基于MVO-SVR-AdaBoost的中国煤炭需求量预测模型

发布时间：2020-10-22 10:41

　　 为准确预测未来中国煤炭需求总量;首先确定我国煤炭需求量的7个主要影响因子,将集成学习算法以及支持向量回归算法应用到中国煤炭需求量预测中,借助多元宇宙算法优化支持向量回归机中关键参数,构造基于MVO-SVR-AdaBoost的中国煤炭需求量预测模型;将1980-2017年历史数据带入模型.结果表明:建立的煤炭需求量预测模型适配度高达0.9791,平均绝对误差仅为4.2928%.基于历史数据,确定各因子年均增长率的可能波动边界值,在GDP低、中、高速增长的情况下随机组合分别带入模型得到2018-2020年中国煤炭需求量的可能数值区间.
【部分图文】：

第4期赵硕嫱，等：基于MVO-SVR-AdaBoost的中国煤炭需求量预测模型辽宁工程技术大学学报（自然科学版）网址：http://fxky.cbpt.cnki.net371（c）煤炭需求量预测值（2000-2010年）（d）煤炭需求量预测值（2001-2016年）图3训练集数据预测结果Fig.3predictionresultsoftrainingsetdata由图3可知，基预测器模型通过对预测误差样本增加权重使得模型预测精度逐步提高，而单个预测器的预测误差可以通过对所有预测器按照一定的组合策略加权求值的方法得到解决，并使最终输出结果相对于单一预测器更加稳定，能够更好地拟合影响因子与因变量之间的线性关系.图3中以10年为阶段对煤炭需求量变化趋势进行分析，可直观表示1980-2000年间，中国煤炭增长量为平稳发展态势，2000-2010年间中国的煤炭需求量上升速度飞快，2010-2017年煤炭需求年增长率较小，整体呈放缓态势.3.3模型对煤炭需求量的预测为检验模型的预测精度，在训练好的MVO-SVM-AdaBoost模型中对训练集进行回代，并对6组测试集进行预测，对所得拟合值与观测模型进行比较，对比结果与误差表现情况图见4.由图4可知，本文所建模型具有较高的拟合性，1980-2020年年均拟合值的相对误差范围在2%～6%内，拟合结果准确性较高.为验证本文优化算法MVO与AdaBoost集成学习框架的有效性，本文选用单一SVR算法，PSO-SVR算法、MVO-SVM算法及MVO-SVM-AdaBoost算法基于6组测试集数据实施预测，结果见图5.由图5可以看出有必要对SVR算法中关键参数进行优化选择，MVO有效加快了算法总体的收敛速度和搜索精度，而AdaBoost集成学习方法则在优化的模型的基础上通过样本权?

第4期赵硕嫱，等：基于MVO-SVR-AdaBoost的中国煤炭需求量预测模型辽宁工程技术大学学报（自然科学版）网址：http://fxky.cbpt.cnki.net371（c）煤炭需求量预测值（2000-2010年）（d）煤炭需求量预测值（2001-2016年）图3训练集数据预测结果Fig.3predictionresultsoftrainingsetdata由图3可知，基预测器模型通过对预测误差样本增加权重使得模型预测精度逐步提高，而单个预测器的预测误差可以通过对所有预测器按照一定的组合策略加权求值的方法得到解决，并使最终输出结果相对于单一预测器更加稳定，能够更好地拟合影响因子与因变量之间的线性关系.图3中以10年为阶段对煤炭需求量变化趋势进行分析，可直观表示1980-2000年间，中国煤炭增长量为平稳发展态势，2000-2010年间中国的煤炭需求量上升速度飞快，2010-2017年煤炭需求年增长率较小，整体呈放缓态势.3.3模型对煤炭需求量的预测为检验模型的预测精度，在训练好的MVO-SVM-AdaBoost模型中对训练集进行回代，并对6组测试集进行预测，对所得拟合值与观测模型进行比较，对比结果与误差表现情况图见4.由图4可知，本文所建模型具有较高的拟合性，1980-2020年年均拟合值的相对误差范围在2%～6%内，拟合结果准确性较高.为验证本文优化算法MVO与AdaBoost集成学习框架的有效性，本文选用单一SVR算法，PSO-SVR算法、MVO-SVM算法及MVO-SVM-AdaBoost算法基于6组测试集数据实施预测，结果见图5.由图5可以看出有必要对SVR算法中关键参数进行优化选择，MVO有效加快了算法总体的收敛速度和搜索精度，而AdaBoost集成学习方法则在优化的模型的基础上通过样本权?
【相似文献】

相关期刊论文 前10条

1 李伟;严珂;陆慧娟;叶敏超;;基于Adaboost.RT算法的隧道沉降时间序列预测研究[J];中国计量大学学报;2019年03期

2 唐迈;;基于错分类成本的AdaBoost客户流失预测模型研究[J];中国商界(上半月);2010年11期

3 李亚琼;赵春晖;潘泉;张绍武;;新的AdaBoost算法评价体系[J];计算机工程与应用;2009年08期

4 罗棚;;基于改进的BP-Adaboost算法的机械结构可靠性分析[J];内燃机与配件;2019年15期

5 赵三元;沈庭芝;孙晨升;刘朋樟;岳雷;;Feature subset selection method for AdaBoost training[J];Journal of Beijing Institute of Technology;2011年03期

6 杨海江;魏秋萍;张景肖;;基于改进的AdaBoost算法的信用评分模型[J];统计与信息论坛;2011年02期

7 马景义;谢邦昌;;拟适应再加权分类随机森林[J];统计与信息论坛;2010年03期

8 王纯麟;何建敏;;基于AdaBoost的电信客户流失预测模型[J];价值工程;2007年02期

9 牛艳庆;胡宝清;;基于模糊Adaboost算法的支持向量回归机[J];模糊系统与数学;2006年02期

10 吴祖峰;梁棋;刘峤;秦志光;;基于AdaBoost的链路预测优化算法[J];通信学报;2014年03期

相关博士学位论文 前3条

1 王冬光;控制技术在投资预测模型建立中的应用研究[D];哈尔滨工程大学;2005年

2 张丽峰;中国能源供求预测模型及发展对策研究[D];首都经济贸易大学;2006年

3 毕玉革;北方干寒地区日光温室小气候环境预测模型与数字化研究[D];内蒙古农业大学;2010年

相关硕士学位论文 前10条

1 郑伟华;基于MCP惩罚的AdaBoost集成剪枝技术的研究[D];江西财经大学;2019年

2 霍丽佳;基于AdaBoost算法多因子选股模型的应用研究[D];华中科技大学;2019年

3 李敏;基于组合模型的隔夜Shibor预测[D];兰州大学;2018年

4 袁泉;Adaboost组合分类模型在信用评估领域应用研究[D];哈尔滨工业大学;2011年

5 詹财鑫;基于SVM_AdaBoost模型的股票涨跌实证研究[D];华南理工大学;2013年

6 杨泽;基于多模态优化和集成学习的模糊认知图学习方法及应用研究[D];西安电子科技大学;2019年

7 韩炜东;基于集成学习的社区成员识别技术研究[D];西北农林科技大学;2019年

8 郭蓉;基于非白化数据的独立分量回归及其应用[D];西安电子科技大学;2018年

9 张莉婷;基于集成学习的工业产品质量控制方法研究[D];华南理工大学;2018年

10 钟锐;基于K-means++与Adaboost弹性网络的多股票配对交易策略设计[D];上海师范大学;2020年

本文编号：2851492