本文選題：空氣質(zhì)量指數(shù)　切入點：參數(shù)優(yōu)化　出處：《江蘇大學(xué)學(xué)報(自然科學(xué)版)》2016年04期

【摘要】：在使用粒子群和組合預(yù)測方法改進傳統(tǒng)支持向量機預(yù)測精度的基礎(chǔ)上,構(gòu)建了基于空氣質(zhì)量指數(shù)的城市空氣質(zhì)量監(jiān)測預(yù)警模型.在參數(shù)優(yōu)化方面,為了提高懲罰參數(shù)和核參數(shù)的選擇精度,利用帶收斂因子的粒子群算法,優(yōu)化了網(wǎng)格搜索交叉驗證法的參數(shù)篩選流程;在模型改進方面,為綜合利用多種預(yù)測算法的優(yōu)勢,引入組合預(yù)測方式對灰色預(yù)測、時間序列預(yù)測和PSO-SVM模型的預(yù)測結(jié)果進行最優(yōu)線性組合.結(jié)果表明:改進后的參數(shù)篩選流程和支持向量機的空氣質(zhì)量監(jiān)測預(yù)警模型具有預(yù)測數(shù)據(jù)結(jié)構(gòu)風(fēng)險低、預(yù)測均方誤差最小、運算精度高、運算速度快和適用性廣等特征.
[Abstract]:On the basis of using particle swarm optimization and combination forecasting method to improve the prediction accuracy of traditional support vector machine, an urban air quality monitoring and warning model based on air quality index is constructed. In order to improve the accuracy of selecting penalty and kernel parameters, the particle swarm optimization algorithm with convergence factor is used to optimize the parameter selection flow of the cross-validation method for grid search, and to make comprehensive use of the advantages of various prediction algorithms in improving the model. The combination forecasting method is introduced to the grey forecast. The optimal linear combination of time series prediction and PSO-SVM model prediction results show that the improved parameter screening process and the air quality monitoring and warning model based on support vector machine have low risk of prediction data structure and minimum prediction mean square error. It is characterized by high precision, high speed and wide applicability.
【作者單位】： 東北財經(jīng)大學(xué)公共管理學(xué)院;東北財經(jīng)大學(xué)國際商學(xué)院;東北財經(jīng)大學(xué)統(tǒng)計學(xué)院;
【基金】：國家社會科學(xué)基金資助項目(14CRK019) 遼寧省社科規(guī)劃基金資助項目(L14CTJ005) 遼寧省教育廳人文社科項目(W2014209;ZJ2013035) 遼寧省社科聯(lián)遼寧經(jīng)濟社會發(fā)展立項課題(2016lslktzzx-01;2016lsljdwtzdian-02)
【分類號】：X831;TP18

【相似文獻】

相關(guān)期刊論文 前10條

1 張鴻雁;;基于樹狀結(jié)構(gòu)的支持向量機多分類方法[J];煤礦機械;2008年06期

2 袁曉鷹;邵元海;王震;;基于支持向量機煤炭產(chǎn)地的鑒別研究[J];潔凈煤技術(shù);2011年04期

3 陳文杰,王晶;支持向量機在工業(yè)過程中的應(yīng)用[J];計算機與應(yīng)用化學(xué);2005年03期

4 胡哲;鄭誠;閔鵬鵬;;支持向量機及其應(yīng)用研究[J];重慶科技學(xué)院學(xué)報(自然科學(xué)版);2008年02期

5 楊靜;殷志祥;崔健中;;支持向量機的蛋白質(zhì)遠程同源檢測方法分析[J];安徽理工大學(xué)學(xué)報(自然科學(xué)版);2009年03期

6 王永;程燦;戴明軍;孫永;;一種半監(jiān)督支持向量機優(yōu)化方法[J];工礦自動化;2010年12期

7 丁勝鋒;;一種改進的雙支持向量機[J];遼寧石油化工大學(xué)學(xué)報;2012年04期

8 鄭小霞;錢鋒;;基于小波和支持向量機的故障趨勢預(yù)報[J];計算機與應(yīng)用化學(xué);2008年01期

9 王平;;基于支持向量機的空氣降塵預(yù)測[J];科技情報開發(fā)與經(jīng)濟;2009年02期

10 劉培勝;賈銀山;韓云萍;;一種改進的簡化支持向量機[J];遼寧石油化工大學(xué)學(xué)報;2009年01期

相關(guān)會議論文 前10條

1 余樂安;姚瀟;;基于中心化支持向量機的信用風(fēng)險評估模型[A];第六屆（2011）中國管理學(xué)年會——商務(wù)智能分會場論文集[C];2011年

2 劉希玉;徐志敏;段會川;;基于支持向量機的創(chuàng)新分類器[A];山東省計算機學(xué)會2005年信息技術(shù)與信息化研討會論文集（一）[C];2005年

3 史曉濤;劉建麗;駱玉榮;;一種抗噪音的支持向量機學(xué)習(xí)方法[A];全國第19屆計算機技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集（下冊）[C];2008年

4 何琴淑;劉信恩;肖世富;;基于支持向量機的系統(tǒng)辨識方法研究及應(yīng)用[A];中國力學(xué)大會——2013論文摘要集[C];2013年

5 劉駿;;基于支持向量機方法的衢州降雪模型[A];第五屆長三角氣象科技論壇論文集[C];2008年

6 王婷;胡秀珍;;基于組合向量的支持向量機方法預(yù)測膜蛋白類型[A];第十一次中國生物物理學(xué)術(shù)大會暨第九屆全國會員代表大會摘要集[C];2009年

7 趙晶;高雋;張旭東;謝昭;;支持向量機綜述[A];全國第十五屆計算機科學(xué)與技術(shù)應(yīng)用學(xué)術(shù)會議論文集[C];2003年

8 周星宇;王思元;;智能數(shù)學(xué)與支持向量機[A];2005年中國智能自動化會議論文集[C];2005年

9 顏根廷;馬廣富;朱良寬;宋斌;;一種魯棒支持向量機算法[A];2006中國控制與決策學(xué)術(shù)年會論文集[C];2006年

10 侯澍e，

本文編號：1671901