基于规范变换与误差修正的回归支持向量机的环境系统预测

为了建立不同环境系统皆能规范、统一、简洁、实用的回归支持向量机预测模型,针对传统的回归支持向量机预测模型存在结构不能普适、规范和统一及用于大样本、多因子预测会出现学习效率低、求解精度差的局限,提出适用于环境系统预测量及其影响因子参照值和规范变换式的设计原则和方法,使规范变换后的影响因子皆"等效"于同一个规范影响因子;为提高样本的预测精度,还提出预测样本的模型输出的误差修正法.在对环境系统的预测量及其影响因子进行规范变换的基础上,由有m个规范影响因子的每个建模样本生成m个"等效"训练样本,从建模样本中,选择各影响因子的最大规范值组成训练样本集的"参考样本",计算核函数中每个训练样本相对于"参考样本"的范数;并应用优化算法优化模型参数,建立适用于预测量及其影响因子规范值的仅有2个或3个支持向量的两种简单结构的回归支持向量机预测模型.将基于规范变换的两种简单结构的回归支持向量机模型与相似样本误差修正法相结合,用于河津大桥监测断面6个样本的COD月平均值预测,并与多种传统预测模型和方法进行了比较.结果表明:对同一个预测样本,两种模型的预测值十分接近;此外,两种预测模型用于6个样本预测,其相对误差绝对值的平均值分别为2.09%、2.79%,均远小于传统的投影寻踪回归预测的41.63%、支持向量机预测的40.99%、灰色神经网络预测的25.94%和马尔可夫预测的10.16%;而两种预测模型对异常样本预测的最大的相对误差绝对值分别为5.85%、5.13%,更加远远小于传统的4种预测模型的169.07%、180.45%、68.44%、41.96%.两种基于规范变换的回归支持向量机预测模型简洁、普适、规范和统一,避免了"大样本数困难",提高了学习效率和模型的预测精确度,对其他预测建模法也有借鉴作用.     

自动气象站非规范算法对风观测数据质量的影响

目的弄清非规范算法对风观测数据质量的影响程度。方法采用规范方法和二种非规范方法同时统计长期正常采集的风向风速数据,统计每月16位风向的极大风速及其对应的风向和时间、最大风速及其对应的风向和时间、2 min平均风速、10 min平均风速、含静风的风向频率等参数,并绘制相应参数的风玫瑰图,比较不同算法、相同参数的风玫瑰图,探讨算法间的误差。结果风速简单滑动平均法、风向矢量滑动平均法对16位风向上极大风速、最大风速、10 min平均风速的统计结果与规范方法很接近,而风向、风速简单滑动平均法对上述5种参数的统计结果与规范方法都有很大差异。结论自动气象站非规范算法会降低风观测数据质量,加强自动气象站供货商资质管理是提高气象观测数据质量的基本保障。     

基于小波分解与自适应多级残差修正的最小二乘支持向量回归预测模型的PM2.5浓度预测

采用小波分解(WD)将济南市科干所监测站PM_(2.5)浓度的一维时间序列(2013年1月1日—2017年8月15日)分解为高维信息,获得了该监测站附近PM_(2.5)浓度的时频变化特征,重点分析了PM_(2.5)的随机性和趋势性问题.然后构建了基于小波分解的多级残差修正的最小二乘支持向量回归预测模型(AMLRC-WLSSVR),结果发现,该模型能够很好地对济南市PM_(2.5)浓度做出预测,特别是针对重污染天气的预测有很好的精度.为了避免预测结果的不确定性问题,提出了一种基于方差估计给出预测值置信区间上界的方法,同时,有效弥补了单点预测的不稳定性及预测精度不足的缺点,该方法能够为实际空气污染预警提供技术支持.     

水华过程水质参数与浮游植物定量关系的研究——以太湖梅梁湾为例

考虑到太湖水华暴发过程中水质参数（如营养盐或水体理化参数）对浮游植物增殖的滞后效应,利用有滞后变量参与的格兰杰因果关系检验和向量自回归模型,分析了太湖梅梁湾湖区2000年~2012年的监测数据,探讨了湖泊水质参数对于水华暴发的影响和定量关系.结果发现,表征浮游植物生物量的叶绿素a（Chl-a）浓度与总磷（TP）、氮磷比（N/P）、水温（WT）之间存在长期的均衡关系,格兰杰因果关系模型和向量自回归模型（VAR）的结果显示,水体中TP浓度、N/P和WT是Chl-a含量变化的格兰杰原因,上述结果提供了湖泊水质参数与蓝藻生物量的定量关系,在其他水质参数保持不变的情况下,约1%湖泊TP含量、N/P和水温的变化分别造成0.97%、0.078%和0.55%的浮游植物生物量的变化.本研究为水华暴发研究过程中水质参数的定量化影响提供一个新颖的视角,考虑了时间滞后变量的时间序列分析方法也可以加深对水华暴发过程的理解.     

