基于智能遗传算法与支持向量回归的人口预测

doi:10.3778/j.issn.1002-8331.2008.21.003

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (21): 9-11.DOI: 10.3778/j.issn.1002-8331.2008.21.003

基于智能遗传算法与支持向量回归的人口预测

戴宏亮^1,2

1.广东商学院数学与计算科学学院，广州 510320
2.中山大学数学与计算科学学院，广州 510275

收稿日期:2008-03-24 修回日期:2008-04-17 出版日期:2008-07-21 发布日期:2008-07-21
通讯作者: 戴宏亮

Forecasting population based on support vector regression with intelligent genetic algorithms

DAI Hong-liang^1,2

1.Department of Mathematics and Computational Science，Guangdong University of Business Studies，Guangzhou 510320，China
2.Department of Mathematics，Sun Yat-Sen（Zhongshan） University，Guangzhou 510275，China

Received:2008-03-24 Revised:2008-04-17 Online:2008-07-21 Published:2008-07-21
Contact: DAI Hong-liang

摘要/Abstract

摘要： 要建立一个有效的支持向量回归（SVR）模型，支持向量回归的3个参数C，γ，ε必须预先设定。提出一种新型的遗传算法——智能遗传算法（IGA）对支持向量回归进行参数调节，以达到寻找最优参数的目的，然后和支持向量回归结合得到一种新的IGASVR模型，并应用于城市人口预测。最后，将提出的方法与标准SVR模型和BP神经网络模型进行比较，所得结果表明，该模型训练速度快，并且有较高预测精度，是一种有效的人口预测方法。

关键词: 支持向量回归, 智能遗传算法, 人口, 预测

Abstract: To build an effective SVR model，SVR’s parameters must be set carefully.This study proposes a novel approach，known as IGASVR，which searches for SVR’s optimal parameters using intelligent genetic algorithms，and then adopts the optimal parameters to construct the SVR models.Finally we apply IGASVR to forecast population.The experimental results demonstrates that IGASVR are better than standard SVR and BP neural-network.IGASVR model is an effective approach which has faster speed of training and higher precision.

Key words: Support Vector Regression, intelligent genetic algorithms, population, forecasting

戴宏亮^1,2. 基于智能遗传算法与支持向量回归的人口预测[J]. 计算机工程与应用, 2008, 44(21): 9-11.

DAI Hong-liang^1,2. Forecasting population based on support vector regression with intelligent genetic algorithms[J]. Computer Engineering and Applications, 2008, 44(21): 9-11.

[1]	黄冬宜，杨兵，吴子豪，匡佳一，颜泽明. 用于全市蜂窝流量预测的时空全连接卷积网络[J]. 计算机工程与应用, 2021, 57(9): 168-175.
[2]	马梦萍，杨志霞. 非对称ν-无核二次曲面支持向量回归机[J]. 计算机工程与应用, 2021, 57(7): 70-77.
[3]	杨力，吴义，魏德宾，潘成胜. 基于时空相关性的卫星网络流量预测[J]. 计算机工程与应用, 2021, 57(7): 101-106.
[4]	常昊，陈晓雷，张爱华，李策，林冬梅. 嵌入改进SENet的卷积神经网络连续血压预测[J]. 计算机工程与应用, 2021, 57(7): 130-135.
[5]	李莉，纪欣沅，宋嵩. 回环软件缺陷数量预测模型[J]. 计算机工程与应用, 2021, 57(7): 158-163.
[6]	刘紫燕，袁磊，朱明成，马珊珊，陈霖周廷. 融合SPP和改进FPN的YOLOv3交通标志检测[J]. 计算机工程与应用, 2021, 57(7): 164-170.
[7]	张睿，吴伯雄，张丽园，张博. 复杂场景下行人轨迹预测方法[J]. 计算机工程与应用, 2021, 57(6): 138-143.
[8]	杨丰玉，黄雅璇，周世健，郑巍. 结合多元度量指标软件缺陷预测研究进展[J]. 计算机工程与应用, 2021, 57(5): 10-24.
[9]	张倩玉，严冬梅，韩佳彤. 结合深度学习和分解算法的股票价格预测研究[J]. 计算机工程与应用, 2021, 57(5): 56-64.
[10]	李硕，梁毅. 面向Spark的批处理应用执行时间预测模型[J]. 计算机工程与应用, 2021, 57(5): 79-87.
[11]	赵红蕊，薛雷. 基于LSTM-CNN-CBAM模型的股票预测研究[J]. 计算机工程与应用, 2021, 57(3): 203-207.
[12]	徐先峰，蔡路路，张丽. 融合MLP和DBN的光伏发电预测算法[J]. 计算机工程与应用, 2021, 57(3): 266-272.
[13]	郑建锋，王应明. 基于DEA-BP神经网络的效率置信区间预测模型研究[J]. 计算机工程与应用, 2021, 57(3): 273-278.
[14]	姚远，张朝阳. 基于HP-LSTM模型的股指价格预测方法[J]. 计算机工程与应用, 2021, 57(24): 296-304.
[15]	安卫超，阎婷，张楠，张杉，相洁，曹锐，王彬. 病理图像纹理分析在胃癌MSI预测中的应用研究[J]. 计算机工程与应用, 2021, 57(24): 205-211.

基于智能遗传算法与支持向量回归的人口预测

Forecasting population based on support vector regression with intelligent genetic algorithms

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics