CN110163444A - 一种基于gasa-svr的需水预测方法 - Google Patents
一种基于gasa-svr的需水预测方法 Download PDFInfo
- Publication number
- CN110163444A CN110163444A CN201910451143.7A CN201910451143A CN110163444A CN 110163444 A CN110163444 A CN 110163444A CN 201910451143 A CN201910451143 A CN 201910451143A CN 110163444 A CN110163444 A CN 110163444A
- Authority
- CN
- China
- Prior art keywords
- svr
- algorithm
- gasa
- value
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000002922 simulated annealing Methods 0.000 claims abstract description 32
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 230000002068 genetic effect Effects 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000001816 cooling Methods 0.000 claims description 10
- 238000013480 data collection Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 8
- 210000000349 chromosome Anatomy 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Genetics & Genomics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于遗传算法和模拟退火算法混合优化支持向量回归机(GASA‑SVR)的需水预测方法，通过遗传和模拟退火组合优化算法对支持向量回归机的三个参数C，ε和σ进行寻优，建立GASA‑SVR预测模型，并对用水影响因素进行因子分析，将关联度高的特征值作为GASA‑SVR模型的输入，该方法解决了传统参数优化容易陷入局部最优而不是全局最优的问题，可作为需水量预测领域的一个高效的替代方案，在需水预测领域具有一定的泛化和指导意义。
Description
技术领域
本发明涉及一种基于遗传算法和模拟退火算法混合优化支持向量回归机(GASA-SVR，Genetic Algorithm and Simulated Annealing Algorithm-Support VectorRegression)的需水预测方法，属于水资源管理和通信网络技术领域。
背景技术
随着城市人口的日益增多和社会经济的快速发展，城市对于水资源的需求量也越来越大。供水***的自动化运营是将来供水发展的一个趋势，而要实现这个目标，就需要通过建立准确的水需求预测模型来控制泵站的最优总体数量以及最优泵调度。
目前国内外需水预测方法主要分为时间序列法、结构分析法和***方法。近年来，研究者还利用一些研究方法，如人工神经网络、细胞自动机、蚁群算法、进化算法等，通过“拟物”或者“仿生”模拟自然现象来解决问题，已在人工智能、机器学习、数据挖掘等领域发挥了巨大的作用。支持向量回归机(SVR)由Vapnik等人提出，是以统计学为基础的理论，它比传统时间序列预测模型有更好的预测效果，改善了神经网络容易出现的局部最优问题。SVR预测方法已经成功应用于许多领域，如金融(股票指数和汇率)预测，短期光伏发电预测，工程与软件领域的产值和可靠性预测等。
经分析发现，利用支持向量回归机进行需水预测的研究较少，此外，现有技术中用到的遗传和模拟组合算法是简单的顺序递推，先用遗传算法寻优，然后进行模拟退火算法，输出最优值，这种方法缺少循环嵌套的过程，并没有真正的把两个算法优点结合在一起；而且现有技术考虑单一历史用水数据的较多，仅仅把历史用水量作为训练集，模型输入缺乏用水的影响因素。
发明内容
