关联交叉口交通流模糊变权重组合预测方法

针对单一交通流预测方法存在的局限性和传统交通流组合预测模型中权重不能动态变化的问题,提出一种关联交叉口交通流模糊变权重组合预测方法。先对交叉口交通流的关联性进行分析,并给出关联交叉口的定义;再建立关联交叉口交通流模糊自适应变权重组合预测模型,该模型分别利用Kalman滤波器模型与SVM模型来预测关联交叉口交通流量,然后根据这2个模型预测的误差和交通量的变化趋势,采用模糊逻辑推理方法,对这2个预测模型分别赋予适当的权重。试验结果表明,组合预测模型的最大绝对误差、平均绝对误差和相关系数均明显好于单一的预测方法,分别为9.8%、4.63%和0.99。     

基于支持向量机的室内轰燃预测模型研究

为对室内轰燃进行准确预测,针对室内轰燃样本的不足在一定程度上制约了其应用,为此运用SVM技术构建室内轰燃预测的数学模型。在小样本条件下,应用工具软件LIBSVM进行仿真,并将SVM模型预测结果和人工神经网络预测结果进行对比。结果显示,SVM技术能较好地解决小样本和模型预测精确度之间的矛盾,SVM模型其预测精度及可行性高于神经网络模型。实例表明,由于室内火灾受多种因素影响,传统的预测方法存在一定的局限性,而SVM模型预测法预测的结果与试验结果比较一致。     

基于ARIMA与SVM的飞行事故组合预测方法

飞行事故预测的目的在于预防事故。为提高事故预防的针对性和有效性,必须加强预测,以增强预防飞行事故的主动性。在ARIMA和SVM基础上,提出一种飞行事故组合预测方法。首先建立ARIMA模型,用以描述历史数据中的线性关系;然后,对ARIMA模型的残差构建SVM模型,用以模拟数据中的非线性规律,两者预测值之和就是最后的预测结果。美国空军1954—1993年飞行事故损坏飞机万时率的实证分析结果表明:利用该方法所建立的模型,能够对飞行事故作出较为准确的预测,模型精度总体优于单一的ARIMA或SVM模型。     

岩溶塌陷倾向性等级的KPCA-SVM预测模型

为了快速、有效地预测岩溶塌陷倾向性等级,在统计分析大量观测实例的基础上,选取岩性系数、岩体结构系数、地下水系数、覆盖层系数、地形地貌系数和环境条件系数作为特征指标。利用核主成分分析(KPCA)方法在高维空间提取岩溶塌陷影响因子的主成分,将获取的主成分作为支持向量机(SVM)的特征向量,建立基于KPCA的岩溶塌陷倾向性等级的SVM预测模型。将12组观测数据作为学习样本对模型进行训练。采用回代估计法进行回检,误判率为0。利用训练好的模型对2组待判样本进行预测。结果表明:经KPCA后指标个数减少,相关性降低,SVM运算的复杂度降低。用该模型所得预测结果的准确率为100%。     

基于MCMC填补的SSA-SVM煤与瓦斯突出预测模型

为提升煤与瓦斯突出预测准确度,减小数据缺失对煤与瓦斯突出预测的不利影响,提出1种基于链式多重填补马尔科夫链蒙特卡罗(MCMC)的麻雀搜索算法(SSA)优化支持向量机(SVM)预测模型。根据突出影响因素选取模型参数,运用MCMC对突出事故缺失值进行数据填补,采用SSA优化SVM,建立MCMC-SSA-SVM模型对填补后数据集进行预测,验证MCMC填补有效性和SSA优化性能;分别构建SVM、SSA-SVM、PSO-SVM、GAM-SVM、CMC-SVM、MCMC-PSO-SVM和MCMC-GA-SVM这7种模型进行突出预测,对比预测准确度,分析MCMC-SSA-SVM、MCMC-PSO-SVM和MCMC-GA-SVM的适应度。研究结果表明:MCMC填补后准确度均提升7.89个百分点以上,SSA的优化性能强于PSO和GA,MCMC-SSA-SVM预测准确度最高,为97.37%,泛化能力优于对比模型。研究结果可为煤与瓦斯突出预测研究提供借鉴和参考。     

