论文部分内容阅读
针对回归支持向量机(SVR)惩罚因子C和核函数参数g的选取对模型性能有着关键性影响以及在实际应用中存在参数选取等困难,提出基于启发式算法的PSO-SVR和GA-SVR年径流预测模型,以云南省落却站年径流预测为例进行实例研究。首先,利用SPSS软件选取年径流影响因子,确定输入向量;其次,基于粒子群算法(PSO)、遗传算法(GA)基本原理,采用PSO、GA优化SVR惩罚因子C和核函数参数g,构建PSO-SVR和GA-SVR多元变量年径流预测模型,并构建基于网格划分(GS)与交叉验证(CV)算法相结合的GS-SVR模型作为对比模型。最后,利用所构建的模型对实例进行预测分析。结果表明:PSO-SVR和GA-SVR模型对实例后16年年径流预测(随机5次平均)的平均相对误差绝对值分别为2.53%、2.79%,最大相对误差绝对值分别为7.11%、6.64%,平均绝对误差分别为0.1394、0.1527,预测精度和泛化能力均优于GS-SVR模型,表明PSO和GA能有效对SVR惩罚因子C和核函数参数g进行优化。PSO-SVR和GA-SVR模型具有预测精度高、泛化能力强以及稳健性能好等特点。相对而言,PSO-SVR模型性能略优于GA-SVR模型。