本發(fā)明屬于風(fēng)能預(yù)測(cè)領(lǐng)域，尤其涉及一種基于支持向量機(jī)的風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)方法。
背景技術(shù)：
：在能源危機(jī)日益嚴(yán)重的今天，新能源的開發(fā)利用受到越來越多的關(guān)注。在這些新能源中，風(fēng)力發(fā)電更是得到了廣泛應(yīng)用。近來，國(guó)內(nèi)對(duì)風(fēng)能預(yù)測(cè)相關(guān)課題己取得了不少研究成果。關(guān)于風(fēng)電場(chǎng)風(fēng)速或者風(fēng)電功率預(yù)測(cè)的研究雖然不多，但也有少數(shù)機(jī)構(gòu)學(xué)者開始研究。這些機(jī)構(gòu)多與電力系統(tǒng)相關(guān)，并且做的是一些大方向的研究。風(fēng)電功率的隨機(jī)性，給電力系統(tǒng)運(yùn)營(yíng)帶來了一系列問題，當(dāng)大規(guī)模的風(fēng)電場(chǎng)并入電網(wǎng)時(shí)，更是給電網(wǎng)的安全和穩(wěn)定帶來了極大的負(fù)擔(dān)。為了解決該問題，提出了風(fēng)電場(chǎng)風(fēng)速和風(fēng)電功率預(yù)測(cè)。其中風(fēng)速預(yù)測(cè)為風(fēng)電功率的間接預(yù)測(cè)方式，通過對(duì)風(fēng)電場(chǎng)風(fēng)速的預(yù)測(cè)，能降低風(fēng)電功率的隨機(jī)性，從而可有效緩解風(fēng)電場(chǎng)給電力系統(tǒng)造成的不利影響，但是基于單一的風(fēng)速預(yù)測(cè)模型的預(yù)測(cè)精度有提升空間有限的缺陷。于是本發(fā)明根據(jù)對(duì)支持向量機(jī)和組合預(yù)測(cè)模型的研究，利用它們的算法優(yōu)點(diǎn)，提出了基于一種改進(jìn)的支持向量機(jī)一一最小二乘支持向量機(jī)的組合預(yù)測(cè)模型。利用組合預(yù)測(cè)模型可綜合各單項(xiàng)預(yù)測(cè)模型的信息，并且最小二乘支持向量機(jī)能簡(jiǎn)化、優(yōu)化組合預(yù)測(cè)模型。該組合模型采用持續(xù)預(yù)測(cè)法，神經(jīng)網(wǎng)絡(luò)算法，以及基于時(shí)間序列和卡爾曼濾波的混合算法的風(fēng)速預(yù)測(cè)值作為輸入，實(shí)際風(fēng)速值作為輸出，并建立了線性組合預(yù)測(cè)模型，且以此為參照來分析基于最小二乘支持向量機(jī)的組合預(yù)測(cè)模型的預(yù)測(cè)性能。各模型的預(yù)測(cè)性能，采用預(yù)測(cè)平均絕對(duì)誤差、平均平方誤差、平均絕對(duì)百分比誤差三個(gè)誤差指標(biāo)來比較分析。模擬風(fēng)速數(shù)據(jù)進(jìn)行仿真，利用各模型對(duì)風(fēng)速進(jìn)行短期預(yù)測(cè)，證明了基于最小二乘支持向量機(jī)的風(fēng)速組合預(yù)測(cè)模型的有效性。仿真試驗(yàn)表明，組合預(yù)測(cè)模型可進(jìn)一步提升風(fēng)速預(yù)測(cè)精度，而且相較于傳統(tǒng)線性組合預(yù)測(cè)模型，基于最小二乘支持向量機(jī)的組合預(yù)測(cè)模型具有比較大的精度優(yōu)勢(shì)。