基于支持向量机的煤与瓦斯突出预测研究

为准确预测矿井煤与瓦斯突出的危险性,针对煤与瓦斯突出样本的不足从一定程度上制约了基于知识的方法在煤与瓦斯突出预测中的应用这一问题,利用支持向量机在小样本情况下具有较强识别能力的特点,提出了煤与瓦斯突出的支持向量机预测方法。对煤与瓦斯突出影响因素进行灰关联分析,提取特征向量。选用典型突出矿井的煤与瓦斯突出实例作为学习样本,以云南恩洪煤矿的突出实例作为预测样本,将支持向量机预测结果与其他预测结果进行对比。结果表明支持向量机模型能够满足煤与瓦斯突出预测的要求。     

基于组合赋权的混合粒子群优化支持向量机的岩爆倾向性预测

为有效预测岩爆灾害发生烈度,提出一种基于组合赋权的混合粒子群优化支持向量机(H-PSO-SVM)岩爆倾向性预测模型。根据岩爆发生机制,在分析岩爆发生的主要影响因素的基础上确定出评判指标;综合考虑模糊层次分析法(FAHP)所得主观权重和熵权法所得客观权重,应用调和平均数概念,构建组合赋权准则;引入遗传算法交叉、变异操作改进传统粒子群(PSO)极值跟踪和粒子更新方法,建立H-PSO-SVM岩爆倾向性预测模型。利用国内外已有工程实例数据进行50次随机抽样试验,对比分析H-PSO-SVM模型和PSO-SVM模型等预测结果。结果表明:H-PSO-SVM模型应用于岩爆工程实例预测具有可行性和适应性,模型预测的准确率高于其他模型,且预测结果更稳定。     

基于MPSO-WLS-SVM的矿井瓦斯涌出量预测模型研究

为有效预防瓦斯灾害,以预测矿井瓦斯涌出量为研究目的,提出经改进的粒子群算法(MPSO)优化的加权最小二乘支持向量机(WLS-SVM),并用其预测非线性动态瓦斯涌出量。算法通过对WLS-SVM的正则化参数C和高斯核参数σ寻优,建立基于MPSO优化的WLS-SVM的瓦斯涌出量预测模型,并利用某矿井监测到的各项历史数据进行实例分析。试验结果表明:该预测模型预测的最大相对误差为5.99%,最小相对误差为0.43%,平均相对误差为2.95%,较其他预测模型有更强的泛化能力和更高的预测精度。     

基于链式多重插补的WOA-ELM煤与瓦斯突出预测模型

为了提高缺失数据下煤与瓦斯突出预测准确率,提出1种基于链式支持向量机多重插补(MICE＿SVM)的鲸鱼优化算法(WOA)-极限学习机(ELM)预测模型,以淮南朱集矿区为例,选取5个煤与瓦斯突出影响指标作为模型特征,采用提出的MICE＿SVM算法插补突出事故数据中缺失值,利用WOA优选ELM输入层权值及隐含层阈值,构建煤与瓦斯突出预测模型,将插补后数据用于WOA-ELM模型的训练与测试,并与其他模型的预测效果对比。研究结果表明：MICE＿SVM插补前、后的有突出数据预测准确率分别为83.02%,90.41%,MICE＿SVM显著提高了有突出预测准确率,对无突出和整体的预测准确率提高不明显;数据插补后WOA优化ELM对无突出、有突出和整体的预测准确率分别为97.94%,96.25%,96.48%,较优化前分别提高了5.79%,5.84%,5.55%,数据插补后WOA-ELM为最佳预测模型。     

