李萍^1,2,3，倪志伟^1,3，朱旭辉^1,3，宋娟^1,3

1. 合肥工业大学管理学院, 合肥 230009; 2. 阜阳师范大学信息工程学院, 阜阳 236041; 3. 合肥工业大学过程优化与智能决策教育部重点实验室,合肥 230009

出版日期:2020-06-25发布日期:2020-08-25

Air Pollutant Concentration Forecast Model of SVR Based on Improved Glowworm Swarm Optimization Algorithm

LI Ping ^1,2,3,NI Zhiwei ^1,3,ZHU Xuhui ^1,3, SONG Juan ^1,3

1. School of Management, Hefei University of Technology, Hefei 230009; 2. School of Information Engineering, Fuyang Normal University,Fuyang 236041, 3. Key Laboratory of Process Optimization and Intelligent Decision-Making, Ministry of Education, Hefei 230009

Online:2020-06-25Published:2020-08-25







摘要
图/表
参考文献
相关文章
编辑推荐
-->Metrics
本文评论

为了对空气污染物浓度进行准确预测, 提出了基于改进萤火虫优化方法(IGSO) 的支持向量机回归(SVR)空气污染物浓度预测模 型. 首先, 利用佳点集理论、拥挤度以及变步长策略对萤火虫优 化算法进行改进; 其次, 根据空气污染物浓度时间序列数据构造 训练集, 运用IGSO算法寻找SVR的最优参数; 最后, 利用基于最 优参数的SVR 实现对空气污染物浓度的预测. 通过两部分的实 验说明文章所提方法的性能. 1) 在8个标准测试函数上进行多次对比实验, 结果显示IGSO算法相比于基于其他改进策略的萤火虫优化方法能够寻找到更优的目标函数值且方差较小, 实验表明改进萤火虫优化算法在稳定性及求解精度方面性能较优. 2) 对京津冀地区空气污染物浓度进行实验, 结果显示如下, 首先, 相比于萤火虫优化算法、粒子群优化算法以及遗传算法, 文章基于IGSO对SVR参数的多次寻优结果波动较小, 并且所得SVR模型的交叉验证误差及其方差较小; 其次, 与基于上述其他优化算法的SVR、 基于网格搜索的SVR以及BP神经网络相比, 文章方法对测试集的预测精度较高. 因此, 基于IGSO的SVR空气污染物浓度预测模型具有较高稳定性及预测精度.

分享此文:

()

[1]	赵尚威，周建红. 中国港口集装箱吞吐量预测:基于组合时间序列[J]. 系统科学与数学, 2018, 38(2): 210-219.

-->

PDF全文下载地址:

http://sysmath.com/jweb_xtkxysx/CN/article/downloadArticleFile.do?attachType=PDF&id=13907