改進(jìn)粒子群算法優(yōu)化支持向量機(jī)預(yù)測(cè)模型的研究

（陜西國(guó)際商貿(mào)學(xué)院 陜西·咸陽(yáng) 712046）

0 前言

近年來(lái)，隨著社會(huì)的不斷進(jìn)步和人口的不斷增加，對(duì)水資源的需求也日益增多。所以，準(zhǔn)確預(yù)測(cè)水位數(shù)據(jù)對(duì)減少水資源缺乏具有一定的實(shí)際意義。本文利用洞庭湖南咀、長(zhǎng)江監(jiān)利、長(zhǎng)江沙市三個(gè)水文觀測(cè)站點(diǎn)的實(shí)時(shí)水位數(shù)據(jù)。通過(guò)改進(jìn)的粒子群對(duì)SVM的核函數(shù)參數(shù)進(jìn)行優(yōu)化，提高預(yù)測(cè)精確度，實(shí)現(xiàn)W-PSO優(yōu)化的SVM預(yù)測(cè)模型。

1 算法原理

1.1 慣性權(quán)重粒子群優(yōu)化算法

W-PSO算法慣性權(quán)重變化的公式是：

W-PSO算法的步驟如下：

（1）隨機(jī)設(shè)置每個(gè)粒子的速度與位置。

（2）利用適應(yīng)度函數(shù)算出每個(gè)粒子的適應(yīng)度值，將粒子的位置和適應(yīng)度值一同記錄在個(gè)體極值Pbest中，并將適應(yīng)度值Pbest和所有個(gè)體極值中最佳適應(yīng)值gbest的個(gè)體位置記錄在全局極值中。

（3）動(dòng)態(tài)更新粒子位置和速度：

（4）根據(jù)式（2.1）更新權(quán)值：

（5）使得每個(gè)粒子的最佳位置與適應(yīng)度值相比較，如果兩者相近，則使用目前值當(dāng)作粒子的最佳位置。對(duì)比目前所有的個(gè)體極值Pbest和全局極值gbest，并不時(shí)更新全局極值gbest。

（6）當(dāng)整個(gè)算法符合中斷條件（適應(yīng)度函數(shù)收斂即適應(yīng)度值達(dá)到最優(yōu)）時(shí)，便中斷查找且輸出尋優(yōu)結(jié)果，否則回到步驟（3）。

1.2 支持向量機(jī)參數(shù)分析

1.2.1 懲罰參數(shù)對(duì)SVM性能的影響

懲罰參數(shù)的作用是確定模型的復(fù)雜程度以及兩個(gè)個(gè)體之間吻合偏差大于不敏感系數(shù)的程度。對(duì)于已經(jīng)確定的實(shí)驗(yàn)數(shù)據(jù)，如果的值過(guò)小，則經(jīng)驗(yàn)偏差的懲罰越小，從而增加了支持向量機(jī)的經(jīng)驗(yàn)風(fēng)險(xiǎn)。因此，在數(shù)值上，支持向量機(jī)會(huì)產(chǎn)生一種“學(xué)習(xí)不當(dāng)”的現(xiàn)象。當(dāng)?shù)闹颠^(guò)大時(shí)，支持向量機(jī)模型的構(gòu)成將變得繁瑣、雜亂，對(duì)提高分類器的分類效果有消極的作用。所以，對(duì)于某些數(shù)據(jù)樣本，選定一個(gè)符合條件的懲罰參數(shù)C顯得尤為重要。

2 支持向量機(jī)參數(shù)優(yōu)化過(guò)程

2.1 支持向量機(jī)參數(shù)優(yōu)化的基本思路

在非線性支持向量機(jī)的情況下，需要引入懲罰參數(shù)C和核函數(shù)參數(shù)，這兩個(gè)基本參數(shù)的取值對(duì)預(yù)測(cè)精度有很大的影響。然而，人們僅僅通過(guò)大量的實(shí)驗(yàn)來(lái)獲得更好的參數(shù)。該方法花費(fèi)時(shí)間長(zhǎng)，計(jì)算量大，得到的參數(shù)范圍較大。因此，論文提出利用 W-PSO算法對(duì)支持向量機(jī)中的兩個(gè)參數(shù)使用篩選優(yōu)化的方式解決上述問(wèn)題。

W-PSO算法是用于解決每個(gè)粒子如何尋得最優(yōu)解。在尋優(yōu)的過(guò)程中，算法中的每個(gè)粒子都可以代表解決一個(gè)問(wèn)題的可行解方案，并且每個(gè)粒子都存在一個(gè)相對(duì)確定的適應(yīng)值。粒子的速度確定了粒子相互之間運(yùn)動(dòng)的間距和方向。速度是根據(jù)本身和其他粒子的運(yùn)動(dòng)過(guò)程動(dòng)態(tài)調(diào)整的，從而使得粒子在可能解決的空間中找到最佳解。

