关键词： 粒子群优化   极限学习机   权值和隐含层   汽油辛烷值预测   交通流量预测  

摘要： 极限学习机(Extreme Learning Machine,ELM)是一种新型的前馈神经网络,该网络由广义逆直接求出输出层权重,使得其具有误差小、速度快的优点.但针对具体问题,ELM不能自动寻找到最佳的网络结构,从而造成该算法模型针对复杂、无规律性的数据精度及稳定性较差.为了提高极限学习机的泛化能力和预测精度,提出利用粒子群优化极限学习机算法对不同数据进行预测.使用粒子群算法(particle swarm optimization,PSO)选择最优的隐含层偏差和输入权值矩阵,计算出输出权值矩阵,从而提高ELM的精度及稳定性.并通过PSO-ELM和ELM分别对复杂程度不同的汽油辛烷值和交通流量数据进行算法预测比较发现,PSO-ELM优化算法对无规律性、复杂程度高的数据可以获得更高的精度,提高了数据预测的拟合能力.实验结果表明,PSO-ELM对于非线性、无规律性等复杂特性的数据预测具有一定的可行性和有效性.

关键词： 食品安全   极限学习机   核极限学习机   预测   预警模型  

摘要： 食品质量风险预警是民生保障中的重大问题,针对目前常用预警方法存在训练时间过长、精确度低等问题,提出了一种基于极限学习机(ELM)的重点食品安全风险预警模型.首先对国家食品安全抽检检测信息系统中肉制品的抽样检验数据进行预处理,从中提取特征数据并进行属性选择;其次,分别建立ELM和核极限学习机(KELM)下的重点食品安全风险预警模型,对分类特征数据进行分析,进而得出预警结果;最后,与采用back propagation (BP)神经网络,支持向量机(svm)所预警得出的结果进行对比,实验结果表明基于核极限学习机的食品安全风险预警模型在准确度与训练时间上都优于其他预警模型,对食品安全能够进行更有效预测,提升了食品安全质量监管的工作效率.

关键词： 奶牛日粮   消化能预测   能量消化率预测   非参数模型   核极限学习机  

摘要： 为准确评价饲料营养价值和提升饲喂管理水平,精准预测奶牛日粮能量消化指标具有重要意义。传统上主要基于线性回归(LR)方法预测奶牛日粮能量消化指标,但受参数模型假设限制,预测结果精度低,甚至偏离实际。文章首次将核极限学习机(KELM)方法应用于奶牛日粮消化能(DE)和能量消化率(ED)预测,KELM作为一种典型非参数机器学习模型,无需提前对预测模型作任何假设,仅通过学习训练样本数据,便可拟合出最接近实际的函数,特别适用于奶牛日粮能量消化等复杂系统预测问题。与传统LR方法和其他非参数模型RBF-ANN、SVM及标准ELM对比验证与讨论,结果表明,基于KELM预测方法在MAE、MAPE、RMSE及RT等多数指标上优于其他方法,特别是与传统LR方法相比,KELM方法预测精度更高,可作为对奶牛日粮DE和ED预测新型参考方法,为人工智能与机器学习在预测和评价动物饲粮营养价值应用研究提供借鉴。

关键词： 极限学习机   线序列极限学习机   路段行程时间  

摘要： 本文针对路段行程时间具有非线性、实时性等特点,研究人员已经提出了动态神经网络、卡尔曼滤波等在线预测算法。而现有大多数实时预测算法并不是真正意义上的实时预测且存在复杂度较高、实时性差等问题。本文在极限学习机的基础上,提出了基于在线序列极限学习机的路段行程时间预测算法,算法能保证预测的实时性。

关键词： 并发查询   性能预测   极限学习机   差分进化   特征选择  

摘要： 为应对数据规模持续增长、查询负载多样化和复杂化的趋势为云服务提供商资源管理带来的挑战,提出一种基于差分进化(DE)和极限学习机(ELM)的方法DE-ELM,对并发查询的性能进行预测。极限学习机用于预测并发查询性能,差分进化算法用于同步优化特征子集和极限学习机结构。该方法仅使用查询编译时信息、无需事先指定特征数目,也无需事先就查询交互的性质、数据库系统的内部运作机制做出先验假设。在合成数据集和真实数据集上进行了详细的实验研究,以评估极限学习机的训练效果、同步优化特征子集和极限学习机结构的效果。结果表明,DE-ELM的平均预测精度高于80%,在一定程度上证明了所提方法的可行性和有效性。

