余翔 張?jiān)骑w

摘要：提出一種PSO優(yōu)化的SVR算法并應(yīng)用于博物館的環(huán)境溫度預(yù)測(cè)。針對(duì)基本粒子群算法容易陷入局部最優(yōu)值的問(wèn)題，通過(guò)引入預(yù)測(cè)因子和斥力因子，提出一種動(dòng)態(tài)更新速度和粒子并自適應(yīng)權(quán)重的粒子群算法（DAPSO）。選定徑向基函數(shù)作為SVR的核函數(shù)，分別使用PSO和DAPSO算法同時(shí)對(duì)c、γ和ε進(jìn)行尋優(yōu)，并建立溫度預(yù)測(cè)模型。另外，模型采用交叉驗(yàn)證算法來(lái)避免過(guò)擬合。通過(guò)對(duì)比兩種參數(shù)優(yōu)化算法下模型對(duì)溫度預(yù)測(cè)結(jié)果的均方誤差和相關(guān)系數(shù)，證明本文提出的優(yōu)化模型優(yōu)于PSO-SVR模型。

關(guān)鍵詞：SVR；DAPSO；溫度預(yù)測(cè)模型；均方誤差；相關(guān)系數(shù)

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2015）06-0183-04

Improved PSO-SVR for Cultural Relic Preservation Environment Temperature Prediction

YU Xiang， ZHANG Yun-fei

（Chongqing University of Posts and Telecommunications， Chongqing 400065， China）

Abstract： A SVR algorithm based on PSO was proposed to predict ambient temperature in the museum. Focused on the issue that the basic particle swarm optimization fell into local best value， an adaptive weights particle swarm optimization based on dynamically updating speeds and positions was proposed. The radial basis function was chosen to be the kernel of SVR. Both PSO and DAPSO were used to search the best values for c， g and p to build prediction model for museum ambient temperature. Besides， cross-validation algorithm was adopted to avoid over-fitting. In case of two kinds of parameter optimization algorithm， the prediction models MSE was compared. The results show that DAPSO-SVR is better than PSO-SVR.

Key words： SVR； DAPSO； temperature predict model； Mean Square Error； Correlation Coefficient

我國(guó)每年出土文物數(shù)量驚人，已有數(shù)千家的博物館。博物館文物保護(hù)方面，國(guó)內(nèi)外一致認(rèn)可“預(yù)防性保護(hù)”的原則。利用科技和現(xiàn)代裝備顯著提升我國(guó)文物保護(hù)與利用水平，工業(yè)和信息化部、國(guó)家文物局聯(lián)合組織實(shí)施2013年文物保護(hù)裝備產(chǎn)業(yè)化及應(yīng)用示范項(xiàng)目。本文所研究的預(yù)測(cè)模型是針對(duì)該項(xiàng)目中的重點(diǎn)方向-館藏文物保存環(huán)境監(jiān)測(cè)評(píng)估系統(tǒng)中的數(shù)字傳感器與無(wú)線監(jiān)測(cè)終端演示系統(tǒng)而開(kāi)展的。

國(guó)內(nèi)外關(guān)于復(fù)雜的非線性系統(tǒng)建模主要采用模糊邏輯方法、混沌時(shí)間序列模型，神經(jīng)網(wǎng)絡(luò)等方法[1～3]，但這些方法存在影響因子確定困難、訓(xùn)練時(shí)間長(zhǎng)、收斂速度慢和局部極小等缺點(diǎn)，最主要的是這些方法是基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化的，缺乏對(duì)數(shù)據(jù)樣本的充分學(xué)習(xí)過(guò)程，在回歸預(yù)測(cè)中，容易對(duì)樣本數(shù)據(jù)產(chǎn)生過(guò)擬合，導(dǎo)致模型的泛化能力差，對(duì)預(yù)測(cè)結(jié)果的準(zhǔn)確度產(chǎn)生很大的影響。

Vapnik[4]在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上提出支持向量機(jī)，引入泛化誤差界，尋求經(jīng)驗(yàn)風(fēng)險(xiǎn)與置信風(fēng)險(xiǎn)和的最小化。支持向量學(xué)習(xí)算法在解決小樣本、非線性問(wèn)題中表現(xiàn)出特有的優(yōu)勢(shì)，將其推廣應(yīng)用到函數(shù)擬合回歸預(yù)測(cè)，稱為支持向量回歸（support vector regression，SVR）。目前SVR已成為非線性時(shí)間序列預(yù)測(cè)的重要手段，被廣泛應(yīng)用到網(wǎng)絡(luò)流量、交通運(yùn)輸?shù)戎T多領(lǐng)域[5，6]。SVR經(jīng)過(guò)數(shù)年發(fā)展，其參數(shù)選擇優(yōu)化算法已成為研究熱點(diǎn)[7，8]。參數(shù)尋優(yōu)目前主要使用遺傳算法（GA）、粒子群算法（PSO）等。GA-SVR算法參數(shù)尋優(yōu)主要由概率決定，參數(shù)設(shè)置復(fù)雜，參數(shù)值由經(jīng)驗(yàn)得來(lái)，具有不穩(wěn)定性。PSO-SVR算法可調(diào)節(jié)的參數(shù)少，收斂速度快，預(yù)測(cè)的精度高，可操作型強(qiáng)，特別適合SVR算法的參數(shù)尋優(yōu)。為適應(yīng)不同領(lǐng)域的研究需求，PSO-SVR也演變出各種不同的改進(jìn)算法。在工業(yè)控制方面，吳東升等人將ACPSO-SVR算法應(yīng)用到棒材連軋軋制力預(yù)測(cè)研究中；在水質(zhì)預(yù)測(cè)方面，徐龍琴等人采用PSO-WSVR算法；在通信行業(yè)，張杰等人將改進(jìn)后的PSO算法優(yōu)化LS-SVR應(yīng)用到話務(wù)量預(yù)測(cè)研究中。

