关键词： 集装箱吞吐量预测   样本熵   变分模态分解   核极限学习机   分解集成预测模型  

摘要： 针对港口集装箱吞吐量数据的复杂性特征,提出基于优化变分模态分解(OVMD)和核极限学习机(KELM)的集装箱吞吐量短期混合预测模型。首先,用汉佩尔辨识法(HI)剔除原始时间序列中的异常值,并把预处理之后的序列通过OVMD分解为多个特征明显的子模态。然后,为提高预测效率,将分解后的子模态按照样本熵(SE)值的大小分成高频低幅、中频中幅和低频高幅三类;同时,借助KELM中携带的小波、高斯和线性核函数捕捉具有不同特征子模态的趋势。最后,把所有子模态的预测结果线性相加得到最终的预测结果。以深圳港的月度集装箱吞吐量数据为样本进行实验,所提模型的平均绝对误差(MAE)达到0.9149,平均绝对百分比误差(MAPE)达到0.199%,均方根误差(RMSE)达到7.8860,决定系数(R2)为0.9944。与四种对比模型相比,所提出的模型在预测精度和效率上都具有一定的优势,同时克服了传统互补集成经验模态分解(CEEMD)和集成经验模态分解(EEMD)中容易出现的模态混叠问题以及极限学习机(ELM)中存在过拟合等问题,具有一定的实际应用潜力。

关键词： 混凝土坝变形预测   变量筛选   极限学习机   平均影响值   反向逐变量剔除法  

摘要： 传统的统计模型泛化能力较弱且容易引入高维变量,这将对基于神经网络预测模型的输出结果产生负面影响,同时增加了过拟合风险。因此,有必要建立一个具有适当维度的数据驱动模型,以实现对大坝变形的准确监控。选用极限学习机(ELM)作为基础预测模型,提出基于平均影响值MIV-ELM模型的变量筛选法,以消除初始变量集中的冗余信息,从而降低模型复杂度,提高预测精度。分析结果表明,与传统预测模型相比,HST-MIV-ELM不仅具有最高的预测精度和预测性能,同时也有较强的可拓展性,为大坝安全监控系统的构建提供了可靠的理论基础。

关键词： 灰狼算法   蚁狮算法   极限学习机   区间   负荷预测  

摘要： 针对区间预测中电力负荷预测区间范围过宽和精度不高的问题,提出一种基于灰狼优化算法(gray wolf optimization algorithm,GWO)-蚁狮算法(ant lion optimization algorithm,ALO)优化的极限学习机(extreme learning machine,ELM)短期电力负荷区间预测方法。首先将电力负荷历史预测误差进行正态分布拟合,构造负荷功率历史区间。进而将负荷历史区间和历史前24h、前2h及前1h功率作为模型输入。然后考虑ALO的随机初始种群会影响求解速度与质量,利用GWO生成ALO的优质初始种群,避免陷入局部最优解。接着用ALO优化ELM输入权重及隐藏层偏置,构建具有强泛化能力的ELM短期电力负荷区间预测模型。最后利用湖南省某市电力负荷进行验证,通过多种方法对比,所提方法准确度更高,预测区间质量更好。得到的区间预测结果能为电力系统调度、新能源消纳提供精确的负荷变化信息。

关键词： 百度指数   投资者关注度   差分进化算法极限学习机  

摘要： 投资者关注在股市中的作用是近年来研究的热门问题之一.文章创新性地将百度指数作为中国市场投资者关注度指标加入以差分进化算法优化的极限学习机(DE-ELM)中,研究百度指数对中国股票指数的预测能力.实证结果显示,差分进化算法极限学习机(DE-ELM)模型的预测能力较传统计量模型ARIMA模型和传统神经网络模型BP神经网络模型显著提高,且加入百度指数能够提升DE-ELM模型对股指收益率的预测精度,其中以加入“牛市”、“熊市”和“金融危机” 3个百度指数的差分进化算法极限学习机(DE-ELM)预测精度最高,结果最稳定.

