改进PSO算法优化LSSVM模型的短期客流量预测

发布时间：2021-10-29 11:31

　　旅游客流量的准确预测为旅游目的地资源优化配置、景区战略计划制定提供有效依据。为了提高景区日客流量的预测精度,提出基于改进粒子群算法（Particle Swarm Optimization,PSO）优化最小二乘支持向量机（Least Squares Support Vector Machine,LSSVM）的预测方法,针对PSO算法的惯性权重在采取线性递减策略时不能满足粒子寻优非线性变化的缺陷,从种群中粒子的聚合程度以及种群进化中粒子适应度同惯性权重的关系出发,利用对数函数非线性变化的特性,提出基于对数函数的惯性权重自适应调整方法（Adaptive Logarithmic Particle Swarm Optimization,ALPSO）。通过改进的PSO算法优化LSSVM的参数,建立山岳型风景区日客流量的预测模型。以黄山风景区2012—2015年景区每日上山人数为例,实验结果证明,与基于标准PSO算法、正弦粒子群算法（Sinusoidal Particle Swarm Optimization,SPSO）和高斯粒子群算法（Gaussian Particle Swarm Optimiz... 

【文章来源】：计算机工程与应用. 2019,55(18)北大核心CSCD

【文章页数】：9 页

【文章目录】：
1 引言
2 ALPSO-LSSVM原理
    2.1 LSSVM原理
    2.2 标准PSO算法
    2.3 ALPSO算法原理
3 ALPSO-LSSVM预测算法
4 实验分析
    4.1 ALPSO算法性能测试
        4.2.1 数据收集
        4.2.2 数据预处理
        4.2.3 评价标准
        4.2.4 模型分析
5 结论


【参考文献】：
期刊论文
[1]一种惯性权重与种群多样性协同调整的二进制粒子群优化算法[J]. 李浩君,张广,王万良.  小型微型计算机系统. 2018(03)
[2]基于KPCA-LSSVM的健康档案空腹血糖水平预测研究[J]. 江燕,帅仁俊,张姝,查代奉.  计算机工程与应用. 2018(13)
[3]一种惯性权重自适应的粒子群优化算法[J]. 罗华.  电子科技. 2017(03)
[4]基于核极化的特征选择在LSSVM的应用[J]. 张文兴,陈肖洁.  计算机工程与应用. 2017(19)
[5]基于改进PSO-LSSVM的短期电力负荷预测[J]. 马小津,朱博,戴琳,张伟,陈熙.  自动化技术与应用. 2016(03)
[6]基于速度扰动项的多目标粒子群算法研究[J]. 刘文婧,张鑫礼,王建国,汪军.  机械设计与制造. 2015(07)
[7]基于SVR-ARMA组合模型的日旅游需求预测[J]. 梁昌勇,马银超,陈荣,梁焱.  管理工程学报. 2015(01)
[8]运用PSO-LSSVM模型的城市供电可靠性预测[J]. 董红,石连生,赵鹏程,严俊.  电力系统及其自动化学报. 2014(07)
[9]基于CPSO-LSSVM的网络入侵检测[J]. 刘明珍.  计算机工程. 2013(11)
[10]层次环形拓扑结构的动态粒子群算法[J]. 石松,陈云.  计算机工程与应用. 2013(08)



本文编号：3464573