基于智能支持向量回归的瓦斯涌出量预测

doi:10.3778/j.issn.1002-8331.2009.01.073

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (1): 242-244.DOI: 10.3778/j.issn.1002-8331.2009.01.073

基于智能支持向量回归的瓦斯涌出量预测

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:2008-06-02 修回日期:2008-07-28 出版日期:2009-01-01 发布日期:2009-01-01
通讯作者: 戴宏亮

Forecasting gas pushing based on intelligent support vector regression

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:2008-06-02 Revised:2008-07-28 Online:2009-01-01 Published:2009-01-01
Contact: DAI Hong-liang

摘要/Abstract

摘要： 进行瓦斯涌出量预测是保障安全生产的一个很重要步骤。由于瓦斯涌出量的非线性、不确定性，其预测是很复杂的一个问题。提出一种新的RGASVR智能模型，即基于实值遗传算法参数优选的支持向量回归模型，并且将提出的模型应用于瓦斯涌出量预测。实验结果表明，所提出的模型比BP神经网络、标准支持向量回归有更高的预测精度，具有较强的实用价值。

关键词: 支持向量回归, 实值遗传算法, 瓦斯涌出量, 预测

Abstract: Forecasting gas pushing is an important step to ensure production safety.It is a complicated problem due to its nonlinearity and uncertainty.In this study，a novel RGASVR model is proposed.The model is based on real-valued genetic algorithm to optimize the parameters of Support Vector Regression（SVR）.In addition，the model is applied to forecast gas pushing.Experimental results show that RGASVR model performs better than BP neural networks and standard SVR，implying that RGASVR is very practical.

Key words: Support Vector Regression（SVR）, real-valued genetic algorithm, gas pushing, forecasting

戴宏亮^1,2. 基于智能支持向量回归的瓦斯涌出量预测[J]. 计算机工程与应用, 2009, 45(1): 242-244.

DAI Hong-liang^1,2. Forecasting gas pushing based on intelligent support vector regression[J]. Computer Engineering and Applications, 2009, 45(1): 242-244.

[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]	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.
[15]	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.

基于智能支持向量回归的瓦斯涌出量预测

Forecasting gas pushing based on intelligent support vector regression

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