SVR

摘要： Accurate prediction of shipmotion is very important for ensuringmarine safety,weapon control,and aircraft carrier landing,etc.Ship motion is a complex time-varying nonlinear process which is affected by many factors.Time series analysis method and many machine learning methods such as neural networks,support vector machines regression(SVR)have been widely used in ship motion predictions.However,these single models have certain limitations,so this paper adopts amulti-model prediction method.First,ensemble empirical mode decomposition(EEMD)is used to remove noise in ship motion data.Then the randomforest(RF)prediction model optimized by genetic algorithm(GA),back propagation neural network(BPNN)prediction model and SVR prediction model are respectively established,and the final prediction results are obtained by results of three models.And the weights coefficients are determined by the correlation coefficients,reducing the risk of prediction and improving the reliability.The experimental results show that the proposed combined model EEMD-GARF-BPNN-SVR is superior to the single predictive model and more reliable.The mean absolute percentage error(MAPE)of the proposed model is 0.84%,but the results of the single models are greater than 1%.

摘要： 在小样本条件下运用SVR模型预测装备维修器材需求量时,预测效果受随机干扰因素影响较大。为解决这一问题,提出了一种新的AP-SVM模型。首先,运用AP聚类算法对训练数据进行分类,将分类结果作为训练数据训练SVM分类器,并对待测试数据的所属类别进行判断;然后,根据数据类别构建训练向量集,对SVM进行训练,运用SVR模型计算预测结果。实例分析结果表明:AP-SVM算法在处理受复杂随机因素影响较大的小样本器材数据预测问题时,可以有效排除干扰因素的影响,改善SVR模型的预测效果。

摘要： Selecting design variables and determining optimal hard⁃point coordinates are subjective in the traditional multiobjective optimization of geometric design of vehicle suspension,thereby usually resulting in poor overall suspension kinematic performance.To eliminate the subjectivity of selection,a method transferring multiobjective optimization function into a single⁃objective one through the integrated use of grey relational analysis(GRA)and improved entropy weight method(IEWM)is proposed.First,a comprehensive evaluation index of sensitivities was formulated to facilitate the objective selection of design variables by using GRA,in which IEWM was used to determine the weight of each subindex.Second,approximate models between the variations of the front wheel alignment parameters and the design variables were developed on the basis of support vector regression(SVR)and the fruit fly optimization algorithm(FOA).Subsequently,to eliminate the subjectivity and improve the computational efficiency of multiobjective optimization(MOO)of hard⁃point coordinates,the MOO functions were transformed into a single⁃objective optimization(SOO)function by using the GRA-IEWM method again.Finally,the SOO problem was solved by the self⁃adaptive differential evolution(jDE)algorithm.Simulation results indicate that the GRA⁃IEWM method outperforms the traditional multiobjective optimization method and the original coordinate scheme remarkably in terms of kinematic performance.

摘要： 地方财政收入是国家财政收入的重要组成部分,结合地方财政收入的构成内容及其影响因素,采用科学的预测方法对其进行预测,对提高财政决策质量、合理安排财政支出具有重要意义。采用机器学习常用算法,通过对吕梁市2006—2019年地方财政收入及其影响因素的历史数据进行相关性及Lasso回归分析,筛选出影响地方财政收入的关键因素,然后基于灰色预测GM(1,1)建立单个影响因素预测模型,在此基础上,基于支持向量回归SVR建立地方财政收入预测模型,模型使用Python及其第三方库作为实现工具,得到吕梁市未来两年的地方财政收入预测值。实验结果表明,预测模型精度较高,可作为地方政府制定相关财政政策的参考依据。

摘要： 农产品价格与人们生活息息相关,准确有效的预测农产品价格可以对平稳价格波动起到一定的作用。而对于价格预测,采用单个的机器学习或者统计模型并不能得到很好的结果。文章对比了常见的几种机器学习方法:支持向量回归(support vector regression,SVR)、线性回归和K-近邻(K-nearest neighbor,KNN)算法在农产品价格预测上的表现,并根据数据特性与模型表现进行模型集成。在集成模型的价格预测实验中,集成模型在鸡蛋均价、白条鸡均价、蔬菜均价3个数据集上较SVR模型分别提升了1.3%、1.4%、4%;较线性回归模型分别提升了0.6%、1.4%、4%;较KNN模型分别提升了6.9%、2.8%、7.7%。证明了集成模型对于提升泛化性能的有效性,预测结果对于农产品市场的完善和改革具有一定的作用。

摘要： 为减少电网工程概算对于工程数据的依赖性并提高预测精度,构建了用于电网工程概算预测的改进FOA-SVR模型。通过灰色关联法进行工程样本数据筛选,将筛选后的数据导入SVR训练,并在标准FOA和自适应FOA的基础上,设置局部最优解跳出机制和飞行步长收敛模式,提出一种全局寻优能力和收敛效率均较高的改进FOA算法,寻找合适参数优化SVR模型。以某电力设计院2020年的30个电网工程架空线路为样本进行模型训练与概算预测,多次测试发现,模型能够稳定输出高精度的预测结果,且改进FOA算法参数寻优的效率较高,为电网工程概算的自动化计算和FOA算法的参数寻优应用提供了一定参考。

摘要： 渗流参数贝叶斯反演的关键在于解决对渗流正演模型大量调用而导致的计算耗时问题。现有提高贝叶斯反演计算效率的研究大多采用基于单一机器学习算法的代理模型,计算精度较低。针对上述问题,本文提出一种贝叶斯框架下大坝渗流参数反演组合代理模型。该方法在贝叶斯框架下集成支持向量回归(SVR)、Kriging和多元自适应回归样条(MARS)三种机器学习算法。其中,利用差分进化自适应Metropolis(DREAMZS)算法并行采样的优势计算权重系数的随机分布函数,在考虑不确定性的条件下获得模型权重系数。案例分析表明,相比于运行一次至少需要耗费4 h的渗流数值模型,本文所提组合代理模型运行一次仅需几秒钟,显著提高了贝叶斯反演的计算效率;此外,本文所提反演方法相比于基于SVR、Kriging和MARS的贝叶斯反演方法能够获得更准确的反演结果,其平均精度分别提高了13.78%、19.34%和12.27%,为大坝渗流参数反演提供了一种新思路。

摘要： 为提高药物研发的效率,通常使用定量构效关系(QSAR)模型来预测化合物的生物活性,从而进行筛选和优化。目前,基于统计分析的QSAR随着变量急剧增多变得束手无策,同时预测精度还有提高的空间。基于此,本文提出了一种基于改进的PCA算法对变量进行降维,并利用改进的麻雀搜索算法优化BP神经网络(ISSA-BPNN),以此提高预测的精度。改进的PCA算法先基于Pearson、最大互信息系数(MIC)和随机森林(RF)的加权得分得到主要特征变量,再用PCA算法对原特征进行降维得到主要输入变量;ISSA-BPNN算法优化BPNN的权值和阈值,达到输出稳定和保证全局收敛。以乳腺癌治疗时,化合物对ERα的生物活性数据为例进行了训练和预测。结果表明:本文所提算法预测精度更高,为药物研发提供了一种有效方法。

摘要： 航空货运是国家重要的战略资源,在国内及国际间的贸易中扮演着不可或缺的角色。对航空货运需求进行的科学预测是航空公司制定基础设施规划和总体投资决策的重要依据。针对航空货运量数据的不确定性,从实际需求出发,引入Bootstrap方法进行不确定性估计,提出一种基于分解集成的区间预测方法。具体来说,首先用局部加权回归的时间序列分解(STL)方法将货运需求数据进行分解;其次,由支持向量回归(SVR)和季节自回归综合移动平均(SARIMA)分别预测分解所得的趋势分量与季节分量;再次,创新性地将白噪声分量进行提取并用Bootstrap方法作重采样处理;最后,将预测结果与处理后的白噪声进行集成重构,利用分位数构造区间进行不确定性量化。对中国两大枢纽机场货运数据的实验结果表明,构建的区间能够有效地结合预测结果量化不确定性,为区间预测提供了一种新的研究思路。

