绪论
4
数预测。与标准算法相比较,该方法在保证泛化精度一致的前提下,极大地加
快了训练速度。
在电力系统领域,张平康,王蒙,赵登福
[21]
将 SVM 方法应用于电力系统峰
负荷预测,它具有精度高、全局最优等显著特点。为了确定 SVM 中直接影响其
推广能力的超参数,提出了利用交叉有效性验证方法确定这些参数。实际算例
表明,该方法的预测精度比神经网络方法提高了 0.14%~0.18%;牛东晓,刘达等
[22]
通过利用 SOM 神经网络将电价序列自动划分成不同的子空间,并在这些子空
间中分别建立不同的 SVM 模型进行预测,避免单一模型不能全面反映不同时点
电价特性的缺陷,能够大大增加普通时点的训练样本数量,提高预测精度。
在客流量预测方面,张朝元,陈丽
[23]
建立了基于 LS-SVM 的大理州入境游客
流量的预测和模拟模型,仿真结果表明,该模型比较全面的反映了游客的变化
特征,并对游客的未来状态特征具有较高的预测精度,可以作为大理州入境游
客流量预测的有效工具。
在电信业客户流失方面,武帅,王雄等
[24]
使用支持向量机数据挖掘方法对
移动通信行业客户流失倾向进行预测,对支持向量机同决策树算法预测的结果
进行对比,结果表明支持向量机对本文所选取的属性数据具有更强的分类能力,
而且在不同训练数据规模情况下预测模型有较好的稳定性。实验证实,运用本
研究模型选取全体客户的 22.31%,可以预测出 50.07%流失的客户,表明本研究
中提出的预测模型具有实际应用价值。
其他领域,霍斌,白妙青
[39]
在农业经济领域,通过利用 14 年的棉花数据,
建立支持向量机预测模型,预测了 5 年的棉花产量,与实际值进行比较,达到
了预期效果;程伟,张燕平,赵姝
[31]
通过支持向量回归机模型对农业粮食产量
进行预测,将预测结果与真实值进行均方根误差比较,表明此模型远小于其他
预测方法得到的模型误差值。在企业产品库存方面,张莹,李凡生等
[43]
通过
预测模型对产品进行动态预测,有效地缓解了降低库存成本与提高服务
水平之间的矛盾;周鑫,包兴
[44]
则利用 LS-SVM 对产品需求进行预测,并与标准
BP 模型、RBF 神经网络进行比较,说明前者算法的优越性。然而,国内在对药
品销售预测方面的研究应用并不多。由于影响药品销售的因素多(如历史销量、
地域天气、药品价格、特殊疾病产生等),而且这些因素在其发挥作用的过程中,
没有明显的规律。但是,结合 SVM 算法在上述领域的优点,通过将影响药品销
售的主要因素量化,并设定与之相对应对支持向量机算法中(如惩罚因子 C、损