù)測模型[J].水利與建筑工程學(xué)報,2011(1):26-29.

        [3]熊偉麗,徐保國.基于PSO的SVR參數(shù)優(yōu)化選擇方法研究 [J].系統(tǒng)仿真學(xué)報,2006(9):22-26.

        [4]曹成濤,徐建閩 .基于PSO-SVM的短期交通流預(yù)測方法[J].計算機工程與應(yīng)用,2007(15):15-18.

        [5]梅松,程偉平,劉國華.基于支持向量機的洪水預(yù)報模型初探[J].中國農(nóng)村水利水電, 2005(3):34-36.

        [6]Yu X Y,Liong S Y,Babovic V.EC-SVM approach for realtime hydrologic forecasting[J].Journal of Hydroinformatics,2004,6(3):209-223.

        [7]陳磊,張土喬.基于最小二乘支持向量機的時用水量預(yù)測模型[J].哈爾濱工業(yè)大學(xué)學(xué)報(自然科學(xué)版),2006,38(9):1528-1530.

        [8]鐘偉,董增川,李琪.混合算法優(yōu)化投影尋蹤模型的需水預(yù)測研究[J].水電能源科學(xué),2010,28(7):31-33.

        猜你喜歡
        模型
        一半模型
        一種去中心化的域名服務(wù)本地化模型
        適用于BDS-3 PPP的隨機模型
        提煉模型 突破難點
        函數(shù)模型及應(yīng)用
        p150Glued在帕金森病模型中的表達及分布
        函數(shù)模型及應(yīng)用
        重要模型『一線三等角』
        重尾非線性自回歸模型自加權(quán)M-估計的漸近分布
        3D打印中的模型分割與打包
        欧美乱妇高清无乱码免费| 中国极品少妇videossexhd| 无码之国产精品网址蜜芽| 中国免费av网| av免费在线播放观看| 久久亚洲精品国产亚洲老地址| 无码少妇一区二区浪潮av| 亚洲中文字幕无码卡通动漫野外| 中文字幕女同系列在线看一| 亚洲精品国产一区二区免费视频| 久久久久亚洲av成人片| 无码任你躁久久久久久| 91精品国产91久久久久久青草| 女人天堂av免费在线| 欧美性猛交aaaa片黑人| 日韩精品一区二区三区免费视频| 国产亚洲欧洲AⅤ综合一区| 久久精品天堂一区二区| 亚洲av色影在线| 中文字幕乱码人妻在线| 无码乱肉视频免费大全合集| 久久精品人人做人人爽| av无码天堂一区二区三区| 蜜桃av在线播放视频| 2019nv天堂香蕉在线观看| 免费a级作爱片免费观看美国| 六月婷婷国产精品综合| 最新国产精品精品视频| 中文字幕亚洲精品在线免费| 中国无码人妻丰满熟妇啪啪软件| 1717国产精品久久| 免费无码高潮流白浆视频| 国产极品久久久久极品| 欧洲亚洲色一区二区色99| 人妻少妇偷人精品一区二区| 青青草国产精品一区二区| 欧美成人三级一区二区在线观看| 国产精品国产三级在线专区| 亚洲一区二区女搞男| 一二三四视频社区在线| 成人综合久久精品色婷婷|