基于遗传算法的SVM模型在风险预警中的研究

摘要

风险预警是基于已知预测未知的过程，具有随机性和不确定性，在电力行业风险预警的应用研究还很不完善。本文应用支持向量机模型（SVM）对电力企业欠费风险进行评估与预警，由于模型中参数选择缺乏规范性与可调整性，本文使用遗传算法解决这类问题。介绍了风险评估与预警的特点和研究现状，详细解释了支持向量机的原理及其参数选择方法，对由传统支持向量机模型在预测方向的推广进行了深入的研究，并对遗传算法进行归纳分析与改进，提出了一种基于改进遗传算法的支持向量机模型，本文将该模型应用到电力行业欠费风险预警中，通过使用广东某地区实际用电客户的数据进行检验，取得了较好的效果。主要工作如下： 1.根据支持向量机模型和风险预测的特点，针对风险模型参数选择的不规范性和不便调整性，研究了风险模型的自调整问题，使用遗传算法对风险模型进行参数的选择。 2.基于标准支持向量机的方法，针对电力企业欠费风险评估过程中负类样本相对较少的情况，提出对两类样本不同权重的处理方法，并根据风险的不确定性用映射的方法把结果转换为风险的概率值。 3.针对算法迭代中各子代数据中适应度参差不齐的情况，提出一种遗传算法，其中交叉与变异概率在迭代过程中不断变化，以求更快达到最优值。 4.本文从理论上研究了遗传算法对支持向量机模型参数选择的可行性，也用实际数据——某供电局的电力客户数据做了实验分析，无论是算法性能还是算法速度都取得了令人满意的结果。

目录

文摘

英文文摘

声明

第1章绪论

1.1 选题背景及意义

1.2 风险预警方法概述

1.3 决策支持系统和知识发现

1.4 论文内容及结构

第2章支持向量机与遗传算法的原理

2.1 支持向量机原理

2.2 支持向量机模型的参数选择方法

2.3 遗传算法基本原理

第3章支持向量机与遗传算法的改进

3.1 支持向量机模型在风险预警中的研究

3.2 遗传算法的改进研究

第4章基于改进遗传算法的SVM风险预警模型研究

4.1 风险预警的流程过程

4.2 风险预警中的数据预处理问题

4.3 常用的核函数

4.4 基于改进遗传算法的SVM风险预警模型

第5章总结与展望

5.1 论文总结

5.2 展望

参考文献

附录 改进遗传算法的SVM风险预警模型的实现(核心算法部分)

致谢