本申请在现有技术的基础上，通过遗传和模拟退火组合优化算法(GASA)对支持向量回归机(SVR)的三个参数C，ε和σ进行寻优，建立GASA-SVR预测模型，并对用水影响因素进行因子分析，将关联度高的特征值作为GASA-SVR模型的输入，该方法在需水预测领域具有一定的泛化和指导意义。
使用河北工程大学近三年的1035组校园用水数据对本发明所提GASA-SVR预测方法的有效性进行了仿真验证，收集这三年中每天的最高气温、最低气温和人数等数据，利用数据统计软件(SPSS，Statistical Product and Service Solutions)进行因子分析，确定校园用水的主要影响因素并将其作为输入层，以均方根误差(RMSE)和决定系数(r2，相关系数related coefficients的平方)作为评价标准，结果同BP神经网络(BP-ANN)、GA-BP-ANN和SVR预测方法进行了比较。实验结果表明，GASA-SVR预测方法的RMSE值较小，r2值更高，因此，本发明所提出的GASA-SVR预测方法是日常用水需求预测的有效工具。
本发明提出一种基于GASA-SVR的需水预测方法，该方法主要包括遗传和模拟退火算法(GASA)的结合、组合优化支持向量回归机参数、影响因子分析几个部分。
首先，遗传算法和模拟退火算法的循环嵌套结合，组合优化的思想：遗传算法(GA)的变异过程能很好地提高寻优能力，模拟退火算法(SA)能够摆脱局部最优值转向全局搜索。本发明的一部分就是解决SVR需水预测模型中提前收敛到局部最优和SA提高寻优效率的问题。
其次，建立GASA-SVR需水预测模型，确定模型评估标准。包括数据收集、数据归一化处理、模型训练和评估。
第三，针对收集的校园用水数据和影响因子，利用SPSS软件进行因子分析，选取关联度较高的影响因素作为预测模型的输入，可以有效提高模型的预测精度。
最后，进行仿真验证，将GASA-SVR的预测结果同SVR、BP-ANN和GA-BP-ANN进行对比。
本发明采用如下技术方案：
一种基于遗传算法和模拟退火算法混合优化支持向量回归机GASA-SVR的需水预测方法，包括数据收集、数据归一化处理、模型训练、模型测试和模型评估，其特征在于：通过遗传和模拟退火组合优化算法GASA对支持向量回归机SVR的三个参数惩罚因子C、不敏感系数ε和核函数参数σ进行寻优，输入到训练模型。
数据收集包括收集校园用水数据和影响因素数据，在所述数据收集后，对用水影响因素进行因子分析，将关联度高的特征值作为GASA-SVR模型的输入；对用水影响因素进行因子分析包括利用SPSS数据分析软件对原始数据进行分析。
模型评估包括用误差评估标准判定预测模型的精度；所述误差评估标准包括均方根误差RMSE和决定系数r2：
式中，yj为某一天的实际用水量，yjpre为该天对应的预测值，为数据集日用水量的平均值，n为数据集中的训练样本数量。
所述遗传和模拟退火组合优化算法包括如下步骤：
步骤一：初始化种群；初始化种群包括对SVR的三个参数惩罚因子C，不敏感系数ε和核函数参数σ进行二进制编码生成初始种群；
步骤二：选择均方根误差RMSE作为适应度函数，计算每个个体的适应度值，作为预测误差的评判；
步骤三：初始化迭代次数；
步骤四：小于迭代次数最大值MAXGEN则继续下一步，大于等于MAXGEN则算法停止，输出最优惩罚因子C、不敏感系数ε和核函数参数σ；
步骤五：选择、交叉、变异操作；
步骤六：遗传GA算法生成的新种群传递给模拟退火SA算法，计算适应度RMSE的值并作为SA算法的初始状态值f0；
步骤七：随机扰动生成SVR的三个参数，计算SA算法的目标函数值RMSE，产生一个新状态，记为f*，跟状态值f0做比较，若在Metropolis接受准则内，则接受新状态，将f*赋值给f0，迭代开始后，f0是一个不断更新的过程；
步骤八：小于最大迭代次数返回步骤七继续扰动生成新状态，大于等于最大迭代次数再进行下一步；
步骤九：降温，Ti+1＝KTi，其中Ti为降温前的温度，Ti+1为降温后的温度，K为降温系数；达到终止温度则SA算法结束，返回到步骤四，并向GA算法返回SVR较优的三个参数C，ε和σ，否则返回步骤七。
附图说明
图1是GASA混合优化算法流程图；
图2是GASA-SVR需水预测方法流程图；
图3是四种预测方法仿真对比图；
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