技術(shù)實(shí)現(xiàn)要素：為了解決上述問題，本發(fā)明提出了一種基于支持向量機(jī)的風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)方法，其步驟為：步驟1:對(duì)所選數(shù)據(jù)進(jìn)行檢驗(yàn)，對(duì)其進(jìn)行適當(dāng)?shù)男扪a(bǔ)處理，并且對(duì)所選樣本數(shù)據(jù)做歸一化操作；構(gòu)造風(fēng)速樣本集，形成歷史風(fēng)速序列數(shù)據(jù)；步驟2:根據(jù)構(gòu)造的風(fēng)速樣本集，分別建立單項(xiàng)預(yù)測(cè)模型，并計(jì)算風(fēng)速預(yù)測(cè)中的預(yù)測(cè)平均絕對(duì)誤差、平均平方誤差、平均絕對(duì)百分比誤差三個(gè)誤差評(píng)價(jià)指標(biāo)；步驟3：對(duì)于步驟2中的各單項(xiàng)預(yù)測(cè)模型，利用模糊層次分析法計(jì)算權(quán)重，選取權(quán)重排序靠前的n種單項(xiàng)預(yù)測(cè)模型參與組合預(yù)測(cè)；n可取為3；步驟4:建立基于最小二乘支持向量機(jī)的風(fēng)速組合預(yù)測(cè)模型，采用n種單項(xiàng)預(yù)測(cè)模型的預(yù)測(cè)值作為風(fēng)速組合預(yù)測(cè)模型的訓(xùn)練輸入，實(shí)際風(fēng)速作為風(fēng)速組合預(yù)測(cè)模型的訓(xùn)練輸出，構(gòu)造單項(xiàng)預(yù)測(cè)模型預(yù)測(cè)值與實(shí)際值的內(nèi)在函數(shù)關(guān)系，從而構(gòu)建組合模型的風(fēng)速樣本；步驟5:采用粒子群算法優(yōu)化基于最小二乘支持向量機(jī)的風(fēng)速組合預(yù)測(cè)模型中的懲罰因子C和核函數(shù)參數(shù)σ2，將最優(yōu)的懲罰因子C和核函數(shù)參數(shù)σ2賦給支持向量機(jī)，并用步驟4中構(gòu)建的風(fēng)速樣本對(duì)最小二乘支持向量機(jī)網(wǎng)絡(luò)訓(xùn)練，建立優(yōu)化的風(fēng)速組合預(yù)測(cè)模型，分析和評(píng)價(jià)預(yù)測(cè)結(jié)果。所述單項(xiàng)預(yù)測(cè)模型包括持續(xù)預(yù)測(cè)法、神經(jīng)網(wǎng)絡(luò)算法、基于時(shí)間序列和卡爾曼濾波的混合算法。所述模糊層次分析法分析參與風(fēng)速組合預(yù)測(cè)模型的各單項(xiàng)模型，構(gòu)建多層次遞階結(jié)構(gòu)，其總目標(biāo)是風(fēng)速組合預(yù)測(cè)模型中單項(xiàng)模型的選取，因素層為預(yù)測(cè)平均絕對(duì)誤差、平均平方誤差、平均絕對(duì)百分比誤差3個(gè)評(píng)價(jià)指標(biāo)，方案層為各單項(xiàng)預(yù)測(cè)模型。步驟5中的具體過程為粒子群算法首先在解空間中初始化一群粒子，每個(gè)粒子I都代表組合模型的懲罰因子C和核函數(shù)參數(shù)σ2的一個(gè)潛在最優(yōu)解，用位置向量XI＝(xI1,xI2,…xIn),速度向量VI＝(vI1,vI2,…vIn)兩個(gè)n維向量來表示，速度和位置更新方程為：vIdk+1＝wvIdk+c1rand1k(pbestIdk-xIdk)+c2rand2k(gbestIdk-xIdk)xIdk+1＝xIdk+vIdk式中，xIdk,vIdk表示粒子在地k次迭代中式中第d維的位置和速度；w表示權(quán)重；c1,c2表示學(xué)習(xí)因子，常均取2；rand1k，rand2k取[0，1]之間的隨機(jī)數(shù)；pbestIdk表示粒子I個(gè)體極值在第d維的坐標(biāo)；gbestIdk表示整個(gè)群體全局極值點(diǎn)在d維的坐標(biāo)；經(jīng)多次迭代后搜尋到適應(yīng)度值最優(yōu)位置，即為最優(yōu)的懲罰因子C和核函數(shù)參數(shù)σ2。有益效果本發(fā)明提出了一種優(yōu)化的風(fēng)電場(chǎng)短期風(fēng)速組合預(yù)測(cè)方法，是一種基于粒子群算法和最小二乘支持向量機(jī)的新型風(fēng)電場(chǎng)風(fēng)速組合預(yù)測(cè)模型；模擬風(fēng)速數(shù)據(jù)進(jìn)行仿真，利用各模型對(duì)風(fēng)速進(jìn)行短期預(yù)測(cè)，證明了基于最小二乘支持向量機(jī)的風(fēng)速組合預(yù)測(cè)模型的有效性，相較于傳統(tǒng)線性組合預(yù)測(cè)模型，基于最小二乘支持向量機(jī)的組合預(yù)測(cè)模型具有比較大的精度優(yōu)勢(shì)，其預(yù)測(cè)精度不僅高于單項(xiàng)模型，且高于線性組合預(yù)測(cè)模型。附圖說明圖1為本發(fā)明方法的步驟流程圖；圖2為本發(fā)明中利用模糊層次分析法計(jì)算各單項(xiàng)預(yù)測(cè)模型權(quán)重的示意圖。圖3本發(fā)明中粒子群優(yōu)化支持向量機(jī)流程圖；圖4為線性組合預(yù)測(cè)與實(shí)際風(fēng)速誤差；圖5為SVM組合預(yù)測(cè)與實(shí)際風(fēng)速誤差。具體實(shí)施方式本發(fā)明提出了一種基于支持向量機(jī)的風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)方法。如圖1為本發(fā)明方法的步驟流程圖。步驟1:對(duì)所選數(shù)據(jù)進(jìn)行檢驗(yàn)，對(duì)其進(jìn)行適當(dāng)?shù)男扪a(bǔ)處理，并且對(duì)所選樣本數(shù)據(jù)做歸一化操作；構(gòu)造風(fēng)速樣本集，形成歷史風(fēng)速序列數(shù)據(jù)；步驟2:根據(jù)構(gòu)造的風(fēng)速樣本集，分別建立單項(xiàng)預(yù)測(cè)模型，并計(jì)算風(fēng)速預(yù)測(cè)中的預(yù)測(cè)平均絕對(duì)誤差、平均平方誤差、平均絕對(duì)百分比誤差三個(gè)誤差評(píng)價(jià)指標(biāo)；單項(xiàng)預(yù)測(cè)模型包括持續(xù)預(yù)測(cè)法、神經(jīng)網(wǎng)絡(luò)算法、基于時(shí)間序列和卡爾曼濾波的混合算法。步驟3：如圖2所示，對(duì)于步驟2中的各單項(xiàng)預(yù)測(cè)模型，利用模糊層次分析法計(jì)算權(quán)重，選取權(quán)重排序靠前的n種單項(xiàng)預(yù)測(cè)模型參與組合預(yù)測(cè)；模糊層次分析法是一種結(jié)合層次分析法和模糊數(shù)學(xué)的決策方法，有效消除了度量的不準(zhǔn)確性。本發(fā)明以模糊層次分析法遴選參與風(fēng)速組合預(yù)測(cè)模型的各單項(xiàng)模型，構(gòu)建多層次遞階結(jié)構(gòu)：總目標(biāo)是風(fēng)速組合預(yù)測(cè)模型中單項(xiàng)模型的遴選，因素層為預(yù)測(cè)平均絕對(duì)誤差、平均平方誤差、平均絕對(duì)百分比誤差3個(gè)評(píng)價(jià)指標(biāo)，方案層為各單項(xiàng)預(yù)測(cè)模型。步驟4:建立基于最小二乘支持向量機(jī)的風(fēng)速組合預(yù)測(cè)模型，采用n種單項(xiàng)預(yù)測(cè)模型的預(yù)測(cè)值作為風(fēng)速組合預(yù)測(cè)模型的訓(xùn)練輸入，實(shí)際風(fēng)速作為風(fēng)速組合預(yù)測(cè)模型的訓(xùn)練輸出，構(gòu)造單項(xiàng)預(yù)測(cè)模型預(yù)測(cè)值與實(shí)際值的內(nèi)在函數(shù)關(guān)系，從而構(gòu)建組合模型的風(fēng)速樣本；支持向量機(jī)在處理諸如函數(shù)逼近或者預(yù)測(cè)問題時(shí)，會(huì)把問題用一個(gè)凸優(yōu)化問題來描述。它通過將輸入樣本點(diǎn)從輸入空間非線性地映射到高維特征空間，然后選擇損失函數(shù)，在高維特征空間中求解該損失函數(shù)的最小化值。和傳統(tǒng)函數(shù)逼近算法相比，支持向量機(jī)在防止過學(xué)習(xí)、運(yùn)算速度和結(jié)果精度上都有著明顯的優(yōu)勢(shì)。隨著對(duì)支持向量機(jī)研究的深入，發(fā)現(xiàn)支持向量機(jī)或多或少存在著訓(xùn)練算法速度慢、算法復(fù)雜而難以實(shí)現(xiàn)等問題，尤其是在非線性支持向量機(jī)中，隨著拉格朗日算子、核函數(shù)等因素的引入，使得其計(jì)算過程更加復(fù)雜，造成這些的主要原因二次型優(yōu)化技術(shù)解決對(duì)偶問題時(shí)可能存在訓(xùn)練算法慢的問題。因?yàn)樵趯?yōu)過程中，存在著大量的矩陣計(jì)算，占用了算法的大部分時(shí)間。對(duì)于支持向量機(jī)的二次優(yōu)化問題，如果去掉與零拉格朗日算子對(duì)應(yīng)的行與列，其值不變。因此可將求解支持向量機(jī)的二次規(guī)劃問題分解為一系列較小的二次規(guī)劃問題，求解這些較小的二次規(guī)劃問題的最終目標(biāo)是確定所有的非零拉格朗算子，并除去所有的零拉格朗日算子。種種原因?qū)е铝嗽S多支持向量機(jī)變形算法的出現(xiàn)，它們通過增加函數(shù)項(xiàng)、變量或系數(shù)等方法對(duì)公式進(jìn)行變形，產(chǎn)生出各種有某一方面優(yōu)勢(shì)或者一定應(yīng)用范圍的算法。諸如最小二乘支持向量機(jī)、線性規(guī)劃支持向量機(jī)、貝葉斯支持向量機(jī)等。而其中的最小二乘支持向量機(jī)得到了越來越廣泛的應(yīng)用。最小二乘支持向量機(jī)是支持向量機(jī)的一種改進(jìn)，將傳統(tǒng)支持向量機(jī)中的不等式約束轉(zhuǎn)化為等式約束，且將誤差平方和損失函數(shù)作為訓(xùn)練集的經(jīng)驗(yàn)損失，把求解二次規(guī)劃問題轉(zhuǎn)化為求解線性方程組問題，提高了求解問題的速度和收斂精度。給定訓(xùn)練樣本集{(x1,y1),(x2,y2),…,(xt,yt)}其中xi∈Rn，yi∈R，且xi為輸入向量，yi為輸出值，t為數(shù)據(jù)點(diǎn)個(gè)數(shù)。利用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，支持向量機(jī)回歸算法采用的估計(jì)函數(shù)為：y＝ω·δ(x)+b(4.1)式中：δ(x)是從輸入空間到高維特征空間的非線性映射，系數(shù)ω和b用式(4.2)來估計(jì)：式中：||ω||2控制模型的復(fù)雜度，C是正規(guī)化參數(shù)，控制對(duì)超出誤差樣本的懲罰程度。Remp為ε不敏感損失函數(shù)。最小二乘支持向量機(jī)是將誤差平方和損失函數(shù)作為優(yōu)化目標(biāo)的，因此式(4.2)的優(yōu)化問題可轉(zhuǎn)化為：s.t:yi＝ω·δ(xi)+b+ξi式中：ξi為松弛子，其作用是將支持向量機(jī)中的不等式約束轉(zhuǎn)化成等式約束。為了求解該優(yōu)化問題，構(gòu)建拉格朗日函數(shù)：式中αi(i＝1,2,…,n)是拉格朗日算子。函數(shù)L應(yīng)對(duì)ω,b,ξ,α求最小值，可得優(yōu)化條件如下：可得消去方程組(4.3)中的ω和ξi，得到：且y＝(y1,y2,...yt),E＝(1,1,...,1)T,α＝(α1,α2,...,αt)T,Qij＝δ(xi)·δ(xj)＝K(xi,xj),i,j＝1,2,...,t。從而使得方程組(4.3)的求解可轉(zhuǎn)化成求解線性方程組(4.4)：利用最小二乘法求解出b與αi(i＝1,2,...,n)，從而得到回歸預(yù)測(cè)函數(shù)如式(4.5)：從求解實(shí)現(xiàn)過程看出，最小二乘支持向量機(jī)將支持向量機(jī)中的不等式約束轉(zhuǎn)為等式約束且將二次規(guī)劃問題轉(zhuǎn)換成求解線性方程組，再通過最小二乘法確定估計(jì)函數(shù)的參數(shù)，極大的簡(jiǎn)化了計(jì)算的復(fù)雜度。