关键词： NO_(x)   预测模型   麻雀算法   深度极限学习机  

摘要： 准确的NOx预测方法对脱硝超低排放和机组的安全稳定运行意义极大。基于烟气含氧量、一次风总量、一次风压、二次风总量、总煤量、各个二次风门开度等分布式控制系统(distributedcontrolsystem,DCS)数据,分别构建用于NOx预测的基于麻雀算法(sparrow search algorithm,SSA)和深度极限学习机(deepextremelearningmachine,DELM)的SSA-DELM模型和DELM模型。结果表明,构建的预测模型能定量计算出延迟时间。延迟时间为2min时,脱硝入口NOx浓度的SSA-DELM模型的预测值和实测值的误差较小,其中,SSA-DELM模型对测试样本的均方根误差为0.89mg/m^(3),DELM模型对测试样本的均方根误差为7.65mg/m^(3)。延迟时间为3.3min时,脱硝出口NOx浓度的SSA-DELM模型的预测值曲线与实测值曲线基本吻合,SSA-DELM模型对测试样本的的均方根误差为2.18mg/m^(3),DELM模型对测试样本的均方根误差为3.21mg/m^(3)。

关键词： 长鳍金枪鱼   渔场预测   极限学习机   南太平洋  

摘要： 为提高南太平洋长鳍金枪鱼渔场预测的性能,本研究基于2000—2015年的南太平洋长鳍金枪鱼所处的渔场时空信息、渔获数量、延绳钓钩数以及3种重要的环境因子:海面温度、海面高度以及叶绿素a浓度,提出了一种基于极限学习机(ELM)的渔场预测方法。该方法首先提出了一种新型的类独热编码算法,对渔场数据进行特征数字编码;然后通过构建基于ELM的金枪鱼渔场预测模型,并通过训练学习来自适应地获取预测模型的网络参数,实现了对金枪鱼渔场的智能预测。文中的试验表明,在使用2015年南太平洋长鳍金枪鱼数据作为测试验证时,该模型取得了84.07%的总体渔场预测准确率,同时F1 Score指数达到80.9%,与常规方法相比,提高了长鳍金枪鱼渔场预测的性能。本研究为渔场预报研究提供了一种新的思路。

关键词： 脑卒中   患病风险   主成分分析   极限学习机   预测模型  

摘要： 针对脑卒中患者的患病风险诊断问题,使用临床医学数据,结合机器学习算法实现高准确率的预测和辅助诊断。将数据经过冗余剔除和缺失值填充,并通过主成份分析将预处理后的高维特征数据融合,采用极限学习机进行预测。通过对1188位对象采用十字交叉验证实验,预测模型的准确率达到97.13%,优于其他预测算法。实验结果说明,此预测模型在脑卒中的患病诊断上有高准确度和可靠性,可为医生的临床诊断提供有力支撑。

关键词： 大坝变形   预测模型   人工电场算法   极限学习机   参数优化  

摘要： 为提高水库大坝变形预测精度,研究一种将人工电场算法(AEFA)与极限学习机(ELM)相结合的预测方法。以官地水电站72期大坝沉降数据为例,构建延迟时间为1,嵌入维数为2、3、5的3种ELM预测模型,利用AEFA优化ELM输入层权值和隐含层偏值,构建3种不同嵌入维的AEFA-ELM大坝变形预测模型,并构建对应的AEFA-支持向量机(SVM)、AEFA-BP作预测对比模型。将9种不同嵌入维的AEFA-ELM、AEFA-SVM、AEFA-BP模型用于实例大坝变形数据的训练和预测。结果表明:嵌入维数为2、3、5的AEFA-ELM模型对实例后10期大坝变形预测的平均相对误差分别为3.94%、4.08%、3.67%,预测误差均小于AEFA-SVM、AEFA-BP模型,具有较高的预测精度,对大坝变形预测研究具有一定的参考价值。

关键词： 月降水   极限学习机   Bootstrap法   不确定性   区间预测  

摘要： 针对降水预测中的不确定性、随机性和已有的降水预测模型无法反映其不确定性信息的问题,提出一种基于Bootstrap法和极限学习机的月降水区间预测模型,将模型应用于栾川县白土站,对其进行不确定性分析,建立月降水区间预测模型,并通过可靠性和清晰度对其预测结果进行评价。结果表明,构建的区间预测模型相比传统的确定性点预测模型,能同时兼顾可靠性和准确性,为区域水资源利用和水旱灾害管理提供更全面有效的降水信息。

关键词： 电力负荷预测   极限学习机   蜻蜓算法  

摘要： 为了提高电力负荷预测的准确度,需要研究影响电力负荷预测的各个特征变量,笔者提出一种改进极限学习机的电力负荷预测方法。首先,使用箱形图找出原始电力负荷数据的异常值并剔除;然后,使用探索性数据分析和皮尔逊相关性分析确定电力负荷与环境温度、大气压力、相对湿度和排气蒸汽压强等变量的相关性,并确定预测模型的特征输入;最后,使用蜻蜓算法优化极限学习机中的输入层和隐藏层的连接权值、隐层单元的偏置值。实验结果表明,该预测模型的决定系数可达到0.93,预测效果理想,给电力负荷预测提供了借鉴思路。