改进PSO的SVM回归模型及在气温预测中的应用
兰州市气温是一个非平稳序列,具有典型噪声大、不稳定的特征,气温变化越大,越不稳定.为了能够提高支持向量机在气温预测中的预测精度、强化泛化能力和降低参数选择的灵敏度.本文提出了改进的粒子群算法(improved particle swarm optimization,IPSO)优化支持向量机(support vector machine,SVM)的气温预测模型.首先在粒子群算法(particle swarm optimization,PSO)中引入了自适应惯性权重以提高PSO算法的全局寻优能力和局部开发能力,其次利用改进的IPSO算法优化SVM的惩罚因子和核函数参数,将优化后的模型(IPSO-SVM)应用于气温预测中.以兰州地面观测站点实际数据作为样本数据,运用Matlab实验工具进行训练和预测,实验结果表明,本文IPSO-SVM模型相比于BP,SVM,GRID-SVM,GWO-SVM,ABC-SVM,ACO-SVM模型具有更强的泛化能力,更好的拟合度,可以更加准确地预测气温的变化,进一步验证了该模型在气温预测方面的可行性.
粒子群算法、支持向量机、气温、优化、预测
32
TP391.9;TQ015.9;P457.6
国家自然科学基金;国家电网公司总部科技项目;甘肃省气象信息与技术装备保障中心科技创新基金
2023-09-25(万方平台首次上网日期,不代表论文的发表时间)
共8页
203-210