基于GA-SVR的煤炭需求预测模型研究.pdfVIP

第36卷第3期 2010…。 ． l1 西南民族大学学报·自然鐾学版l1 ScienceEdition ofSouthwestforNationalitiesNatura University 文章编号：1003—2843(2010)03-04024)4 基于GA．SVR的煤炭需求预测模型研究 丁宏飞1，黄福玲2，吴建乐1 (1．西南交通大学数学学院，四川成都610031；2．西南交通大学经济管理学院，四川成都610031) 摘要：在煤炭需求预测中，存在历史样本量较小和非线性强的特点，从而致使预测精度较低．将支持向量机回归 vector (supportregression，SVR)-与遗传算法(genetic 需求预测模型．通过分析选取5项指标作为煤炭需求的影响变量；以历史煤炭需求与其影响变量值为学习样本，结合遗 传算法确定SVR预测模型参数；实例结果表明GA．SVR模型预测精度优于BP神经网络模型． 关键词：支持向量机回归；遗传算法；煤炭需求预测 中图分类号：TP391 文献标识码：A 引言 煤炭是中国的基础能源，支撑着国民经济的高速发展．在未来的一段时期，煤炭的基础能源地位不会改变． 要合理利用煤炭资源，保证我国经济的健康发展，煤炭需求的预测必不可少IlJ．目前对煤炭需求预测的研究方法 如果煤炭需求量波动较大时，这些模型的误差也较大；现有神经网络预测方法存在最终解依赖初值、局部极小、 过学习、网络隐层节点数难于确定等缺点，影响了预测精度．针对上述问题，本文基于支持向量机理论提出了适 用于小样本量的预测模型，并采用遗传算法实现了优化寻参，提高了模型的预测精度． 1预测模型的建立 1．1影响变量的确定 应年份的需求量Y(万吨)． 1．2 SVR预测模型的建立 Vector p1(Support 非线性系统建模等多个领域． 支持向量机回归进行回归函数的估计时，其基本思想就是通过某种非线性映射①，将输入空间X的训练 数据x映射到某一高维线性空问F中，从而将输入空间Ⅳ中的非线性函数估计问题，转化为高维线性空间， 的线性函数估计问题，在空间F内做线性回归． 设第k年影响煤炭需求量的因子的特征向量为一=(誓l，薯2，…，薯。)，煤炭需求量为只，则构成的待回归的 是非线性函数． 收稿日期：2010．03．14 作者简介：-Y宏％(1985．)，男，重庆梁平人，西南交通大学数学学院硕士研究生，主要研究方向为支持向量机 E’mail：5dingfei@163．com 基金项目：国家自然科学基金． 第3期 丁宏飞等：基于GA．SVR的煤炭需求预测模型研究 403 f(x)=W·①(x)+6， (1) b为偏置量，系数 式中，W(x)是输,N空IB-IX到高维Helbert空问的非线陛映射，变量14反映了函数的复杂度， W和b可通过使下式最小化来估计： R(厂)=圭||wIl2+c去喜t(”，厂(‘))， (2) 式中，t为损失函数，C为惩罚因子，C的值越大，表示对超出t的数据惩罚越大． 以g不敏感损失函数作为结构最小化风险的估计问题，引入松弛变量毒，f，可将优化目标表示为： rainwll2+c∑(磊+f)， 1只一w·①(‘)一b≤占+六 s．t．{W·o(‘)+6-y,≤g+f．