SOIL MOISTURE PREDICTION USING SUPPORT VECTOR MACHINES1

ABSTRACT: Herein, a recently developed methodology, Support Vector Machines (SVMs), is presented and applied to the challenge of soil moisture prediction. Support Vector Machines are derived from statistical learning theory and can be used to predict a quantity forward in time based on training that uses past data, hence providing a statistically sound approach to solving inverse problems. The principal strength of SVMs lies in the fact that they employ Structural Risk Minimization (SRM) instead of Empirical Risk Minimization (ERM). The SVMs formulate a quadratic optimization problem that ensures a global optimum, which makes them superior to traditional learning algorithms such as Artificial Neural Networks (ANNs). The resulting model is sparse and not characterized by the “curse of dimensionality.” Soil moisture distribution and variation is helpful in predicting and understanding various hydrologic processes, including weather changes, energy and moisture fluxes, drought, irrigation scheduling, and rainfall/runoff generation. Soil moisture and meteorological data are used to generate SVM predictions for four and seven days ahead. Predictions show good agreement with actual soil moisture measurements. Results from the SVM modeling are compared with predictions obtained from ANN models and show that SVM models performed better for soil moisture forecasting than ANN models.     

基于支持向量机的绿潮灾害影响因素的权重分析

根据2012~2013年南黄海海域绿潮浒苔遥感监测分布面积数据及温度、天气状况、风向、风力、浪高5个影响绿潮浒苔扩散的气候因子,建立了相应的支持向量机回归模型.通过模型中各影响因素权重的变化分析绿潮灾害的发展过程,并与传统的单因素分析法进行对比,支持向量机回归更能准确得出各影响因素的权重及权重的变化规律.通过对权重变化规律的分析,给出在绿潮发生过程中漂浮、爆发和消亡阶段的划分依据.     

基于支持向量机的城市土壤重金属污染评价

以太原市城区周边的80个土壤样品为研究对象,测定了土壤中Ni、Cr、As、Cu、Zn、Pb、Cd和Hg8种重金属的含量,运用支持向量机模型进行土壤重金属污染评价,并与 Hakanson 指数法和内梅罗综合污染指数法的评价结果进行对比,探讨支持向量机模型在土壤重金属污染评价中的应用。结果表明,（1）重金属元素的变异系数由高到低顺序分别为：Hg＞Pb＞As＞Cd＞Cu＞Ni＞Zn＞Cr。Hg含量在0.02-0.39 mg·kg^-1之间,变异系数为0.648,最大值为最小值的19.5倍;而土壤中Pb的含量在17.4-86 mg·kg^-1之间,变异系数为0.409;即使变异系数最小的Cr元素的最大值为109 mg·kg^-1,最小值为54.7 mg·kg^-1,变化范围也到达了54.3 mg·kg^-1,可见太原市土壤中各元素含量的变异很大。各元素的含量的平均值除Ni以外均大于太原市的元素背景值,但都在国家土壤质量质量标准的二级标准值之下。（2）内梅罗综合污染指数法、Hakanson 指数法和支持向量机的评价结果中,评价等级为2A、2B、2C的样品数分别为：41、47和45,37、29和33,2、4和2,评价结果相差不大,内梅罗综合污染指数法与支持向量机方法的评价结果相同率为70%,Hakanson 指数法和支持向量机的评价结果相同率为65%。（3）对评价结果有差异的样品进一步分析可知,支持向量机方法的评价结果更为准确。相比较内梅罗综合污染指数法和Hakanson指数法而言,支持向量机降低了人的主观判断对评价结果的影响,在进行综合评价的时候能考虑到各因素的综合影响,使评价结果更接近真实情况,有较为严格的数学基础,泛化能力好,在土壤重金属污染评价中有广泛的应用前景。     

基于QSPR方法的脂肪醇化合物闪点预测

为提高脂肪醇化合物闪点预测精度,提出基于定量结构-性质关系(QSPR)原理的脂肪醇化合物闪点预测方法。应用Dragon软件计算出91种脂肪醇的分子描述符,利用遗传函数算法(GFA)从1 481个描述符中筛选出3个与脂肪醇闪点关系最密切的分子描述符。分别用多元线性回归(MLR)方法和支持向量机(SVM)方法进行建模,并采用内部验证和外部检验的方式对模型的拟合度、预测性等性能进行验证。结果表明:预测集的MLR方法和SVM方法的平均绝对误差(AAE)分别为2.870 K和2.706 K;均方根误差(RMSE)为3.451 K和3.371 K。SVM模型在精度上略优于MLR模型,而MLR模型更为简单和方便。     

基于粗糙集与灰色SVM的中国CO2排放量预测

从我国CO2排放量的不确定性、不完整性、小样本等特征出发,以灰色系统(GM)模型和支持向量机(SVM)模型为基础,建立基于粗糙集的组合预测模型.利用该模型以我国1990~2011年CO2排放量的数据以及同期的人口数量、GDP和能源消耗总量数据为基础对我国同期CO2排放量进行预测来验证其有效性,最后对我国2012~2017的CO2排放量进行预测.结果表明,灰色系统理论与支持向量机模型仅能够反应我国CO2排放的长期变化趋势,在预测精度上存在一定缺陷而基于粗糙集与灰色SVM的组合预测模型在预测精度上明显优于以上两种方法,能够对我国未来CO2排放量进行准确有效的预测分析.