采用支持向量機(jī)解決實(shí)際問題時(shí)，首先要建立支持向量機(jī)能求解的數(shù)學(xué)模型，這一階段是建立基于支持向量機(jī)的處理模型的關(guān)鍵。整個(gè)過程大致包括以下幾部分：1)選取合適的訓(xùn)練集。尤其在處理大規(guī)模數(shù)據(jù)問題時(shí)，要通過對(duì)數(shù)據(jù)的提取來對(duì)訓(xùn)練集規(guī)模進(jìn)行壓縮；2)選擇合適的支持向量機(jī)類型。諸如處理非線性映射或風(fēng)速預(yù)測(cè)等問題時(shí)，一般都是選取非線性支持向量回歸機(jī)，利用其優(yōu)越的函數(shù)逼近能力，建立數(shù)據(jù)間的非線性關(guān)系；3)多模型參數(shù)的選擇。對(duì)支持向量機(jī)而言，最關(guān)鍵的參數(shù)就是核函數(shù)和算法，因此在選取了支持向量機(jī)的基礎(chǔ)上，選擇合適的核函數(shù)及其參數(shù)，設(shè)置合理的邊際系數(shù)都可能提高模型的性能。本發(fā)明采用高斯徑向基核函數(shù)：式中σ為核寬度。最小二乘支持向量機(jī)組合預(yù)測(cè)模型當(dāng)中的懲罰因子C和核函數(shù)參數(shù)σ2是影響性能的兩個(gè)超參數(shù)。為了提高模型的預(yù)測(cè)精度，避免參數(shù)選擇的主觀盲目性，需要對(duì)模型參數(shù)進(jìn)行優(yōu)化。步驟5:采用粒子群算法優(yōu)化基于最小二乘支持向量機(jī)的風(fēng)速組合預(yù)測(cè)模型中的懲罰因子C和核函數(shù)參數(shù)σ2，將最優(yōu)的懲罰因子C和核函數(shù)參數(shù)σ2賦給支持向量機(jī)，并用步驟4中構(gòu)建的風(fēng)速樣本對(duì)最小二乘支持向量機(jī)網(wǎng)絡(luò)訓(xùn)練，建立優(yōu)化的風(fēng)速組合預(yù)測(cè)模型，分析和評(píng)價(jià)預(yù)測(cè)結(jié)果。如圖3所示，粒子群算法首先在解空間中初始化一群粒子，每個(gè)粒子I都代表組合模型的懲罰因子C和核函數(shù)參數(shù)σ2的一個(gè)潛在最優(yōu)解，用位置向量XI＝(xI1,xI2,…xIn),速度向量VI＝(vI1,vI2,…vIn)兩個(gè)n維向量來表示，速度和位置更新方程為：vIdk+1＝wvIdk+c1rand1k(pbestIdk-xIdk)+c2rand2k(gbestIdk-xIdk)xIdk+1＝xIdk+vIdk式中，xIdk,vIdk表示粒子在地k次迭代中式中第d維的位置和速度；w表示權(quán)重；c1,c2表示學(xué)習(xí)因子，常均取2；rand1k，rand2k取[0，1]之間的隨機(jī)數(shù)；pbestIdk表示粒子I個(gè)體極值在第d維的坐標(biāo)；gbestIdk表示整個(gè)群體全局極值點(diǎn)在d維的坐標(biāo)；經(jīng)多次迭代后搜尋到適應(yīng)度值最優(yōu)位置，即為最優(yōu)的懲罰因子C和核函數(shù)參數(shù)σ2。所述模糊層次分析法分析參與風(fēng)速組合預(yù)測(cè)模型的各單項(xiàng)模型，構(gòu)建多層次遞階結(jié)構(gòu)，其總目標(biāo)是風(fēng)速組合預(yù)測(cè)模型中單項(xiàng)模型的選取，因素層為預(yù)測(cè)平均絕對(duì)誤差、平均平方誤差、平均絕對(duì)百分比誤差3個(gè)評(píng)價(jià)指標(biāo)，方案層為各單項(xiàng)預(yù)測(cè)模型。單項(xiàng)模型仿真結(jié)果如表1所示，SVM組合預(yù)測(cè)結(jié)果如表1最后一行所示。