基于SVR的多维时间序列农业经济预测模型

基于支持向量回归(SVR)并融合带受控项的自回归模型(CAR),建立了一种既反映样本集动态特征又体现自变量影响的非线性多维时间序列分析预测方法(SVR-CAR)。用一步预测法对两个经济学样本集的预测结果表明,SVR-CAR在所有参比模型中预测精度最高,并具结构风险最小、非线性、避免过拟合、泛化推广能力优异等诸多优点。SVR-CAR在农业经济预测等多维时间序列分析领域有广泛应用前景。     

基于地统计学的多维时间序列模型及其在生态学中的应用

基于地统计学半变异函数发展了一种新的多维时间序列最优阶数判断方法,并结合支持向量回归建立了既反映样本集动态特征又体现环境因子影响的非线性多维时间序列分析预测模型(GS-SVR). 用一步预测法对两个生态学样本集的预测结果表明,GS-SVR预测精度高,并具结构风险最小、非线性、避免过拟合、泛化推广能力强等诸多优点.     

SVR-KNN法用于除草剂QSAR研究

[目的]探索一种有效的组合预测方法,用于定量构效关系(QSAR)的研究分析。[方法]提出一种基于支持向量机回归(SVR)与K-最近邻法(KNN)的组合预测方法:以均方误差(MSE)最小为择优准则,对SVR实施核函数寻优;基于最优核函数以SVR进行描述符筛选并得到保留描述符;以"多轮末尾强制淘汰法"阐述各保留描述符对预测精度影响的程度;基于保留描述符,以不同KNN预测值反映样本集异质性并构建子模型,最后基于SVR以留一法实施组合预测。运用该组合预测方法研究磺酰脲和三唑并嘧啶磺酰胺类除草剂QSAR建模。[结果]建模结果表明,基于SVR与KNN的组合预测方法在参比模型中预测精度最高,具有结构风险最小、非线性、能有效克服过拟合、泛化推广能力优异等优点。[结论]基于SVR与KNN的组合预测具有许多优点,在QSAR研究中应用前景广泛。     

基于SVR的滑坡位移研究

滑坡位移具有非线性特征,针对单变量的时间序列,首先引入相空间重构理论,将其扩展到多维的相空间中。再结合数据挖掘中的机器学习算法——支持向量回归算法（SVR）建立预测模型,并对李家湾滑坡的水平位移进行预测。试验结果表明,该模型具有非常高的精度（均控制在94％以上）,可以充分的应用于滑坡灾害的预测和预报。     

基于GA-SVR的中长期径流预报

【目的】将遗传算法（GA）与支持向量机回归（SVR）2种算法结合,构建GA-SVR模型,并采用该模型对径流进行预报,为制定防洪抗旱与水资源调度方案提供依据。【方法】以陕西府谷县黄甫川水文站1979-2003年实测资料作为拟合样本,2004-2008年资料作为检验样本,选取降水量、蒸发量为输入量,径流为输出量,通过GA优化SVR的结构和参数,建立GA-SVR预报模型,进而进行径流预报,同时与基于误差反向传播算法的人工神经网络（BP-ANN）、投影寻踪回归（PPR）模型的预报结果进行对比分析。【结果】应用GA-SVR、BP-ANN、PPR 3个模型在径流拟合阶段的预报精度较检验阶段有所下降,但是预报精度均达到了乙级水平,其中以GA-SVR的预报精度最高,效果最好。【结论】GA-SVR模型实现了SVR参数自动化选取,较好地解决了高度非线性、小样本、过学习等问题,模型可行有效,为径流预报提供了一种新途径。     

醇类化合物对欧洲林蛙蝌蚪毒性的QSAR研究

采用分子描述符计算软件PCLIENT获得123个醇类有机小分子化合物的1 666个理化性质参数,通过相关性分析与逐步线性回归筛选,最终获得14个分子描述符。基于保留的14个关键理化性质,分别以多元线性回归(MLR)、偏最小二乘回归(PLS)与支持向量回归(SVR)构建醇类化合物对欧洲林蛙蝌蚪毒性的QSAR模型。结果表明:3种模型的独立预测决定系数Q2从初始的-163.350、-0.019、0.686分别提升到0.860、0.903与0.936,剔除无关描述符能显著提升模型的预测精度;基于SVR的训练拟合精度和独立预测精度均较好,表明其泛化能力强,鲁棒性好;SVR模型独立测试集预测值和真实值比较结果证明最终筛选出的14个描述符具有较好的显著性,模型具有较好的稳健性。本方法在有毒化合物等QSAR研究领域有较广泛应用前景。     

基于支持向量回归的非线性变量筛选用于酚类化合物QSAR建模的研究

首先基于支持向量回归（SVR）依均方根误差最小原则确定最优核函数,再以最优核函数为基础,进行SVR非线性自变量筛选,最后以所选自变量进行建模预测.将该方法应用于酚类化合物的QSAR研究,最优核函数确定为径向基核,最终保留自变量为疏水性参数（lgp）与拓扑指数（Am3）.结果表明：基于SVR进行变量筛选能有效地剔除无关自变量,进一步改进SVR对小样本数据的建模预测能力.该方法在农业环境毒性污染物的QSAR研究领域有较广泛的应用前景.     