图1示出了遗传和模拟退火组合优化算法的流程，组合优化的思想是：遗传算法(GA)的变异过程能很好地提高寻优能力，模拟退火算法(SA)能够摆脱局部最优值转向全局搜索，步骤如下：
步骤一：初始化种群。对SVR的三个参数惩罚因子C，不敏感系数ε和核函数参数σ进行二进制编码生成初始种群，每个染色体有三个基因，代表三个参数。其中每个基因30位，一个染色体包含90位。
步骤二：计算适应度。选择均方根误差RMSE作为适应度函数，计算每个染色体的适应度值，作为预测误差的评判：
式中yj为某日用水量测定值，yjpre为用水量预测值，n为数据集中的训练样本量。
步骤三：初始化迭代次数，初始值gen＝1。
步骤四：迭代次数最大值MAXGEN设置为300，小于300继续下一步，大于等于300算法停止，输出最优惩罚因子C、不敏感系数ε和核函数参数σ。
步骤五：选择、交叉、变异操作。运用轮盘赌选择原理对染色体进行选择，适应度较高的染色体较容易衍生下一代。
步骤六：GA算法生成的新种群传递给SA算法，计算适应度RMSE的值并作为SA算法的初始状态值f0。
步骤七：随机扰动生成SVR的三个参数，计算SA算法的目标函数值RMSE，产生一个新状态，记为f*，跟状态值f0做比较，若在Metropolis接受准则内，则接受新状态，将f*赋值给f0，迭代开始后，f0是一个不断更新的过程。
步骤八：最大迭代次数设置为300，小于300跳回步骤七继续扰动生成新状态，大于等于300进行下一步。
步骤九：降温。Ti+1＝KTi，Ti为降温前的温度，Ti+1为降温后的温度。初始温度设置为1000度，降温系数K设置为0.96，终止温度为0，达到终止温度则SA算法结束，返回到步骤四，并向GA算法返回SVR较优的三个参数C，ε和σ，否则返回步骤七。
遗传算法和模拟退火算法的初始值如下表：
遗传算法初始化值
模拟退火算法的初始化值
一种基于GASA混合算法的SVR
图2所示为本发明的预测方法流程图。步骤如下：
步骤一：收集校园用水数据和影响因素数据。
步骤二：影响因素分析。利用SPSS数据分析软件对原始数据进行分析。设影响校园用水量的因素有i个，记为xji，对应的日用水量记为yj，本发明中1≤i≤4，1≤j≤1035。某日的预测用水量记为yjpre，校园原始用水数据通过影响因素分析后，确定输入特征维数。
步骤三：数据归一化处理。由于量纲的差异会影响预测精度，所以将数据进行归一化处理。
步骤四：初始化SVR的三个参数(惩罚因子C、不敏感系数ε和核函数参数σ)，为模型训练做准备。
步骤五：模型训练包括将参数优化、训练模型、模型测试和模型评估。通过GASA混合算法优化的三个最优参数值输入到预测模型中进行测试和评估，原始数据中1005组为训练数据，30组为测试数据。
步骤六：输出校园用水预测值。
预测模型精度的高低需要通过一些误差评估标准去判定，本发明用到的评估标准为均方根误差RMSE和决定系数r2。
式中，yj为某一天的实际用水量，yjpre为该天对应的预测值，为数据集日用水量的平均值，n为数据集中的训练样本量。
本发明以河北工程大学校园用水为例，收集了2014年12月1日至2017年9月30日的1035组校园日用水量(数据来源于河北工程大学节水监管平台)。结合期间邯郸市的天气数据和在校人数，来构建GASA-SVR预测模型的原始数据集。校园是一个特殊的群体，每年都有寒暑假等节假日，为提高本模型的普遍适用性，以节假日对应的人数作为影响因素之一。此外，综合考虑生态、社会和经济等方面的影响，初步选取日最高气温X1、最低气温X2、平均气温X3和人数X4四个影响因子。
通过SPSS软件的因子分析，KMO值为0.753，大于最低标准0.5，说明适合做因子分析。将数据做标准化处理，得到样本总方差解释、成分相关系数矩阵分别如下表1和2。
表1样本总方差解释
表2成分相关系数
从表1中可以看出，两个主成分的初始特征值较大，累积贡献率分别达到了73.238％和98.146％，根据主成分选取指标的原则，两个主成分可以代表这四项影响因子，定义为F1和F2。
从表2中可得出，第一主成分方程为：
F1＝0.343×X1+0.339×X2+0.333×X3+0.037×X4
第一主成分方差最大为：73.238％，通过线性方程所得特征向量分析为，主成分F1与平均气温X1、最高气温X2、最低气温X3有较大正相关，与人数X4相关系数较低。
第二主成分方程为：
F2＝0.012×X1+0.061×X2-0.037×X3+0.997×X4
