基于PSO-LSSVM的城市时用水量预测

2015年02月12日15:10:19 本网站我要评论(2)字号：T | T | T

关键字：应用

摘要：为解决传统较小二乘支持向量机（LSSVM）采用交叉验证确定参数耗时较长和粒子群（Particle Swarm Optimizatiom,PSO）优化算法早熟收敛的问题，提出一种基于种群活性PSO算法优化LSSVM参数的方法。利用群活性加速度作为多样性测度，当群活性加速下降时，对粒子的位置和速度分别执行进化和变异操作来改进标准PSO算法，然后分析上海市时用水量序列特点及其影响因素，选取影响程度较大的主要因素，将其作为预测模型的输入变量，建立时用水量预测模型；较后采用改进的PSO算法优化LSSVM参数来预测上海市时用水量。实例分析表明，对比文中其他３种模型输入变量组合，选取的预测模型输入变量能够更有效地提高预测精度；与传统LSSVM方法相比，提出的基于改进PSO-LSSVM的时用水量预测方法计算速度更快，预测精度更高。

关键词：粒子群算法；较小二乘支持向量机；时用水量预测

中图分类号：ＴＰ２７　　　文献标志码：Ａ

１引言

时用水量预测的主要作用是为城市供水系统实时优化调度提供指导决策的水量数据，其预测精度决定了调度方案是否可行，对保障城市供水、合理利用水资源具有重大意义。文献［1、2］采用支持向量机建立短时水量预测模型，验证了支持向量机用于水量预测的有效性。Manuel Herrera等［3］分析了时用水量序列特点，并采用多种模型对时用水量进行预测。

以上研究只是凭经验确定模型的输入参数，且仅考虑了预测日前几天的时用水量数据，未考虑24ｈ内的变化趋势和气温、降雨等对时用水量的影响。

陈磊［4］根据城市时用水量序列具有较强相关性的特点，利用自相关系数法分析时用水量序列的变化规律，采用遗传算法优化LSSVM参数。遗传算法实现比较复杂，需要调整多个参数，且参数的选择对解的品质影响较大。

本文采用基于种群活性的改进PSO优化LSSVM参数，建立预测模型并应用于上海市时用水量预测，为实时优化调度提供依据。

登录网站后可下载文件

基于PSO-LSSVM的城市时用水量预测

相关阅读: