期刊检索

  • 2024年第56卷
  • 2023年第55卷
  • 2022年第54卷
  • 2021年第53卷
  • 2020年第52卷
  • 2019年第51卷
  • 2018年第50卷
  • 2017年第49卷
  • 2016年第48卷
  • 2015年第47卷
  • 2014年第46卷
  • 2013年第45卷
  • 2012年第44卷
  • 2011年第43卷
  • 2010年第42卷
  • 第1期
  • 第2期

主管单位 中华人民共和国
工业和信息化部
主办单位 哈尔滨工业大学 主编 李隆球 国际刊号ISSN 0367-6234 国内刊号CN 23-1235/T

期刊网站二维码
微信公众号二维码
引用本文:陈磊,陈李.差分进化最小二乘支持向量机法预测日用水量[J].哈尔滨工业大学学报,2018,50(8):83.DOI:10.11918/j.issn.0367-6234.201703048
CHEN Lei,CHEN Li.Application of differential evolution and least squares support vector machine method in daily water demand prediction[J].Journal of Harbin Institute of Technology,2018,50(8):83.DOI:10.11918/j.issn.0367-6234.201703048
【打印本页】   【HTML】   【下载PDF全文】   查看/发表评论  下载PDF阅读器  关闭
过刊浏览    高级检索
本文已被:浏览 1616次   下载 1187 本文二维码信息
码上扫一扫!
分享到: 微信 更多
差分进化最小二乘支持向量机法预测日用水量
陈磊,陈李
(浙江工业大学 建工学院,杭州 310014)
摘要:
为解决最小二乘支持向量机的参数确定问题,提出采用自适应差分进化最小二乘支持向量机法预测日用水量.引入改进粗糙集算法分析日用水量主要影响因素,利用自相关系数法确定序列的相关性,并将自适应差分进化算法(SADE)用于优化最小二乘支持向量机(LSSVM)的参数,建立了基于SADELSSVM的预测模型.结果表明,与传统差分进化算法(DE)和自适应遗传算法(SAGA)相比,SADE具有更快的最优个体搜索速度和群体进化速度,与基于SAGALSSVM和基于DELSSVM的模型相比,本文提出模型的预测能力更强.
关键词:  自适应差分进化  最小二乘支持向量机  管网  日用水量
DOI:10.11918/j.issn.0367-6234.201703048
分类号:TU991.33
文献标识码:A
基金项目:国家自然科学基金(51479177)
Application of differential evolution and least squares support vector machine method in daily water demand prediction
CHEN Lei,CHEN Li
(College of Civil Engineering and Architecture, Zhejiang University of Technology, Hangzhou 310014, China)
Abstract:
To find the optimal parameters of least squares vector machine(LSSVM), the daily water demand forecasting method based on self-adaptive differential evolution(SADE) and LSSVM was proposed. The main influencing factors of daily water consumption were determined using improved rough set algorithm, and the correlation analysis on daily water consumption series was conducted. SADE was applied to optimize the parameters of LSSVM to build SADELSSVM-based forecasting model. The case study shows that compared with self-adaptive GA(SAGA) and differential evolution(DE), SADE has stronger global search ability and faster evolution speed, and the proposed model has better prediction performance than SAGALSSVM-based model and DELSSVM-based model.
Key words:  self-adaptive differential evolution  least squares support vector machine  water distribution network  daily water consumption

友情链接LINKS