摘要： 由于航空运输的高速发展,空中交通流量日益增大,空中交通流量预测难度不断增加。为提高空中交通流量预测的精确度,通过运用支持向量回归(SVR)和长短期记忆网络(LSTM)2种方式对广播式自动相关监视(ADS-B)数据进行处理。结果表明,LSTM预测方法对交通流误差有较好的控制,具有较好的预测精度。SVR模型和LSTM模型都能很好地捕捉非线性特征与交通流之间的内在关系。发现航路点流量时间序列曲线的趋势性越明显,预测曲线的拟合度越高;时间序列曲线的波动幅度越大,预测曲线拟合度越差。LSTM预测方法的均方根误差为2.56,SVR预测方法的均方根误差为3.59,航路点流量时间序列趋势的明显性直接影响模型的预测精准度。

摘要： 期权是非常重要的金融衍生品之一，而期权定价则是金融工程研究中的最重要的问题之 一。期权定价只是给出即期的理论价格，而期权价格的预测必须在没有对标的资产价格的信息的前 提下，准确的预测期权未来的价格。本文提出一种简单但非常有效的非参数期权价格预测方法—— SVR。我们首先修正和改进传统的期权定价方法，使其能够用于期权价格预测，成为期权价格预测模 型。然后，我们通过引入非参数方法SVR 来达到减小传统的参数模型的预测误差的目的。由于传统的方法不能有效的把握实际期权价格的运动趋势和非线性的特点，所以在第一阶段的预测后，在第 二阶段引入SVR 来解决其非线性，进而减小预测误差。最后，我们利用我国长虹CWB1 权证以及随机 10只认购权证日价格数据进行实证检验，结果表明，SVR 大大改进了传统参数方法的预测精度，适用于我国股票权证的价格预测。

摘要： 期权是非常重要的金融衍生品之一，而期权定价则是金融工程研究中的最重要的问题之 一。期权定价只是给出即期的理论价格，而期权价格的预测必须在没有对标的资产价格的信息的前 提下，准确的预测期权未来的价格。本文提出一种简单但非常有效的非参数期权价格预测方法—— SVR。我们首先修正和改进传统的期权定价方法，使其能够用于期权价格预测，成为期权价格预测模 型。然后，我们通过引入非参数方法SVR 来达到减小传统的参数模型的预测误差的目的。由于传统的方法不能有效的把握实际期权价格的运动趋势和非线性的特点，所以在第一阶段的预测后，在第 二阶段引入SVR 来解决其非线性，进而减小预测误差。最后，我们利用我国长虹CWB1 权证以及随机 10只认购权证日价格数据进行实证检验，结果表明，SVR 大大改进了传统参数方法的预测精度，适用于我国股票权证的价格预测。

摘要： 期权是非常重要的金融衍生品之一，而期权定价则是金融工程研究中的最重要的问题之 一。期权定价只是给出即期的理论价格，而期权价格的预测必须在没有对标的资产价格的信息的前 提下，准确的预测期权未来的价格。本文提出一种简单但非常有效的非参数期权价格预测方法—— SVR。我们首先修正和改进传统的期权定价方法，使其能够用于期权价格预测，成为期权价格预测模 型。然后，我们通过引入非参数方法SVR 来达到减小传统的参数模型的预测误差的目的。由于传统的方法不能有效的把握实际期权价格的运动趋势和非线性的特点，所以在第一阶段的预测后，在第 二阶段引入SVR 来解决其非线性，进而减小预测误差。最后，我们利用我国长虹CWB1 权证以及随机 10只认购权证日价格数据进行实证检验，结果表明，SVR 大大改进了传统参数方法的预测精度，适用于我国股票权证的价格预测。

摘要： 期权是非常重要的金融衍生品之一，而期权定价则是金融工程研究中的最重要的问题之 一。期权定价只是给出即期的理论价格，而期权价格的预测必须在没有对标的资产价格的信息的前 提下，准确的预测期权未来的价格。本文提出一种简单但非常有效的非参数期权价格预测方法—— SVR。我们首先修正和改进传统的期权定价方法，使其能够用于期权价格预测，成为期权价格预测模 型。然后，我们通过引入非参数方法SVR 来达到减小传统的参数模型的预测误差的目的。由于传统的方法不能有效的把握实际期权价格的运动趋势和非线性的特点，所以在第一阶段的预测后，在第 二阶段引入SVR 来解决其非线性，进而减小预测误差。最后，我们利用我国长虹CWB1 权证以及随机 10只认购权证日价格数据进行实证检验，结果表明，SVR 大大改进了传统参数方法的预测精度，适用于我国股票权证的价格预测。

