果蝇算法优化混合核LSSVM提升铁路货运量预测精度

本文主要探讨了在铁路货运量预测领域中的一项创新研究——基于果蝇算法(FOA)优化的混合核最小二乘支持向量机(LSSVM)方法。LSSVM作为一种传统的机器学习模型，在处理非线性和复杂数据时可能存在局限性，尤其是在描述铁路货运量这类具有复杂变化特征的数据时，预测精度可能会受限。为了克服这一问题，研究者提出了结合多项式核和径向基核的混合核函数，将其作为LSSVM的核心，旨在构建一个更有效的预测模型。 FOA作为一种模拟生物进化过程的优化算法，其特点是全局寻优能力强、计算效率高。在本文中，作者利用FOA的优势，对混合核LSSVM的参数进行优化，以提升预测模型的性能。通过对比试验，结果显示，使用提出的基于FOA优化的混合核LSSVM模型，其预测精度得到了显著提高，以RMSE（均方根误差）、MAE（平均绝对误差）、MAPE（均方百分误差）和THEIL指数这四个评估指标衡量，所得数值分别为8433.0、6670.8、0.0180和0.0117，这些结果都优于其他模型。 此外，FOA在寻找最优参数方面的速度也表现出优势，相比于遗传算法(GA)和粒子群优化算法(PSO)，FOA算法搜索混合核LSSVM参数的时间仅为40.2948秒，节省了与GA相比的2.6208秒和与PSO相比的20.7016秒，这使得这种方法特别适合于铁路货运量的短期预测任务。 该研究还强调了跨学科的合作，涉及国家自然科学基金青年基金项目、河北省软科学研究计划项目等多个资助，以及来自不同学术机构的支持，如石家庄铁道大学、曼彻斯特城市大学和北京大学的研究团队。作者耿立艳和陈丽华分别以其在智能预测方法及应用和供应链与物流管理领域的专业知识，共同推动了这项关键领域的技术进步。 这篇论文通过实证分析证明了基于果蝇算法优化的混合核LSSVM在铁路货运量预测中的有效性，为提高预测精度和效率提供了新的思路和方法，具有重要的理论和实际应用价值。