表5.1單項(xiàng)模型與SVM組合模型預(yù)測(cè)誤差比較預(yù)測(cè)模型MAE/m/sMAPE/％SSE/(m/s)2持續(xù)分析法0.49667.128.7075神經(jīng)網(wǎng)絡(luò)0.47236.947.9106時(shí)間序列/卡爾曼混合0.46866.547.8365SVM組合0.41425.767.1059從表1看出，就各單項(xiàng)預(yù)測(cè)模型而言，其平均絕對(duì)誤差差異較小，其中以時(shí)間序列/卡爾曼濾波混合單項(xiàng)模型較優(yōu)，其平均絕對(duì)誤差僅為O.4686m/s，而且這3種單項(xiàng)預(yù)測(cè)模型的預(yù)測(cè)平均相對(duì)誤差和誤差平方和都以時(shí)間序列/卡爾曼濾波混合單項(xiàng)模型效果最好。也側(cè)面反映出組合算法的優(yōu)勢(shì)，雖說時(shí)間序列/卡爾曼濾波算法是當(dāng)作一種單項(xiàng)預(yù)測(cè)模型參與比較討論，但它實(shí)質(zhì)上也是兩種單項(xiàng)模型的組合。組合模型和單項(xiàng)模型比較，其各項(xiàng)誤差都要小于單項(xiàng)預(yù)測(cè)模型。尤其是平均相對(duì)誤差和單項(xiàng)預(yù)測(cè)模型中最大的比起來甚至要低一個(gè)百分點(diǎn)，誤差平方和也明顯小于單項(xiàng)預(yù)測(cè)模型。本發(fā)明的組合預(yù)測(cè)模型具有更好的預(yù)測(cè)性能，預(yù)測(cè)精度顯著高于單項(xiàng)模型。為了充分分析基于最小二乘支持向量機(jī)的組合預(yù)測(cè)模型的性能，本發(fā)明建立了線性組合預(yù)測(cè)模型對(duì)風(fēng)速進(jìn)行短期預(yù)測(cè)研究，來衡量SVM組合預(yù)測(cè)模型的預(yù)測(cè)精度。所謂線性組合預(yù)測(cè)，同樣是用持續(xù)預(yù)測(cè)法，神經(jīng)網(wǎng)絡(luò)算法，以及基于時(shí)間序列和卡爾曼濾波的混合算法這3種單項(xiàng)預(yù)測(cè)模型的預(yù)測(cè)結(jié)果做為組合預(yù)測(cè)的輸入，其預(yù)測(cè)結(jié)果是通過單項(xiàng)預(yù)測(cè)的線性加權(quán)而得到的。圖4和圖5分別描繪了線性組合預(yù)測(cè)模型和以及SVM組合預(yù)測(cè)模型的誤差圖，表達(dá)T24時(shí)刻點(diǎn)實(shí)際風(fēng)速值與預(yù)測(cè)風(fēng)速值的差值，其中直線的長(zhǎng)度代表差值的大小。根據(jù)三種組合預(yù)測(cè)模型的預(yù)測(cè)，分別計(jì)算其預(yù)測(cè)平均絕對(duì)誤差、平均相對(duì)誤差以及誤差平方和。計(jì)算結(jié)果如表2所示。表2線性組合預(yù)測(cè)與SVM組合預(yù)測(cè)誤差比較預(yù)測(cè)模型MAE/m/sMAPE/％SSE/(m/s)2線性組合預(yù)測(cè)0.43716.397.2624SVM組合預(yù)測(cè)0.41425.767.1059根據(jù)線性組合預(yù)測(cè)與SVM組合預(yù)測(cè)誤差比較，得出，SVM組合預(yù)測(cè)模型在預(yù)測(cè)精度上要優(yōu)于線性組合預(yù)測(cè)模型，無論是預(yù)測(cè)平均絕對(duì)誤差、平均相對(duì)誤差還是誤差平方和都要小于單項(xiàng)預(yù)測(cè)模型。這說明以智能算法為基礎(chǔ)的組合預(yù)測(cè)模型要較傳統(tǒng)線性組合預(yù)測(cè)模型優(yōu)越。根據(jù)方法建立的模型，SVM組合預(yù)測(cè)模型的預(yù)測(cè)精確度不僅高于單項(xiàng)模型，且高于線性組合預(yù)測(cè)模型。當(dāng)前第1頁(yè)1 2 3