第二主成分方差最大为：25.177％，通过线性方程所得特征向量分析为，主成分F2与平均气温X1、最高气温X2、最低气温X3相关性较低，与人数X4有较大的正相关，说明人数的增多直接影响到用水量的增长。
从以上分析可知，两个主成分F1和F2能很好地描述各影响因子跟用水量之间的关系，因此，将这两个主成分作为GASA-SVR预测模型的输入。
对比模型中，SVR模型的参数C，ε和σ的默认值分别为50,0.2,0.001，核函数选取径向基核函数，σ取0.001。所采用的ANN结构为常用的BP单隐层网络结构，因为单隐层BP神经网络可以以任意精度拟合函数，隐层神经元采用Sigmoid函数，默认隐层神经元10个，第一层学习率为0.5，第二层学习率为0.03，训练次数为100。
本发明仿真用Spyder开发环境下的Python 3.6软件，分别使用GASA-SVR、SVR、BP-ANN、GA-BP-ANN四个模型对校园用水量进行预测，图3为四种预测方法的仿真曲线比较。从图3中明显可以看出，GASA-SVR预测模型与实际日用水量曲线最为接近，特别是经过GASA组合优化参数，可有效避免陷入局部最小值，得到GASA-SVR的三个参数C，ε和σ的值分别为4.5,0.05和0.01，精度提高了近3％，相对于BP-ANN和GA-BP-ANN具有明显的优势，误差和拟合度对比如下表：
四种模型误差和拟合度对比
从表中可以看出，比较四种预测方法的平均相对误差、均方根误差、r2系数和平均绝对误差，GASA-SVR的各项指标均优于其他四个模型，决定系数达到了0.927034。
本发明运用支持向量机理论，将高度复杂的非线性用水数据转换成高维空间的线性回归问题，再利用GASA组合算法优化SVR的三个参数进行需水量预测，分别建立GASA-SVR、SVR、BP-ANN、GA-BP-ANN四个模型进行拟合度对比，解决了传统参数局部寻优而不是全局最优的问题，该方法可作为需水量预测领域的一个高效的替代方案。
此外，运用SPSS软件分析用水影响因素，选择关联度较高的特征值作为输入，这样比传统单一使用历史用水数据作为输入更具有科学性。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于遗传算法和模拟退火算法混合优化支持向量回归机GASA-SVR的需水预测方法，包括数据收集、数据归一化处理、模型训练、模型测试和模型评估，其特征在于：通过遗传和模拟退火组合优化算法GASA对支持向量回归机SVR的三个参数惩罚因子C、不敏感系数ε和核函数参数σ进行寻优，输入到训练模型。
2.根据权利要求1所述的方法，所述数据收集包括收集校园用水数据和影响因素数据。
3.根据权利要求2所述的方法，在所述数据收集后，对用水影响因素进行因子分析，将关联度高的特征值作为GASA-SVR模型的输入。
4.根据权利要求3所述的方法，所述对用水影响因素进行因子分析包括利用SPSS数据分析软件对原始数据进行分析。
5.根据权利要求3所述的方法，所述模型评估包括用误差评估标准判定预测模型的精度。
6.根据权利要求5所述的方法，所述误差评估标准包括均方根误差RMSE和决定系数r2：
式中，yj为某一天的实际用水量，yjpre为该天对应的预测值，为数据集日用水量的平均值，n为数据集中的训练样本数量。
7.根据权利要求1所述的方法，所述遗传和模拟退火组合优化算法包括如下步骤：
步骤一：初始化种群；
步骤二：选择均方根误差RMSE作为适应度函数，计算每个个体的适应度值，作为预测误差的评判；
步骤三：初始化迭代次数；
步骤四：小于迭代次数最大值MAXGEN则继续下一步，大于等于MAXGEN则算法停止，输出最优惩罚因子C、不敏感系数ε和核函数参数σ；
步骤五：选择、交叉、变异操作；
步骤六：遗传GA算法生成的新种群传递给模拟退火SA算法，计算适应度RMSE的值并作为SA算法的初始状态值f0；
步骤七：随机扰动生成SVR的三个参数，计算SA算法的目标函数值RMSE，产生一个新状态，记为f*，跟状态值f0做比较，若在Metropolis接受准则内，则接受新状态，将f*赋值给f0，迭代开始后，f0是一个不断更新的过程；
步骤八：小于最大迭代次数返回步骤七继续扰动生成新状态，大于等于最大迭代次数再进行下一步；
步骤九：降温，达到终止温度则SA算法结束，返回到步骤四，并向GA算法返回SVR较优的三个参数C，ε和σ，否则返回步骤七。
8.根据权利要求7所述的方法，所述初始化种群包括对SVR的三个参数惩罚因子C，不敏感系数ε和核函数参数σ进行二进制编码生成初始种群。