基于GA-SVM的施工人员安全行为影响因素及决策模型研究

导致施工人员不安全行为的因素众多,如何保证员工进行安全施工是施工企业亟待解决的问题。为分析施工人员安全行为的影响因素及作用机理,从社会资本理论、认知心理学理论和安全行为理论分析了安全行为的影响因素,并设计了相关调查问卷。在进行仿真分析前,采用遗传算法优化计算的方法筛选出了13个关键影响因素,降低了自变量之间的相关性,之后利用支持向量机(SVM)的方法对决策模型进行了仿真分析,并与BP神经网络模型做了对比。仿真结果表明:基于筛选出的关键影响因素的SVM仿真模型的精度和有效性大于BP神经网络模型,模型精度为0.00887,相关系数为88.4%,说明影响因素与安全行为之间具有较好的拟合关系。研究结论为企业衡量员工安全行为水平,提高员工安全行为能力和企业安全管理能力提供理论支持。     

一种新型的矿井突水分析与预测的支持向量机模型

针对矿井突水样本数少,信息不完整的特点,提出了矿井突水分析的线性核H-SVMs模型。推导模型的理论推广误差公式,设计自顶向下基于SVM最大间隔逐层分类构造H-SVMs的新方法,并应用于实际的矿井突水预测。实验结果表明,线性核H-SVMs模型结构简单、泛化能力强,不仅能很好地预测矿井突水,而且其层次结构能正确反映突水的等级关系,各判别函数的法向量还可以指示各突水影响因素的权重,通过判决函数能有效分析突水影响因素并提取突水预测规则,为矿井突水预测提供了新的方法。     

煤与瓦斯突出预测的支持向量机(SVM)模型

基于支持向量机(SVM)分类算法,考虑影响煤与瓦斯突出的主要因素,建立了煤与瓦斯突出预测的SVM模型。该模型选取开采深度、瓦斯压力、瓦斯放散初速度、煤的坚固性系数以及地质破坏程度5个指标作为模型输入量,同时将煤与瓦斯突出程度划分为无突出、小型突出、中型突出和大型突出4个等级,进而使其评判结果更为细化。以实测数据作为学习样本进行训练,建立相应判别函数对待判样本进行预测。通过算例分析,表明该模型的方法对煤与瓦斯突出预测的合理性与有效性,可以在实际工程中推广。     

基于最优加权的道路交通事故组合预测模型

针对各种单一灰色预测方法存在的局限性,建立了一种基于最优加权的灰色组合预测方法。根据我国道路交通事故的发展情况,建立了GM(1,1)模型和Verhulst模型相结合的组合预测模型,运用最优加权法确定了组合预测模型的权重系数。利用2001—2007年我国道路交通事故数据死亡人数数据,对建立的灰色组合预测模型进行了预测。预测结果表明,组合预测模型比单一的GM(1,1)模型和Verhulst模型具有更高的预测精度。     

基于支持向量回归机的煤层瓦斯含量预测研究

为了对煤层瓦斯含量进行准确预测,应用支持向量回归机(SVR)理论建立煤层瓦斯含量预测模型,结合现场实测数据利用支持向量机(SVM)工具箱进行模型的求解及预测,并从均方根误差、希尔不等系数和平均绝对百分误差3个不同误差指标与人工神经网络预测模型进行比较分析。研究结果表明:SVR模型其预测精度及可行性高于神经网络模型,而且运算快,实时性较好,用于煤层瓦斯含量的预测较理想,具有良好的应用前景,可以为煤矿瓦斯防治提供理论依据。     

信息融合技术在火灾探测中的应用研究

为减少火灾探测中的误报警,基于信息融合技术对火灾传感器输出的信息进行处理。充分利用火灾探测系统的在线和离线数据,采用改进的主元分析法(PCA)、粗糙集(RS)理论、支持向量机(SVM)等3种方法的融合与互补,通过对系统的输入数据进行简化,消除原有信息的各分量之间的相关性,降低特征信息维数;实施最优最小约简,特征提取优化;构造自适应核函数,确定最优分类超平面,进行样本训练,获得火灾探测结果。从数据级、特征级、决策级3个层次上实现火灾信息融合。结果表明:该方法减少了融合过程中的信息损失,降低了计算的复杂性,有效地提高了火灾探测系统的可靠性和准确度。     