事實(shí)表明，PSO-SVR在眾多領(lǐng)域均具有實(shí)用性，但在博物館溫度預(yù)測(cè)方面應(yīng)用很少。由于博物館溫度受館內(nèi)客流量和室外溫度的影響巨大，這對(duì)博物館溫度預(yù)測(cè)結(jié)果的精度提出了更高的要求。為此，本文提出一種動(dòng)態(tài)更新粒子速度和位置并自適應(yīng)權(quán)重的粒種子群算法用于支持向量回歸預(yù)測(cè)模型的參數(shù)尋優(yōu)。本文利用反向預(yù)測(cè)因子及斥力因子，顯著提高博物館溫度預(yù)測(cè)結(jié)果的精度。

1 支持向量回歸機(jī)

1.1 ε–SVR理論

支持向量機(jī)（support vector machines，SVM）的思想就是尋找一個(gè)最優(yōu)超平面作為決策曲面，使得正例和反例之間的隔離邊緣最大化。ε–SVR通過(guò)引入不敏感損失函數(shù)，形成一個(gè)不敏感的損失區(qū)域。如果樣本落在不敏感的損失區(qū)域則不產(chǎn)生損失；否則通過(guò)引入變量C來(lái)控制對(duì)超出誤差界限的樣本的懲罰程度。這樣，可能尋找到不同的最優(yōu)超平面，從而得到不同的預(yù)測(cè)結(jié)果，通過(guò)選取適當(dāng)?shù)膮?shù)可以提高預(yù)測(cè)的精度[9]。

4 結(jié)束語(yǔ)

本文從SVR模型的參數(shù)尋優(yōu)入手，提出DAPSO算法，并建立DAPSO-SVR預(yù)測(cè)模型。經(jīng)實(shí)驗(yàn)表明，DAPSO-SVR模型具備更好的預(yù)測(cè)誤差和性能。證明了該模型在博物館環(huán)境溫度預(yù)測(cè)領(lǐng)域的有效性和可行性。

參考文獻(xiàn)：

[1] Chen L， Chen G. Fuzzy modeling， prediction， and control of uncertain chaotic systems based on time series [J]. IEEE Trans on Circuits and Systems， 2000，47（10）： 1527-1531.

[2] 廖大強(qiáng)，印鑒.基于多分支RNN快速學(xué)習(xí)算法的混沌時(shí)間序列預(yù)測(cè)[J].計(jì)算機(jī)應(yīng)用研究， 2015， 32（2）：404-408.

[3] Han M， Xi J， Xu S， et al. Prediction of chaotic time series based on the recurrent predictor neural network[J]. IEEE Trans on Signal Processing， 2004， 52（12）： 3409-3416.

[4] VAPNIK V. The nature of statistical learning theory [M]. 許建華， 張學(xué)工， 譯. 北京： 電子工業(yè)出版社， 2009.

[5] 王瑞雪， 劉淵. GAFSA優(yōu)化SVR的網(wǎng)絡(luò)流量預(yù)測(cè)模型研究 [J]. 計(jì)算機(jī)應(yīng)用研究，2013， 30（3）：856-860.

[6] 肖智， 李玲玲.PSO-SVM在高速公路交通量預(yù)測(cè)中的應(yīng)用[J].管理評(píng)論，2011，23（12）：32-37.

[7] Huan C. A hybrid stock selection model using genetic algorithms and support vector regression original research article [J]. Applied Soft Computing， 2012， 12（2）：807-818.

[8] 陳傳亮， 田英杰. 基于粒子群優(yōu)化的SVR算法與BP網(wǎng)絡(luò)的比較研究[J].北京師范大學(xué)學(xué)報(bào)，2008，44（5）：449-453.

[9] Eberhart R， Kennedy J. A new optimizer using particle swarm theory[C]. Proc of Int Symposium on Micro Machine and Human Science. Piscataway： IEEE Service Center， 1995： 39-43.