9.根据权利要求8所述的方法，所述降温为：Ti+1＝KTi，其中Ti为降温前的温度，Ti+1为降温后的温度，K为降温系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910451143.7A CN110163444A (zh) | 2019-05-28 | 2019-05-28 | 一种基于gasa-svr的需水预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910451143.7A CN110163444A (zh) | 2019-05-28 | 2019-05-28 | 一种基于gasa-svr的需水预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110163444A true CN110163444A (zh) | 2019-08-23 |
Family
ID=67629456
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910451143.7A Withdrawn CN110163444A (zh) | 2019-05-28 | 2019-05-28 | 一种基于gasa-svr的需水预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110163444A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111007040A (zh) * | 2019-12-27 | 2020-04-14 | 黑龙江八一农垦大学 | 大米食味品质近红外光谱快速评价方法 |
| CN112434466A (zh) * | 2020-11-20 | 2021-03-02 | 福建商学院 | 一种基于遗传支持向量机的河口盐度预报模型 |
| CN112668135A (zh) * | 2019-10-14 | 2021-04-16 | 河北云酷科技有限公司 | 火力发电厂锅炉金属壁温趋势预测模型及其建立方法 |
| CN112696344A (zh) * | 2020-12-23 | 2021-04-23 | 上海熊猫机械(集团)有限公司 | 一种供水加压泵站的智能控制方法 |
| WO2023179167A1 (zh) * | 2022-03-25 | 2023-09-28 | 西北农林科技大学 | 一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102005135A (zh) * | 2010-12-09 | 2011-04-06 | 上海海事大学 | 基于遗传算法优化的支持向量回归船舶交通流量预测方法 |
| CN106502093A (zh) * | 2016-10-25 | 2017-03-15 | 大唐（北京）水务工程技术有限公司 | 基于ga‑svr的水岛加药在线控制方法和装置 |
-
2019
- 2019-05-28 CN CN201910451143.7A patent/CN110163444A/zh not_active Withdrawn
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102005135A (zh) * | 2010-12-09 | 2011-04-06 | 上海海事大学 | 基于遗传算法优化的支持向量回归船舶交通流量预测方法 |
| CN106502093A (zh) * | 2016-10-25 | 2017-03-15 | 大唐（北京）水务工程技术有限公司 | 基于ga‑svr的水岛加药在线控制方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 赵晓东 等: "基于 GASA 混合算法的支持向量回归机在需水预测中的应用", 《电脑知识与技术》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112668135A (zh) * | 2019-10-14 | 2021-04-16 | 河北云酷科技有限公司 | 火力发电厂锅炉金属壁温趋势预测模型及其建立方法 |
| CN111007040A (zh) * | 2019-12-27 | 2020-04-14 | 黑龙江八一农垦大学 | 大米食味品质近红外光谱快速评价方法 |
