• 论文 • 上一篇    下一篇

基于相异度的SVM选择性集成雾霾天气预测方法

朱旭辉1,2,倪志伟1,倪丽萍1,程美英1,李敬明1,金飞飞1   

  1. 1.合肥工业大学管理学院过程优化与智能决策教育部重点实验室,合肥 230009;2. 美国俄亥俄大学工程学院工业与系统工程系,阿森斯 45701
  • 出版日期:2017-06-25 发布日期:2017-09-07

朱旭辉,倪志伟,倪丽萍,程美英,李敬明,金飞飞. 基于相异度的SVM选择性集成雾霾天气预测方法[J]. 系统科学与数学, 2017, 37(6): 1480-1493.

ZHU Xuhui,NI Zhiwei,NI Liping,CHENG Meiying,LI Jingming,JIN Feifei. Selective Ensemble of SVM Based on Disagreement Measure for Haze Forecast[J]. Journal of Systems Science and Mathematical Sciences, 2017, 37(6): 1480-1493.

Selective Ensemble of SVM Based on Disagreement Measure for Haze Forecast

ZHU Xuhui 1,2 , NI Zhiwei1 , NI Liping1 , CHENG Meiying1 ,LI Jingming1 , JIN Feifei1   

  1. 1. Key Laboratory of Process Optimization and Intelligent Decision-Making, School of Management,Hefei University of Technology, Hefei 230009; 2. Department of Industrial and Systems Engineering,Russ College of Engineering and Technology, Ohio University, Athens 45701
  • Online:2017-06-25 Published:2017-09-07

目前雾霾污染日益严重, 威胁到了环境保护和人类健康, 需要对雾霾 天气进行预测. 通过对多个支持向量机(SVM)进行选择性集成, 克服单个SVM不稳 定的缺点, 提出了基于相异度的SVM选择性集成雾霾天气预测方法(DSE-SVM). 首先采用高斯核SVM独立训练出多个个体SVM; 其次计算出个体SVM的相异度, 剔除相异度最大的个体SVM; 最后运用多数投票算法对剩余的SVM进行集成, 并进行了理论分析. 通过对北京、上海和广州三地区近两年的雾霾数据进行实验分析, 实验结果表明DSE-SVM方法预测性能更优, 具有较高的稳定性和可信性.

Haze is becoming increasingly serious, which is harmful to environmental protection and human health, and it is necessary to predict in advance. Selective ensemble of SVM based on disagreement measure for haze forecast is proposed by selective ensemble of SVMs, which also overcomes instability of single SVM. Firstly, train some based classifiers by SVM based Radial Basis Function independently; Secondly, calculate disagreement measure of every SVM and the SVM, which has maximum disagreement measure, needs to be removed. Finally, the rest of SVMs are grouped by majority voting, and theoretical basis of DSE-SVM is analyzed. By analyzing experiments on haze data set of Beijing, Shanghai and Guangzhou for nearly two years, experimental results show that the performance of DSE-SVM is superior to the methods, has relatively high stability and credibility.

()
[1] 胡雪梅, 李佳丽, 蒋慧凤. 机器学习方法研究肝癌预测问题[J]. 系统科学与数学, 2022, 42(2): 417-433.
[2] 张婷婷, 王沫然, 魏得胜, 刘志峰. 季节调整FWA-SVR模型及其在旅游经济预测中的应用[J]. 系统科学与数学, 2021, 41(6): 1572-1584.
[3] 叶菲菲, 杨隆浩, 王应明. 基于不同联合学习方法的扩展置信规则库环境治理成本预测[J]. 系统科学与数学, 2021, 41(3): 705-729.
[4] 夏平凡, 倪志伟, 朱旭辉, 倪丽萍, 彭鹏. 基于反向二元萤火虫算法和差异性测度的选择性集成方法[J]. 系统科学与数学, 2021, 41(3): 730-746.
[5] 胡雪梅, 蒋慧凤. 具有技术指标的逻辑回归模型预测谷歌股票的涨跌趋势[J]. 系统科学与数学, 2021, 41(3): 802-823.
[6] 孙会霞,倪宣明,钱龙,赵慧敏. 基于长期CVaR约束的高频投资组合优化[J]. 系统科学与数学, 2021, 41(2): 344-360.
[7] 宋娟,倪志伟,李萍,伍章俊,彭鹏. 基于参数优化深度置信网络的雾霾预测模型[J]. 系统科学与数学, 2020, 40(9): 1644-1661.
[8] 夏平凡,倪志伟,朱旭辉. 基于烟花进化人工鱼群算法和多重分形的属性选择 方法的应用[J]. 系统科学与数学, 2020, 40(7): 1157-1177.
[9] 李萍,倪志伟,朱旭辉,宋娟. 基于改进萤火虫算法的SVR空气污染物浓度预测模型[J]. 系统科学与数学, 2020, 40(6): 1020-1036.
[10] 张大斌,蔡超敏,凌立文,陈善盈. 基于CEEMD与GA-SVR的猪肉价格集成预测模型[J]. 系统科学与数学, 2020, 40(6): 1061-1073.
[11] 何琳洁,伍以加,戴娟. 低价揽客、分析师盈余预测与审计质量-----基于中国资本市场的经验证据[J]. 系统科学与数学, 2020, 40(3): 469-484.
[12] 韩璐,苏治,刘志东. 金融市场的协动预测模型: DWT-SVM方法[J]. 系统科学与数学, 2020, 40(12): 2342-2356.
[13] 崔金鑫,邹辉文. 基于EWT-PSO-SVM误差校正组合模型的中国股市预测研究[J]. 系统科学与数学, 2019, 39(8): 1212-1235.
[14] 崔春生,王辉,李群. 基于用户标签和信任关系的协同过滤推荐算法研究[J]. 系统科学与数学, 2019, 39(3): 437-448.
[15] 贾凯,倪志伟,李敬明,陆玉佳,朱旭辉. 基于改进二进制人工蜂群的BP神经网络并行集成学习算法及其应用研究[J]. 系统科学与数学, 2019, 39(3): 477-494.
阅读次数
全文


摘要