基于AGA的SVM需水预测模型研究

被引：13

作者：

张灵

陈晓宏

刘丙军

王兆礼

机构：

[1] 中山大学水资源与环境研究中心

来源：

水文 | 2008年 / 01期

基金：

广东省自然科学基金;

关键词：

需水预测; 支持向量机; 加速遗传算法; BP神经网络;

D O I：

暂无

中图分类号：

P338.9 [];

学科分类号：

081501 ;

摘要：

需水预测是一个由城市人口、工业水平、社会经济水平共同作用的多因素、多层次的复杂非线性系统,其结果将直接影响受区域水资源承载力约束的产业结构、布局形态等决策。作为一种集中参数预报方法,支持向量机方法具有对未来样本的较好的泛化性能,对于这类资料缺乏、系统结构尚欠清晰的问题可以取得较好的模拟和预测结果。基于此,本文将支持向量机方法引入需水预测领域,建立了需水预测支持向量机模型。同时,本文将加速遗传算法和支持向量机方法耦合起来,构造了支持向量机模型参数的自适应优化算法。模型在珠海市的应用实例表明:与简单遗传算法比较,AGA的模型参数寻优效率更高;与BP神经网络模型相比,SVM模型较好地解决了小样本、经验性等问题,并取得了较高的预测精度。

引用

页码：38 / 42+46 +46

页数：6

共 24 条

[1]

EC-SVM approach for real-time hydrologic forecasting. Yu X Y,Liong S Y,Babovic V. Journal of Hydroinformatics . 2004

[2]

Support vector machines with simulatedannealing algorithms in electricity load forecasting. Ping Feng Pai,Wei Chiang Hong. Energy Conversion . 2005

[3] 支持向量机在地下水位预报中的应用研究 [J].

王景雷 ;

吴景社 ;

孙景生 ;

齐学斌 .

水利学报, 2003, (05) :122-128

[4] Support vector machines with simulated annealing algorithms in electricity load forecasting [J].

Pai, PF ;

Hong, WC .

ENERGY CONVERSION AND MANAGEMENT, 2005, 46 (17) :2669-2688

[5] 基于BP网络的改进负荷预测方法 [J].

何飞 ;

张国忠 ;

刘亚 .

华东电力, 2004, (03) :31-33

[6] 标准遗传算法的改进方案——加速遗传算法 [J].

金菊良 ;

杨晓华 ;

丁晶 .

系统工程理论与实践, 2001, (04) :8-13

[7] 支持向量机函数拟合在分形插值中的应用 [J].

马云潜 ;

张学工 .

清华大学学报(自然科学版), 2000, (03) :76-78+103

[8]

Support vector method for function approximation,regression estimation,and signal processing. Vapnik V,Golowich S,Smola A. Neural Information Processing Systems . 1997

[9]

Predicting time series with support vector machines. Mller K-R,Smola A J,Ratsch G,etal. Proc.of ICANN 97 . 1997

[10]

Flood stage forecasting with SVM. Liong S Y,Sivapragasm C. Journal of the American Water Resources Association . 2002

← 1 2 3 →