摘要： 期权是非常重要的金融衍生品之一，而期权定价则是金融工程研究中的最重要的问题之 一。期权定价只是给出即期的理论价格，而期权价格的预测必须在没有对标的资产价格的信息的前 提下，准确的预测期权未来的价格。本文提出一种简单但非常有效的非参数期权价格预测方法—— SVR。我们首先修正和改进传统的期权定价方法，使其能够用于期权价格预测，成为期权价格预测模 型。然后，我们通过引入非参数方法SVR 来达到减小传统的参数模型的预测误差的目的。由于传统的方法不能有效的把握实际期权价格的运动趋势和非线性的特点，所以在第一阶段的预测后，在第 二阶段引入SVR 来解决其非线性，进而减小预测误差。最后，我们利用我国长虹CWB1 权证以及随机 10只认购权证日价格数据进行实证检验，结果表明，SVR 大大改进了传统参数方法的预测精度，适用于我国股票权证的价格预测。

摘要： The union method of Isomap and SVR is proposed for exploring modon trajectories of moving objects．Isomap is one of the famous NDR methods，is rapidly in implementation，docsn’t require extra preprocessing for input data,can give the intra dimensionality of high dimensional nonhnear input data，and has the capability of providing low dimensional representation which is useful for finding motion trajectories．But the modon trajectories from Isomap output are only analogous motion trajectories，not real motion trajectories．So a nonlinear mapping from Isomap output to real trajectories must be established to gain correct motion trajectories．SVM is one of the excellent machine learning methods with predominant ability of small samples learning．When SVM is used for regression or function estimation，it is called SVR．SVR is adopted for calibrating Isomap output．Calibration error vector and calibration error are defined as the measurement of adjusting quality．The comparison between SVR and other methods is also studied．Experiments resuls show,proposed method is effective and correct．

摘要： The union method of Isomap and SVR is proposed for exploring modon trajectories of moving objects．Isomap is one of the famous NDR methods，is rapidly in implementation，docsn’t require extra preprocessing for input data,can give the intra dimensionality of high dimensional nonhnear input data，and has the capability of providing low dimensional representation which is useful for finding motion trajectories．But the modon trajectories from Isomap output are only analogous motion trajectories，not real motion trajectories．So a nonlinear mapping from Isomap output to real trajectories must be established to gain correct motion trajectories．SVM is one of the excellent machine learning methods with predominant ability of small samples learning．When SVM is used for regression or function estimation，it is called SVR．SVR is adopted for calibrating Isomap output．Calibration error vector and calibration error are defined as the measurement of adjusting quality．The comparison between SVR and other methods is also studied．Experiments resuls show,proposed method is effective and correct．

摘要： The union method of Isomap and SVR is proposed for exploring modon trajectories of moving objects．Isomap is one of the famous NDR methods，is rapidly in implementation，docsn’t require extra preprocessing for input data,can give the intra dimensionality of high dimensional nonhnear input data，and has the capability of providing low dimensional representation which is useful for finding motion trajectories．But the modon trajectories from Isomap output are only analogous motion trajectories，not real motion trajectories．So a nonlinear mapping from Isomap output to real trajectories must be established to gain correct motion trajectories．SVM is one of the excellent machine learning methods with predominant ability of small samples learning．When SVM is used for regression or function estimation，it is called SVR．SVR is adopted for calibrating Isomap output．Calibration error vector and calibration error are defined as the measurement of adjusting quality．The comparison between SVR and other methods is also studied．Experiments resuls show,proposed method is effective and correct．

摘要： The union method of Isomap and SVR is proposed for exploring modon trajectories of moving objects．Isomap is one of the famous NDR methods，is rapidly in implementation，docsn’t require extra preprocessing for input data,can give the intra dimensionality of high dimensional nonhnear input data，and has the capability of providing low dimensional representation which is useful for finding motion trajectories．But the modon trajectories from Isomap output are only analogous motion trajectories，not real motion trajectories．So a nonlinear mapping from Isomap output to real trajectories must be established to gain correct motion trajectories．SVM is one of the excellent machine learning methods with predominant ability of small samples learning．When SVM is used for regression or function estimation，it is called SVR．SVR is adopted for calibrating Isomap output．Calibration error vector and calibration error are defined as the measurement of adjusting quality．The comparison between SVR and other methods is also studied．Experiments resuls show,proposed method is effective and correct．

