资源描述：
《峰值识别的SVM模型及在时用水量预测中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
1、2005年1月系统工程理论与实践第1期 文章编号:100026788(2005)0120134207峰值识别的SVM模型及在时用水量预测中的应用俞亭超,张土乔,柳景青(浙江大学土木工程学系,浙江杭州310027)摘要:提出了一种峰值识别理论及相应改进的SVM模型L该模型在结构风险最小化准则的目标函数中加大峰值误差的权重,并结合杭州市时用水量预测实践结果,其能很大提高对峰值用水量的预测精度L模型还把时用水量序列分为参数优化集和训练预测集,以对参数C、C优化选取L关键词:支持向量机(SVM);时用水量;预测中图分类号:TU991.33文献标识码:ASVMModelwithPeak
2、ValueRecognitionandItsApplicationtoHourlyWaterConsumptionForecastingYUTing2chao,ZHANGTu2qiao,LIUJing2qing(DepartmentofCivilEngineering,ZhejiangUniversity,Hangzhou310027,China)Abstract:Waterconsumptionforecastingisthebasisandpreconditionfortheoptimizationandopera2tionofwatersupplysystem,whos
3、eaccuracyinfluencesdirectlythereliabilityandfeasibilityofcontrolandoperation.Amodifiedsupportvectormachine(SVM)modelwithpeakrecognitiontheoryispro2posed.Bythismodelweighttotheerrorofbigvaluewasinputtolossfunctionofstructuralriskmini2mization.Accordingtothehourlywaterdemandforecastingresults
4、ofHangzhoucity,theaccuracyofpeakvalueforecastingwasgreatlyimproved.InordertoadopttheproperparameterC,C,timeseriesofhourlywaterconsumptionwasdividedintoparameteroptimizationsetandtrainingforecastingset.Keywords:supportvectormachine;hourlywaterconsumption;forecasting1 引言随着科技水平的发展及人类对供水要求的不断提高
5、,建立供水系统的优化调度系统是供水行业发展的必然趋势L供水系统优化调度的研究主要包括:1)用水量预测;2)建立供水网络工况分析模型;3)优化决策L用水量预测属于优化运行实施的基础和前提,它的准确度直接影响到调度运行的可靠性及实用性L时用水量的预测,由于其影响因素多,随机性强,一直是较难解决的课题L传统时用水量预测的方法主要可[1,2]分为1)解释性预测方法;2)时间序列分析方法L但上世纪90年代以来,由于计算机技术的发展和优化调度对预测精度的要求,提出了许多结合人工智能领域的预测新方法,如人工神经网络时用水量预测模[3-7][8]型,联合Box2Jenkins和神经网络预测用
6、水量,结合动力系统中Grassberger2Procaccia算法和自然[9]邻点插值(NNI)方法来预测时用水量,基于粗糙集理论自动挖掘用水量序列的规则达到短期用水量预[10]测目的等L这些预测方法一定程度上提高了预测精度和预测长度,但也存在一定的不足,如神经网络预测模型,存在网络结构的确定无可靠的理论根据,训练容易收敛到局部极小点,收敛速度慢和模型泛化能力不好等问题L针对传统的经验非线性学习方法(如神经网络)采用经验风险最小化(Empiricalriskminimization,ERM)准则而存在的不足,Vapnik等人从六、七十年代开始致力于统计学习理论(Statist
7、icallearningthe2收稿日期:2003211217资助项目:国家自然科学基金(50078048)作者简介:俞亭超(1976-),男,浙江新昌人,讲师,博士,主要从事市政工程研究©1995-2005TsinghuaTongfangOpticalDiscCo.,Ltd.Allrightsreserved.第1期峰值识别的SVM模型及在时用水量预测中的应用ory,SLT)的研究,并从这理论的基础上发展了一种新的学习方法——支持向量机(supportvectorma2chine,SVM)LSVM采用