关键词： 城市交通   公交站点短时客流预测   改进粒子群算法   极限学习机   IC卡数据   GPS数据  

摘要： 以公交车IC卡和GPS数据为基础,提出了一种基于改进粒子群算法优化极限学习机(IPSO-ELM)的公交站点短时客流预测模型.依托IC卡和GPS数据在站点的特征表现和内在联系,定义了站点间距,并分析了站间距和车辆到总站距离间的联系;提出了公交乘客上车站点确定方法,进而得到公交站点上车客流量;通过分析公交客流数据特征,确定ELM输入参数维度,并采用IPSO算法找到ELM的最优隐含层节点参数;最后依托广州市19路公交车客流数据仓库进行了方法验证.结果表明:所用优化后的ELM方法预测误差在10%以内,并与应用广泛的SVM、ARIMA和传统ELM模型进行对比分析,发现改进的ELM方法拥有更高的可靠性和泛化性能.

关键词： 软件缺陷预测   数据不平衡   相对密度   模糊加权  

摘要： 在软件缺陷预测中,普遍存在软件缺陷数据的类不平衡问题,严重影响着传统预测模型的性能.为了缓解类不平衡对预测模型性能的影响,引入模糊集的思想,提出了一种基于相对密度的模糊加权极限学习机算法.该方法首先采用所提的相对密度方法求出适用于不同数据样本的加权矩阵,进而将其与传统加权极限学习机结合,并训练模糊极限学习机,最后通过NASA软件缺陷类不平衡数据对所提方法的有效性和可行性进行验证.实验结果表明:与诸多类不平衡软件缺陷预测方法相比,文中方法具有更好的预测性能,并在G-mean、AUC和Balance的评价指标上有较优表现.

关键词： 打入桩   轴向承载力   极端梯度提升   回归算法   机器学习  

摘要： 在复杂的工程地质环境中,打入桩的轴向承载力的预测是设计和施工的一个重大挑战。本研究将利用机器学习工具一极端梯度提升算法(XGBoost)预测打入桩的轴向承载力,对桩身最大压缩应力(MCS)、最大拉伸应力(MTS)和每英尺锤击数(BPF)进行了研究,并与反向传播神经网络(BPNN)和随机森林(RF)算法进行了比较分析。利用美国北卡罗来纳州的桩数据库中4000多个数据集生成训练和预测样本。利用均方根误差(RMSE)、平均绝对误差(MAE)和线性相关系数(R^2)等性能指标对三种回归算法的有效性进行了验证。结果表明,与其他两种方法相比.XGBoost算法在解决桩、锤、土以及施工工艺等复杂非线性问题时,具有更高的稳定性和预测精度。XGBoost算法作为一种可靠的机器学习算法,可以为其他类似桩基工程轴向承载力的预测提供参考。

关键词： 交通运输工程   船舶航行行为预测   极限学习机   AIS信息   曼-惠特尼U检验  

摘要： 为提高海上监控系统效率,有效预测船舶航行行为,建立了基于极限学习机的船舶航行行为预测模型。该模型针对航行状态的改变(主要为转向或变速),采取自动调整采样周期的方法更精准的训练网络,从而提高对船舶行为的预测精度。最后,利用琼州海峡的船舶自动识别系统(Automatic Identification System,AIS)信息将设计的预测模型与现有的灰色关联和BP模型进行对比。仿真结果表明:设计的算法有效地降低了船舶在转向及变速前后的预测误差;通过曼-惠特尼U检验证明,设计的基于极限学习机的船舶航行行为预测模型相比于传统BP神经网络及灰色关联模型,在预测精度方面具有更大的优势。

关键词： 电力系统   输电量预测   极限学习机   小波神经网络  

摘要： 电力系统的输电量预测是电网调度人员的参考指标之一,输电量预测的准确性与时效性在一定程度上影响着用户的用电质量。电力系统运在行过程中,每天都会产生大量的运行数据,为了利用这些大数据以及更好地实现输电线路输电量预测精度和快速性,提出了基于极限学习机的输电线路输电量预测模型。通过实验表明,该模型有良好的预测精度,对不同输电线路的输电量数据有着不错的泛化能力。通过与小波神经网络预测结果的对比,所建模型的训练和测试时间比小波神经网络快了约67s,尤其模型的训练时间极短,该模型预测的MAPE值要比小波神经网络低9%左右。