摘要： The union method of Isomap and SVR is proposed for exploring modon trajectories of moving objects．Isomap is one of the famous NDR methods，is rapidly in implementation，docsn’t require extra preprocessing for input data,can give the intra dimensionality of high dimensional nonhnear input data，and has the capability of providing low dimensional representation which is useful for finding motion trajectories．But the modon trajectories from Isomap output are only analogous motion trajectories，not real motion trajectories．So a nonlinear mapping from Isomap output to real trajectories must be established to gain correct motion trajectories．SVM is one of the excellent machine learning methods with predominant ability of small samples learning．When SVM is used for regression or function estimation，it is called SVR．SVR is adopted for calibrating Isomap output．Calibration error vector and calibration error are defined as the measurement of adjusting quality．The comparison between SVR and other methods is also studied．Experiments resuls show,proposed method is effective and correct．

摘要： 本发明公开了一种基于DE‑SVR算法的TBM滚刀磨损量预测方法，构建TBM滚刀磨损量样本数据集；构建预测TBM滚刀磨损量的SVR模型；构建DE‑SVR预测模型：利用测试集数据检验DE‑SVR的准确性；对未知的TBM滚刀磨损量进行预测，从而得到未知TBM滚刀的磨损量的值。本发明通过DE优化算法进行参数优化，通过建立的DE‑SVR预测模型的分析知，滚刀磨损量预测值与实测值的正相关性非常好，该方法表明所建滚刀磨损预测模型的准确性较好，有效提高了滚刀磨损量预测精度，提高总体掘进施工效率具有很大的指导作用。

摘要： 本发明涉及一种改进SVR算法的电子设备故障预测方法，从电子设备状态监测器中提取能够表征电子设备状态退化全过程的样本数据；针对样本特征数据进行数据预处理；建立支持向量回归(SVR)预测模型；通过粒子群算法对SVR预测模型进行参数优化；基于粒子群算法改进后SVR模型设计了递归多步预测的方法，并以此绘制设备状态劣化曲线；根据设备状态劣化曲线，设计基于滑动时间窗口的故障预警。本发明预测故障方法，客观准确地反映被监测的电子设备的运行状态，预测设备未来状态变化趋势，及时进行故障预警，为指导后续的设备故障管理和维护工作提供依据。

摘要： 本发明属于智慧供热技术领域，具体涉及一种基于DBN‑SVR的热力站设备剩余寿命评估方法，其包括：构建热力站数字孪生模型；根据辨识修正后的热力站数字孪生模型结合热力站实测数据获取初始设备退化数据集；对初始设备退化数据集进行预处理后，并采用DBN网络进行特征提取获取设备退化特征数据集；将设备退化特征数据集作为SVR网络的输入数据，进行热力站设备剩余寿命训练和评估；以及对SVR网络模型参数进行寻优，获得最优参数下的热力站设备剩余寿命评估结果，实现了基于数字孪生模型建立寿命评估基础，且通过DBN‑SVR模型进行特征深度提取和设备寿命精确评估。

摘要： 本发明提供一种基于BP‑SVR组合模型的船舶备件需求预测方法及系统，涉及船舶备件需求预测技术领域。本发明首先基于BP模型和SVR模型分别对船舶备件历史消耗数据进行横向和纵向预测，以获取横向预测结果和纵向预测结果，然后基于上述横向预测结果和纵向预测结果利用网格搜索算法确定BP‑SVR组合模型中BP模型和SVR模型的最优权重占比，最后基于最优权重占比的BP‑SVR组合模型进行船舶备件需求预测。本发明利用不同单个模型在预测时处理数据不同特点时的优势，可从船舶备件历史消耗数据的不同角度获取船舶备件需求预测结果，其最终的综合预测结果相比于单个模型更加精准。