基于差异进化支持向量机的坑外土体沉降预测

就用支持向量机(SVM)预测基坑外土体沉降而言,通过差异进化(DE)算法构造适合的决策函数十分重要。在确定坑外土体沉降函数的基本形式下,进行参数反演。后将得到的解析式作为SVM的决策函数,再进行核函数转换,从而使SVM的曲线拟合更加快速,预测更加准确。对大连地铁湾家车站基坑坑外土体的沉降数据的分析及预测的结果表明,使用SVM-DE算法在计算数据量、计算消耗时间和预测精度方面优于2种方法单独使用。     

基于数据库与支持向量机的施工升降机安全风险预测

为预防施工升降机安全事故的发生,利用数据库和支持向量机(SVM)算法预测施工升降机的安全风险.首先依据相关理论和施工升降机的特点,初步定性分析施工升降机的安全风险因素;然后利用施工升降机安全事故数据库管理系统统计分析施工升降机安全事故案例,细化安全风险因素,确定施工升降机安全风险预测指标;最后运用SVM算法构建施工升降...     

支持向量机对多环芳烃毒性的定量构效预测

为了实现多环芳烃(PAHs)毒性的有效预测,提出应用定量构效技术对多环芳烃的空气-正辛醇分配系数(KOA)和致癌性进行预测。应用分子描述符和试验值确立构效关系,采用支持向量机算法(SVM)和人工神经网络算法(ANN)分别建立了PAHs的KOA回归预测模型和致癌性分类预测模型。利用网格划分(GS)、遗传算法(GA)、粒子群算法(PSO)对SVM进行参数寻优。应用均方误差(MSE)、拟合决定系数R2和分类准确率(Accuracy)分别对模型进行了验证与评价。结果表明,最佳回归预测模型GS-SVR的MSE为0.059 7,R2为0.913 0;最佳分类预测模型GA-SVC的Accuracy为95%。研究表明:应用SVM所建两种模型的稳定性和预测能力都优于应用ANN建立的模型;参数优化后模型的稳定性和预测能力得到了提高。     

突发事件网络舆情反转的PCA-LDA-LSSVM预测模型

为有效引导与控制突发事件网络舆情,建立科学的预警机制,提出突发事件网络舆情反转的主成分分析(PCA)-线性判别分析(LDA)-最小二乘支持向量机(LSSVM)预测模型。利用PCA提取具有相关性的影响因素主成分,利用LDA方法分析相互独立的影响因素和主成分对突发事件网络舆情反转的影响,并将LDA分析后的影响因素作为LSSVM的输入向量,预测突发事件网络舆情反转,通过选取33组突发事件网络舆情数据进行试验研究。研究结果表明:影响因素重要性由大到小依次为网民情感正倾向、网民情感负倾向、舆情事件性质、舆情传播形式、舆情首发主体权威性;当网民情感正倾向明显减少、网民情感负倾向明显增加时,应采取措施引导舆情发展。     

基于支持向量机的综合管廊火灾纵向温度实时预测

城市地下综合管廊一旦发生火灾,会对城市造成很大的经济损失和社会影响。考虑到火灾的快速发展和综合管廊狭长受限的特殊空间结构,迫切需要一套准确、实时的火灾温度预测系统辅助消防救援人员制定决策和指导消防行动。建立了5种不同火源位置的地下综合管廊电缆火灾数值模型,结合支持向量机(SVM),根据火源位置、热释放速率、火灾发生时间以及待测点与火源之间的相对位置关系开发了一种数据驱动的温度实时预测模型,实现了地下管廊火灾场景内的纵向温度预测,提出了在火源附近数据结构的优化方案,提高了火源附近的预测准确度。该方法在预测性能和预测时间方面取得了优异的性能,展示了人工智能在火灾预测应用中的优越表现和发展前景。