煤炭需求量预测的支持向量机模型

被引：20

作者：

贾存良

吴海山

巩敦卫

机构：

[1] 中国矿业大学信息与电气工程学院

来源：

中国矿业大学学报 | 2007年 / 01期

关键词：

支持向量机; 煤炭需求量; 预测;

D O I：

暂无

中图分类号：

TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

根据选择的嵌入维数,建立了基于支持向量回归的中国煤炭需求量预测模型.用1980—2002年的中国煤炭需求量构造了支持向量机的输入向量和输出向量;经过与线性核函数及Sig-moid核函数的对比,选用基于径向基函数(RBF)作为核函数,在分析预测误差和模型参数关系的基础上,选择了合适的参数;建立了多输入、单输出的支持向量机(SVM)预测模型.用检验样本与基于RBF神经网络模型的预测进行了比较,结果表明支持向量机模型在训练样本较少的情况下,仍有较高的预测精度和较强的泛化能力,证明了该模型对近期的预测是可靠的.最后用训练好的支持向量机模型很好地预测了2003-2006年我国的煤炭需求量.

引用

页码：107 / 110

页数：4

共 7 条

[1] 基于支持向量机的航空发动机滑油监控分析 [J].

尉询楷 ;

李应红 ;

王硕 ;

路建明 ;

汪诚 .

航空动力学报, 2004, (03) :392-397

[2] 基于灰色理论的煤炭需求预测模型研究 [J].

荆全忠 ;

苏同营 .

山东科技大学学报(自然科学版), 2004, (01) :91-93

[3] 短期电力负荷预测的小波支持向量机方法研究 [J].

李元诚 ;

方廷健 ;

郑国祥 .

中国科学技术大学学报, 2003, (06) :99-105

[4] 煤炭需求预测的复合小波神经网络模型 [J].

宁云才 .

煤炭学报, 2003, (01) :108-112

[5] 基于支持向量机的数据库学习算法 [J].

田盛丰 ;

黄厚宽 .

计算机研究与发展, 2000, (01) :17-22

[6]

Load forecasting using support vector machines: astudy on EUNITE competition 2001. Chen B J,Chang M W,Lin C J. IEEE Transactions on Power Systems . 2004

[7]

Improvements to SMO algorithm for SVM regression. Shevade S K,Keerthi S C Bhattacharyy et al. IEEE ACM Transactions on Networking . 2000

← 1 →