| CN111007040B (zh) * | 2019-12-27 | 2020-10-23 | 黑龙江八一农垦大学 | 大米食味品质近红外光谱快速评价方法 |
| CN112434466A (zh) * | 2020-11-20 | 2021-03-02 | 福建商学院 | 一种基于遗传支持向量机的河口盐度预报模型 |
| CN112696344A (zh) * | 2020-12-23 | 2021-04-23 | 上海熊猫机械(集团)有限公司 | 一种供水加压泵站的智能控制方法 |
| CN112696344B (zh) * | 2020-12-23 | 2022-09-02 | 上海熊猫机械(集团)有限公司 | 一种供水加压泵站的智能控制方法 |
| WO2023179167A1 (zh) * | 2022-03-25 | 2023-09-28 | 西北农林科技大学 | 一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110163444A (zh) | 一种基于gasa-svr的需水预测方法 | |
| CN108921339B (zh) | 基于分位数回归的遗传支持向量机光伏功率区间预测方法 | |
| CN109711609A (zh) | 基于小波变换和极限学习机的光伏电站输出功率预测方法 | |
| CN106855957A (zh) | 基于相似日和最小二乘支持向量机的工厂母线负荷预测 | |
| CN110288210A (zh) | 项目级道路基础设施综合养护决策方法及*** | |
| CN107292534A (zh) | 城市配电网中长期动态投资的标尺竞争评价方法及装置 | |
| CN110837915B (zh) | 一种基于混合集成深度学习的电力***低压负荷点预测及概率预测方法 | |
| CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
| CN113869616A (zh) | 一种自适应的居民用户负荷预测方法 | |
| CN113255900A (zh) | 一种考虑改进谱聚类与Bi-LSTM神经网络的冲击性负荷预测方法 | |
| CN113762387A (zh) | 一种基于混合模型预测的数据中心站多元负荷预测方法 | |
| CN114298377A (zh) | 一种基于改进极限学习机的光伏发电预测方法 | |
| CN116070769A (zh) | 一种超短期风电场功率多步区间预测模块化方法及其设备 | |
| CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
| CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及*** | |
| CN109190786A (zh) | 一种光伏发电效率的组合预测方法 | |
| CN112836876B (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
| CN115759389A (zh) | 基于天气类型的相似日组合策略的日前光伏功率预测方法 | |
| CN114091776A (zh) | 一种基于K-means的多分支AGCNN短期电力负荷预测方法 | |
| CN113570414A (zh) | 基于改进Adam算法优化深度神经网络的电价预测方法 | |
| CN111310974A (zh) | 一种基于ga-elm的短期需水预测方法 | |
| CN112348236A (zh) | 用于智能用电监测终端的异常日负荷需求预测***与方法 | |
| CN112307672A (zh) | 基于布谷鸟算法优化的bp神经网络短期风功率预测方法 | |
| CN111126827A (zh) | 一种基于bp人工神经网络的投入产出核算模型构建方法 | |
| CN116167465A (zh) | 基于多变量时间序列集成学习的太阳辐照度预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190823 |
|
| WW01 | Invention patent application withdrawn after publication |