摘要： 本发明公开了一种基于改进SVR模型的物联运行指标预测方法，包括：对气候数据与物联运行指标数据进行预处理；对预处理后的气候数据进行特征选择，剔除冗余特征；建立RF‑SVR模型，利用智能优化算法PSO优化RF‑SVR模型的参数，获得RF‑PSO‑SVR模型；通过RF‑PSO‑SVR模型输出物联运行指标预测结果。本发明提高了特征选择的可靠性，有助于提升后续预测模型的预测精度，针对仅仅使用SVR无法实现对本地物联运行指标数据的精准预测，利用PSO算法优化特征选择后的SVR模型，从而提高了模型拟合优度，降低了均方差，有效提升了对于物联运行指标数据的预测精准度。

摘要： 本发明提供了一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法，包括以下步骤：S1、获取种植区域气象站数据、种植区域土壤数据、作物参数数据和田间管理数据；S2、通过试错法进行AquaCrop模型的本地化调试；S3、利用AquaCrop模型选择合适的灌溉策略，进行不同灌溉制度模拟；S4、基于AquaCrop模型模拟结果，结合SVR预测下一年生育期的作物日灌溉需水量。本发明利用现有的气象站数据与作物种植管理数据，将作物模型与机器学习方法结合，能够根据不同区域的水资源供需状况及作物生长需水特征选择适宜的灌溉策略，通过支持向量机结合粒子群寻优算法，预测下一年的作物日灌溉需水量，提高了预测精度，可以为当地农业规划用水提供有效的参考依据。

摘要： 本发明属于钻井漏失预测领域和人工智能机器学习领域，具体涉及一种基于SVR算法的钻井漏失压力预测方法。所述方法为：从钻井井史数据库中采集数据进行预处理，创建样本集与测试集，训练SVR模型，引入松弛因子，引入拉格朗日函数进行无约束化，对偶化求导，使用SMO算法选择最优化参数，构建回归超平面得到预测函数。将预处理后得到的数据集输入训练好的SVR模型，能够得到钻井漏失压力的预测值。该方法解决了目前漏失压力数据对于堵漏防漏有重大意义但是无法直接获取的困难，而且具有结果可靠，成本较低，便于操作，可推广性强的优势，在防漏堵漏领域具有一定的指导意义和参考价值。

摘要： 本发明提供基于IS联合SVR的大规模组学数据校正方法，校正方法包括：1)制作QC样本数据，将QC样本插入待测样本并进行基于色谱‑质谱方法的代谢组学分析，获取所有样本的生物代谢学数据；2)将生物代谢组学数据进行预处理和标准化处理；3)建立IS标度化和支持向量回归丰度预测模型，根据这个模型预测数据中的随机系统误差；4)校正实际样本s中的系统误差，计算归一化后的代谢物峰面积。还提供了一种应用该方法的数据校正系统，该方法和系统提高数据归一化效率，进一步提高数据的生物重复性和结果的准确性。

摘要： 本发明涉及畜牧业的环境监测技术领域，公开了一种基于粒子群优化SVR模型的生猪热应激程度预测方法，包括以下步骤：步骤S1：采集环境参数以及猪只的生理状态；步骤S2：建立可评估热应激程度的参数TSI：通过步骤S1中采集到的环境参数以及猪只的生理状态，建立可评估热应激程度的参数TSI并通过具体参数得到相应数值；步骤S3：建立SVR学习模型：将输入向量映射到高位向量特征空间，构造回归函数，并引入松弛变量；步骤S4：寻找SVR的最优训练模型，得到可评估热应激程度的热应激指数预测模型：采用粒子群算法对SVR学习模型中的惩罚因子进行寻优，最终得到可评估热应激程度的热应激指数。本发明能实现对生猪热应激行为高效快速的预测。

摘要： 本发明提供一种基于IS联合SVR的大规模多组分定量数据校正方法，包括：1)制作QC样本，对其分装保存；2)实际样本分批次顺序检测，QC样本插入实际样本进行色谱‑质谱方法的代谢组学分析，获取生物代谢学数据；3)使用QC样本数据作为训练数据，建立IS标度化和支持向量回归丰度预测模型，预测数据中的随机系统误差；4)实际样本数据的代谢物峰面积参数代入到上述预测模型中，去除实际样本数据中的随机系统误差，获得每个实际样本s归一化后的代谢物峰面积；5)拟合校正后代谢物峰面积与实际代谢物浓度之间的线性校准曲线，计算出代谢物浓度值。该方法全面综合去除数据中的系统误差，提高数据归一化效率，提高定量数据的生物重复性和结果准确性。