基于ν-支持向量机的时用水量预测模型.pdfVIP

第１７卷４期 应用基础与工程科学学报 Ｖｏｌ．１７，Ｎｏ．４ ２００９年８月 ＪＯＵＲＮＡＬＯＦＢＡＳＩＣＳＣＩＥＮＣＥＡＮＤＥＮＧＩＮＥＥＲＩＮＧ Ａｕｇｕｓｔ２００９ 文章编号：１００５０９３０（２００９）０４０５４３０６　　中图分类号：ＴＵ９９１３３　　文献标识码：Ａ ｄｏｉ：１０．３９６９．／ｊ．ｉｓｓｎ．１００５０９３０．２００９．０４．００６ 基于 支持向量机的时用水量预测模型 ν 陈　磊 （浙江工业大学市政工程系，浙江 杭州３１００１４） 摘要：为解决ＢＰ神经网络结构较难确定以及过学习的问题，在对时用水量序列 进行相关分析的基础上，建立了基于 支持向量机（ＳＶＭ）的时用水量预测模 ν ν 型．ＳＶＭ算法通过引入参数 代替传统支持向量机算法的不敏感系数 ，有效 ν ν ε 地控制支持向量个数．实例分析结果表明，与基于ＢＰ网络的预测模型和基于传 统ＳＶＭ的预测模型相比，基于 ＳＶＭ的时用水量预测模型建模速度更快，预测 ν 精度更高． 关键词：支持向量机；相关分析；ＢＰ神经网络；供水系统；时用水量预测 ν 时用水量具有较强的周期性，同时也会产生一定的波动．为了精确预测时用水量，预 ［１］ ［２］ 测模型需具有较强的非线性映射能力和较好的容错性．单金林等 和刘洪波等 采用神 经网络预测时用水量，并取得一定的预测效果．但是，神经网络基于经验风险最小化，它仅 强调经验风险最小化（训练误差最小），而不考虑最小化置信范围，因此极易产生过学习 问题，导致泛化能力较差．此外，网络结构较难确定，并且样本数目趋于无穷大的假设在实 ［３］ ［４］ 际中往往得不到满足，使神经网络难以较好地用于实际预测 ．王亮等 利用基于结构 风险最小化的支持向量机来预测时用水量，并通过对比神经网络，验证了基于支持向量机 ［５］ 时用水量预测模型的较高预测精度．俞亭超等 根据时用水量的周期性，利用峰值识别 的支持向量机来预测时用水量，进一步提高了模型的预测精度．不足之处在于以上学者没 有深入探讨时用水序列的变化规律，仅凭一般经验确定模型的输入参数，因此很难获得更 高的预测精度．此外，在支持向量机建模前，王亮和俞亭超都采用试算法确定不敏感系数 ，耗费了大量的时间．为此，本文在对时用水量序列进行相关分析的基础上，采用 ＳＶＭ ε ν ［６］ 算法建立时用水量预测模型 ，以获得较快的建模速度和较高的预测精度． １　用于回归估计的 ＳＶＭ算法 ν Ｎ ｎ 给定Ｎ个训练样本｛ｘ，ｙ｝ ，其中：ｘ Ｒ 为ｎ维的训练样本输入，ｙ Ｒ为训练样 ｉ ｉ ｉ＝１ ｉ∈ ｉ∈ 本输出，要求拟合的函数为 　收稿日期：２００８０３２６；修订日期：２００９０４２７ 基金项目：国家自然科学基金资助项目；浙江省教育厅科研项目；浙江环境工程重中之重开 放基金 作者简介：陈磊（１９７７—），男，博士，