多样性PSO_SVR油气操作成本时间序列预测模型

摘要：

为解决现行油气操作成本预测方法存在的油气操作成本影响因素难确定,传统模型的构建需采集大量多维数据且对具有非线性特征的油气操作成本时间序列预测精度较低的问题,首先采用CAO算法对油气操作成本时间序列进行空间重构并构建模型所需样本.其次,为解决支持向量机回归模型(SVR)所需参数难确定及原始粒子群优化算法(PSO)易陷入局部最优的问题,利用多样性PSO算法(DPSO)并结合K-fold交叉验证最小误差准则进行参数寻优,建立基于空间重构的DP-SO-SVR油气操作成本时间序列预测模型.最终,以某油田1983～2004年油气操作成本为数据,将所提出的DPSO-SVR模型与网格搜索SVR模型、PSO-SVR模型、Levenberg-Marquardt BP神经网络模型及背景值优化GM(1,1)模型进行对比实验,并对各模型的预测能力进行对比及原因分析.结果表明所提出的DPSO-SVR模型能够解决上述问题,具有更高的预测精度且能够帮助油田管理者做出更好的决策.

关键词：油气操作成本、支持向量机、粒子群、预测、时间序列

所属期刊栏目：31

分类号：TP391.9;TE319(计算技术、计算机技术)

资助基金：国家自然科学基金项目71172124;高等学校博士学科点专项科研基金项目20116102110036

在线出版日期：2014-03-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：96-102