從理論探究和實(shí)際運(yùn)用的方面出發(fā)，W-PSO算法主要解決尋優(yōu)問(wèn)題且具有實(shí)用性意義。因此，基于上述優(yōu)點(diǎn)，用其不斷迭代尋找支持向量機(jī)最佳參數(shù)，建立了用于實(shí)際研究的WPSO優(yōu)化支持向量機(jī)參數(shù)，以獲取最佳參數(shù)組合。

2.2 預(yù)測(cè)模型建立步驟

（1）獲取實(shí)驗(yàn)數(shù)據(jù)，并進(jìn)行處理。

（2）確定SVM核函數(shù)和W-PSO算法的各個(gè)最優(yōu)參數(shù)。

（3）使用W-PSO對(duì)SVM模型進(jìn)行參數(shù)優(yōu)化，獲得最優(yōu)參數(shù)。

（4）用（3）中獲得的最佳參數(shù)，進(jìn)行仿真實(shí)驗(yàn)，得出實(shí)驗(yàn)結(jié)果。

3 模型實(shí)現(xiàn)

3.1 數(shù)據(jù)來(lái)源

論文的實(shí)驗(yàn)數(shù)據(jù)均來(lái)源互聯(lián)網(wǎng)數(shù)據(jù)，即洞庭湖南咀、長(zhǎng)江監(jiān)利、長(zhǎng)江沙市水文觀測(cè)站點(diǎn)的水位數(shù)據(jù)。其網(wǎng)站頁(yè)面記錄著每小時(shí)的水位變化情況，包括河名、站名、時(shí)間、水位、較前日8時(shí)流量等。

3.2 數(shù)據(jù)采集方法

通過(guò)Python語(yǔ)言編寫代碼提取頁(yè)面中的水位數(shù)據(jù)，其中提取的數(shù)據(jù)樣本屬性包括河名、站名、時(shí)間（每隔一個(gè)小時(shí)）、水位和流量，采集論文實(shí)驗(yàn)數(shù)據(jù)具體步驟如下：

（1）確定爬取頁(yè)面。因?yàn)榕廊〉臅r(shí)間段是2013-2018年，網(wǎng)頁(yè)的右上角有一個(gè)選擇查詢時(shí)間下拉框，因此，在爬取2013-2018年每年每月每時(shí)的水位數(shù)據(jù)時(shí)，利用循環(huán)函數(shù)，然后不斷的更新頁(yè)面，即可獲得水位數(shù)據(jù)。

（2）編寫頭信息。模擬一個(gè)瀏覽器，其屬性包括：Accept、Cache-Control、Accept-Encoding、Connection、Accept-Language、Content-Length、Cookie、Host、Origin、Referer、Upgrade-Insecure-Requests、User-Agent。

（3）定義主函數(shù)。即循環(huán)函數(shù)。

（4）接收響應(yīng)內(nèi)容。其包括：URL即具體網(wǎng)址、頭信息以及主函數(shù)。

（5）解析html頁(yè)面。

（6）提取標(biāo)簽。將頁(yè)面解析之后，提取論文需要的標(biāo)簽，比如年、月、日、小時(shí)、河名、站名、水位、流量。

（7）清洗數(shù)據(jù)。篩選掉對(duì)實(shí)驗(yàn)沒(méi)有幫助的屬性。比如需要幾個(gè)站點(diǎn)的數(shù)據(jù)，即留幾個(gè)站點(diǎn)的水位數(shù)據(jù)；

（8）保存文件。將獲取到的實(shí)驗(yàn)數(shù)據(jù)保存在.csv文件中。

4 實(shí)驗(yàn)結(jié)果

為了驗(yàn)證W-PSO優(yōu)化SVM的預(yù)測(cè)模型的適用性與可行性，分別使用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型、SVM預(yù)測(cè)模型、W-PSO優(yōu)化SVM預(yù)測(cè)模型進(jìn)行了實(shí)驗(yàn)仿真。其值如表1所示。

表1：3個(gè)水文觀測(cè)站點(diǎn)預(yù)測(cè)預(yù)測(cè)

由表1可看出，不同預(yù)測(cè)模型的效果由MSE和R2進(jìn)行反映。當(dāng)MSE值變小，則表明預(yù)測(cè)效果越好；當(dāng)R2值向1靠近，則預(yù)測(cè)效果越好。因此，說(shuō)明了經(jīng)過(guò)改進(jìn)粒子群算法優(yōu)化之后，預(yù)測(cè)精度有顯著的提升，為水位預(yù)測(cè)模型提供了實(shí)際應(yīng)用價(jià)值。

5 結(jié)束語(yǔ)

支持向量機(jī)是一種新型的機(jī)器學(xué)習(xí)算法，其在解決非線性問(wèn)題時(shí)具備較高的擬合能力和適應(yīng)能力。論文提出利用WPSO算法對(duì)支持向量機(jī)的和核函數(shù)參數(shù)進(jìn)行優(yōu)化，解決了SVM參數(shù)難以選擇的問(wèn)題，進(jìn)而提高了預(yù)測(cè)精度。實(shí)驗(yàn)結(jié)果表明：W-PSO優(yōu)化SVM預(yù)測(cè)模型具有很好的適用性。