為準(zhǔn)確預(yù)測未來中國煤炭需求總量;首先確定我國煤炭需求量的7個主要影響因子,將集成學(xué)習(xí)算法以及支持向量回歸算法應(yīng)用到中國煤炭需求量預(yù)測中,借助多元宇宙算法優(yōu)化支持向量回歸機(jī)中關(guān)鍵參數(shù),構(gòu)造基于MVO-SVR-AdaBoost的中國煤炭需求量預(yù)測模型;將1980-2017年歷史數(shù)據(jù)帶入模型.結(jié)果表明:建立的煤炭需求量預(yù)測模型適配度高達(dá)0.9791,平均絕對誤差僅為4.2928%.基于歷史數(shù)據(jù),確定各因子年均增長率的可能波動邊界值,在GDP低、中、高速增長的情況下隨機(jī)組合分別帶入模型得到2018-2020年中國煤炭需求量的可能數(shù)值區(qū)間.
【部分圖文】：

第4期趙碩嬙，等：基于MVO-SVR-AdaBoost的中國煤炭需求量預(yù)測模型遼寧工程技術(shù)大學(xué)學(xué)報（自然科學(xué)版）網(wǎng)址：http://fxky.cbpt.cnki.net371（c）煤炭需求量預(yù)測值（2000-2010年）（d）煤炭需求量預(yù)測值（2001-2016年）圖3訓(xùn)練集數(shù)據(jù)預(yù)測結(jié)果Fig.3predictionresultsoftrainingsetdata由圖3可知，基預(yù)測器模型通過對預(yù)測誤差樣本增加權(quán)重使得模型預(yù)測精度逐步提高，而單個預(yù)測器的預(yù)測誤差可以通過對所有預(yù)測器按照一定的組合策略加權(quán)求值的方法得到解決，并使最終輸出結(jié)果相對于單一預(yù)測器更加穩(wěn)定，能夠更好地擬合影響因子與因變量之間的線性關(guān)系.圖3中以10年為階段對煤炭需求量變化趨勢進(jìn)行分析，可直觀表示1980-2000年間，中國煤炭增長量為平穩(wěn)發(fā)展態(tài)勢，2000-2010年間中國的煤炭需求量上升速度飛快，2010-2017年煤炭需求年增長率較小，整體呈放緩態(tài)勢.3.3模型對煤炭需求量的預(yù)測為檢驗?zāi)Ｐ偷念A(yù)測精度，在訓(xùn)練好的MVO-SVM-AdaBoost模型中對訓(xùn)練集進(jìn)行回代，并對6組測試集進(jìn)行預(yù)測，對所得擬合值與觀測模型進(jìn)行比較，對比結(jié)果與誤差表現(xiàn)情況圖見4.由圖4可知，本文所建模型具有較高的擬合性，1980-2020年年均擬合值的相對誤差范圍在2%～6%內(nèi)，擬合結(jié)果準(zhǔn)確性較高.為驗證本文優(yōu)化算法MVO與AdaBoost集成學(xué)習(xí)框架的有效性，本文選用單一SVR算法，PSO-SVR算法、MVO-SVM算法及MVO-SVM-AdaBoost算法基于6組測試集數(shù)據(jù)實施預(yù)測，結(jié)果見圖5.由圖5可以看出有必要對SVR算法中關(guān)鍵參數(shù)進(jìn)行優(yōu)化選擇，MVO有效加快了算法總體的收斂速度和搜索精度，而AdaBoost集成學(xué)習(xí)方法則在優(yōu)化的模型的基礎(chǔ)上通過樣本權(quán)?

第4期趙碩嬙，等：基于MVO-SVR-AdaBoost的中國煤炭需求量預(yù)測模型遼寧工程技術(shù)大學(xué)學(xué)報（自然科學(xué)版）網(wǎng)址：http://fxky.cbpt.cnki.net371（c）煤炭需求量預(yù)測值（2000-2010年）（d）煤炭需求量預(yù)測值（2001-2016年）圖3訓(xùn)練集數(shù)據(jù)預(yù)測結(jié)果Fig.3predictionresultsoftrainingsetdata由圖3可知，基預(yù)測器模型通過對預(yù)測誤差樣本增加權(quán)重使得模型預(yù)測精度逐步提高，而單個預(yù)測器的預(yù)測誤差可以通過對所有預(yù)測器按照一定的組合策略加權(quán)求值的方法得到解決，并使最終輸出結(jié)果相對于單一預(yù)測器更加穩(wěn)定，能夠更好地擬合影響因子與因變量之間的線性關(guān)系.圖3中以10年為階段對煤炭需求量變化趨勢進(jìn)行分析，可直觀表示1980-2000年間，中國煤炭增長量為平穩(wěn)發(fā)展態(tài)勢，2000-2010年間中國的煤炭需求量上升速度飛快，2010-2017年煤炭需求年增長率較小，整體呈放緩態(tài)勢.3.3模型對煤炭需求量的預(yù)測為檢驗?zāi)Ｐ偷念A(yù)測精度，在訓(xùn)練好的MVO-SVM-AdaBoost模型中對訓(xùn)練集進(jìn)行回代，并對6組測試集進(jìn)行預(yù)測，對所得擬合值與觀測模型進(jìn)行比較，對比結(jié)果與誤差表現(xiàn)情況圖見4.由圖4可知，本文所建模型具有較高的擬合性，1980-2020年年均擬合值的相對誤差范圍在2%～6%內(nèi)，擬合結(jié)果準(zhǔn)確性較高.為驗證本文優(yōu)化算法MVO與AdaBoost集成學(xué)習(xí)框架的有效性，本文選用單一SVR算法，PSO-SVR算法、MVO-SVM算法及MVO-SVM-AdaBoost算法基于6組測試集數(shù)據(jù)實施預(yù)測，結(jié)果見圖5.由圖5可以看出有必要對SVR算法中關(guān)鍵參數(shù)進(jìn)行優(yōu)化選擇，MVO有效加快了算法總體的收斂速度和搜索精度，而AdaBoost集成學(xué)習(xí)方法則在優(yōu)化的模型的基礎(chǔ)上通過樣本權(quán)?
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李偉;嚴(yán)珂;陸慧娟;葉敏超;;基于Adaboost.RT算法的隧道沉降時間序列預(yù)測研究[J];中國計量大學(xué)學(xué)報;2019年03期