基于PSO-SVR模型的河南省小麦产量预测方法

小麦生产是河南省农业生产中的重要环节，在维持粮食供应和安全方面发挥着重要作用。对小麦产量进行准确预测可以为农业经济调控、政策制定提供重要性信息。为提高小麦产量预测精度，综合考虑影响小麦产量的相关因素，基于皮尔逊相关系数分析特征变量与产量之间的相关性。选取支持向量回归(support vector regression, SVR)模型解决小麦估产中的复杂性、非线性及小样本等问题。引入粒子群算法(particle swarm optimization, PSO)对SVR模型的惩罚因子(c)和核参数(g)进行优化，提高SVR模型的预测精度。以河南省1978—2019年小麦产量数据及其特征变量数据构建数据集，并与BP、Elman等神经网络模型及优化模型进行对比仿真试验。结果表明，PSO对SVR模型的优化效果明显高于传统的神经网络，PSO-SVR模型预测结果的4项评价指标均优于其他模型。其中，PSO-SVR模型的平均绝对百分比误差MAPE为0.87%,与SVR模型相比误差降低了57.4%、与PSO-BP模型相比误差降低了64.8%。PSO-SVR模型能够提高小麦产量预测精度，稳定性好，可为小麦产...     

基于品质指标预测北京烤鸭的中心温度

【目的】解决烤鸭传统挂炉烤制过程中中心温度难以在线精确监测的问题。【方法】通过测定烤鸭的品质指标,利用多元线性回归、偏最小二乘回归、支持向量回归、人工神经网络等方法对北京烤鸭中心温度进行在线客观预测。【结果】烤鸭胸肉的L~*、a~*、b~*、脱氧肌红蛋白、氧合肌红蛋白、高铁肌红蛋白、水分含量、脂肪含量、蛋白二级结构等指标均可用于有效识别北京烤鸭的中心温度;线性模型多元线性回归和偏最小二乘回归的预测集决定系数R_C~2分别为0.9543和0.9384,均方根误差SEC分别为5.8205℃和6.7634℃,MLR模型预测效果优于偏最小二乘回归模型;非线性模型支持向量回归优于人工神经网络模型,其预测集决定系数R_C~2和交叉验证决定系数R_(CV)~2分别为0.9837和0.9496,均方根误差SEC和交叉验证均方根误差SECV分别为3.5215℃和6.1236℃,北京烤鸭中心温度预测模型构建以支持向量回归模型效果最好;支持向量回归验证集的决定系数R_V~2较高,达到0.9748,均方根误差SEV为5.5204℃,结合建模结果得出支持向量回归模型预测挂炉烤制北京烤鸭的中心温度效果最佳。【结论】北京烤鸭胸肉的色度、肌红蛋白、水分含量、脂肪含量、蛋白二级结构等可有效识别北京烤鸭的中心温度;基于品质指标的SVR模型可准确预测烤鸭的中心温度。     

基于小波分解的日径流支持向量机回归预测模型

【目的】将小波变换与支持向量机结合,构建小波支持向量机回归模型(WSVR),并用其对日径流进行预测,为水库调度提供参考依据。【方法】利用径流时间序列中包含的大量信息,通过小波变换将径流时间序列分解成不同分辨率水平的子序列和近似序列,通过相关性分析选取有效子序列与近似序列相加得到的新序列作为支持向量机回归模型的输入,建立小波支持向量机回归耦合模型,以泾河流域张家山站的日径流为研究对象,利用均方根误差(RMSE)、平均绝对误差(MAE)、确定性系数(DC)、相关系数(R)及相对误差(RE)作为评价指标对模型预测精度进行评价。【结果】利用所建立的小波日径流支持向量机模型对张家山站日径流的预测结果显示,该模型在检验阶段的RMSE、MAE、DC、R及RE分别为26.05m3/s,8.26m3/s,0.826,0.910,-13.3%,与仅使用支持向量机回归模型(SVR)相比,耦合模型预测精度明显提高,且非汛期预测效果优于汛期。【结论】建立了小波支持向量机回归耦合模型,该模型可有效模拟和预测日径流,为日径流预测提供了新的途径。