改进粒子群算法优化支持向量机预测模型的研究

2020-11-04

科教导刊·电子版 2020年26期

（陕西国际商贸学院陕西·咸阳 712046）

0 前言

近年来，随着社会的不断进步和人口的不断增加，对水资源的需求也日益增多。所以，准确预测水位数据对减少水资源缺乏具有一定的实际意义。本文利用洞庭湖南咀、长江监利、长江沙市三个水文观测站点的实时水位数据。通过改进的粒子群对SVM的核函数参数进行优化，提高预测精确度，实现W-PSO优化的SVM预测模型。

1 算法原理

1.1 惯性权重粒子群优化算法

W-PSO算法惯性权重变化的公式是：

W-PSO算法的步骤如下：

（1）随机设置每个粒子的速度与位置。

（2）利用适应度函数算出每个粒子的适应度值，将粒子的位置和适应度值一同记录在个体极值Pbest中，并将适应度值Pbest和所有个体极值中最佳适应值gbest的个体位置记录在全局极值中。

（3）动态更新粒子位置和速度：

（4）根据式（2.1）更新权值：

（5）使得每个粒子的最佳位置与适应度值相比较，如果两者相近，则使用目前值当作粒子的最佳位置。对比目前所有的个体极值Pbest和全局极值gbest，并不时更新全局极值gbest。

（6）当整个算法符合中断条件（适应度函数收敛即适应度值达到最优）时，便中断查找且输出寻优结果，否则回到步骤（3）。

1.2 支持向量机参数分析

1.2.1 惩罚参数对SVM性能的影响

惩罚参数的作用是确定模型的复杂程度以及两个个体之间吻合偏差大于不敏感系数的程度。对于已经确定的实验数据，如果的值过小，则经验偏差的惩罚越小，从而增加了支持向量机的经验风险。因此，在数值上，支持向量机会产生一种“学习不当”的现象。当的值过大时，支持向量机模型的构成将变得繁琐、杂乱，对提高分类器的分类效果有消极的作用。所以，对于某些数据样本，选定一个符合条件的惩罚参数C显得尤为重要。

2 支持向量机参数优化过程

2.1 支持向量机参数优化的基本思路

在非线性支持向量机的情况下，需要引入惩罚参数C和核函数参数，这两个基本参数的取值对预测精度有很大的影响。然而，人们仅仅通过大量的实验来获得更好的参数。该方法花费时间长，计算量大，得到的参数范围较大。因此，论文提出利用 W-PSO算法对支持向量机中的两个参数使用筛选优化的方式解决上述问题。

W-PSO算法是用于解决每个粒子如何寻得最优解。在寻优的过程中，算法中的每个粒子都可以代表解决一个问题的可行解方案，并且每个粒子都存在一个相对确定的适应值。粒子的速度确定了粒子相互之间运动的间距和方向。速度是根据本身和其他粒子的运动过程动态调整的，从而使得粒子在可能解决的空间中找到最佳解。

从理论探究和实际运用的方面出发，W-PSO算法主要解决寻优问题且具有实用性意义。因此，基于上述优点，用其不断迭代寻找支持向量机最佳参数，建立了用于实际研究的WPSO优化支持向量机参数，以获取最佳参数组合。

2.2 预测模型建立步骤

（1）获取实验数据，并进行处理。

（2）确定SVM核函数和W-PSO算法的各个最优参数。

（3）使用W-PSO对SVM模型进行参数优化，获得最优参数。

（4）用（3）中获得的最佳参数，进行仿真实验，得出实验结果。

3 模型实现

3.1 数据来源

论文的实验数据均来源互联网数据，即洞庭湖南咀、长江监利、长江沙市水文观测站点的水位数据。其网站页面记录着每小时的水位变化情况，包括河名、站名、时间、水位、较前日8时流量等。

3.2 数据采集方法

通过Python语言编写代码提取页面中的水位数据，其中提取的数据样本属性包括河名、站名、时间（每隔一个小时）、水位和流量，采集论文实验数据具体步骤如下：

（1）确定爬取页面。因为爬取的时间段是2013-2018年，网页的右上角有一个选择查询时间下拉框，因此，在爬取2013-2018年每年每月每时的水位数据时，利用循环函数，然后不断的更新页面，即可获得水位数据。

（2）编写头信息。模拟一个浏览器，其属性包括：Accept、Cache-Control、Accept-Encoding、Connection、Accept-Language、Content-Length、Cookie、Host、Origin、Referer、Upgrade-Insecure-Requests、User-Agent。

（3）定义主函数。即循环函数。

（4）接收响应内容。其包括：URL即具体网址、头信息以及主函数。

（5）解析html页面。

（6）提取标签。将页面解析之后，提取论文需要的标签，比如年、月、日、小时、河名、站名、水位、流量。

（7）清洗数据。筛选掉对实验没有帮助的属性。比如需要几个站点的数据，即留几个站点的水位数据；

（8）保存文件。将获取到的实验数据保存在.csv文件中。