2 唐邁;;基于錯分類成本的AdaBoost客戶流失預(yù)測模型研究[J];中國商界(上半月);2010年11期

3 李亞瓊;趙春暉;潘泉;張紹武;;新的AdaBoost算法評價體系[J];計算機(jī)工程與應(yīng)用;2009年08期

4 羅棚;;基于改進(jìn)的BP-Adaboost算法的機(jī)械結(jié)構(gòu)可靠性分析[J];內(nèi)燃機(jī)與配件;2019年15期

5 趙三元;沈庭芝;孫晨升;劉朋樟;岳雷;;Feature subset selection method for AdaBoost training[J];Journal of Beijing Institute of Technology;2011年03期

6 楊海江;魏秋萍;張景肖;;基于改進(jìn)的AdaBoost算法的信用評分模型[J];統(tǒng)計與信息論壇;2011年02期

7 馬景義;謝邦昌;;擬適應(yīng)再加權(quán)分類隨機(jī)森林[J];統(tǒng)計與信息論壇;2010年03期

8 王純麟;何建敏;;基于AdaBoost的電信客戶流失預(yù)測模型[J];價值工程;2007年02期

9 牛艷慶;胡寶清;;基于模糊Adaboost算法的支持向量回歸機(jī)[J];模糊系統(tǒng)與數(shù)學(xué);2006年02期

10 吳祖峰;梁棋;劉嶠;秦志光;;基于AdaBoost的鏈路預(yù)測優(yōu)化算法[J];通信學(xué)報;2014年03期

相關(guān)博士學(xué)位論文 前3條

1 王冬光;控制技術(shù)在投資預(yù)測模型建立中的應(yīng)用研究[D];哈爾濱工程大學(xué);2005年

2 張麗峰;中國能源供求預(yù)測模型及發(fā)展對策研究[D];首都經(jīng)濟(jì)貿(mào)易大學(xué);2006年

3 畢玉革;北方干寒地區(qū)日光溫室小氣候環(huán)境預(yù)測模型與數(shù)字化研究[D];內(nèi)蒙古農(nóng)業(yè)大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 鄭偉華;基于MCP懲罰的AdaBoost集成剪枝技術(shù)的研究[D];江西財經(jīng)大學(xué);2019年

2 霍麗佳;基于AdaBoost算法多因子選股模型的應(yīng)用研究[D];華中科技大學(xué);2019年

3 李敏;基于組合模型的隔夜Shibor預(yù)測[D];蘭州大學(xué);2018年

4 袁泉;Adaboost組合分類模型在信用評估領(lǐng)域應(yīng)用研究[D];哈爾濱工業(yè)大學(xué);2011年

5 詹財鑫;基于SVM_AdaBoost模型的股票漲跌實證研究[D];華南理工大學(xué);2013年

6 楊澤;基于多模態(tài)優(yōu)化和集成學(xué)習(xí)的模糊認(rèn)知圖學(xué)習(xí)方法及應(yīng)用研究[D];西安電子科技大學(xué);2019年

7 韓煒東;基于集成學(xué)習(xí)的社區(qū)成員識別技術(shù)研究[D];西北農(nóng)林科技大學(xué);2019年

8 郭蓉;基于非白化數(shù)據(jù)的獨立分量回歸及其應(yīng)用[D];西安電子科技大學(xué);2018年

9 張莉婷;基于集成學(xué)習(xí)的工業(yè)產(chǎn)品質(zhì)量控制方法研究[D];華南理工大學(xué);2018年

10 鐘銳;基于K-means++與Adaboost彈性網(wǎng)絡(luò)的多股票配對交易策略設(shè)計[D];上海師范大學(xué);2020年

本文編號：2851492