张乔
陕西国际商贸学院 陕西西安 712046
摘要：为了防止因过度开采造成的地质灾害和水资源短缺等问题出现。本文在分析了经典PSO算法和SVM理论知识的基础上，建立了W-PSO优化的SVM时间序列预测模型。
关键词：粒子群算法；参数优化；支持向量机；预测模型
1 前言
现如今，由于人类大规模开发和生产，导致我国多次面临水资源缺乏的困境。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。本文利用洞庭湖水文观测站点的实时水位数据，采用W-PSO算法对SVM的核函数参数进行优化，解决了SVM参数难以选择的问题，进而提高预测精确度，实现W-PSO优化的SVM预测模型。
2 支持向量机参数优化过程
在非线性SVM的情况下，需要引入和核函数参数，其作用可以产生不同的预测效果。其实现步骤如下：
（1）初始化W-PSO算法基本参数。其群体数目N=20；迭代次数是70；加速度常数（学习因子）；惩罚参数C的搜索范围是；核函数参数的搜索范围是。
（2）选取核函数参数。论文选取径向基函数作为SVM的核函数参数。
（3）选定训练集与测试集。使用支持向量机的训练模式（model=svmtrain[cmd] training [model]，其中cmd是核函数类型，training是训练样本集，model是训练之后生成的模型文件）。
（4）计算适应度值。根据适应度函数均方误差MSE，算出每一个粒子相对应的值。
（5）将步骤（4）得到的与目前粒子的最佳适应值相比，如果，则使用作为目前最佳位置。
（6）将步骤（4）得到的与整个粒子的最佳适应值相比，如果，则使用作为整个最佳位置。
（7）判断迭代次数和最佳位置能否符合条件，如果符合，则中断计算，并保存此时的粒子群全局最佳位置值（适应度函数收敛，即得出最优参数组合）。如果不符合，则返回步骤（5）继续计算。
（8）获取最优参数组合。经过W-PSO算法改变迭代次数，不断更换速度、位置和权重的取值，使得适应度函数收敛且适应度值达到最优，最终获得最佳参数组合。
3 模型实现
3.1 数据来源
论文的实验数据均来源洞庭湖各个水文观测站点的水位数据。其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 训练集和测试集的选择
为了简化代码编写，本文设置了训练集比重p，设置p=0.7。如果要变化训练集与测试集的比重，仅仅只需修改p的值即可。这种设置不仅提高了修改代码的效率，而且使整个代码结构看起来更简洁。
4 实验结果
分别对BP神经网络预测模型、SVM预测模型、W-PSO优化SVM预测模型进行了实验仿真，为了对比仿真结果，在表4-1中总结了3种预测模型的对比值，如表4-1
.png)
由表4-1可看出，不同预测模型的效果由MSE和R2进行反映。当MSE值变小，则表明预测效果越好；当R2值向1靠近，则预测效果越好。
BP神经网络预测模型、SVM预测模型、W-PSO优化SVM预测模型的均方误差（MSE）分别是0.025774、0.0028529、0.0010353，数值逐渐减小；而决定系数（R2）分别是0.85494、0.93257、0.97706，数值逐渐增大。因此，W-PSO优化SVM预测模型的效果越来越好。
5 结束语
本文通过PSO算法的优势和SVM具有较好的小样本学习能力，设计W-PSO算法对SVM的和核函数参数进行最佳化，解决了SVM参数难以选择的问题，进而提高了预测精度。实验结果表明：W-PSO优化SVM预测模型具有很好的适用性。
参考文献
[1]王小川,史峰,郁磊.MATLAB神经网络43个案例分析[M].北京航空航天大学出版社,2013:394
[2]黄刚.基于支持向量机的入侵检测系统的研究[D].西安电子科技大学,2018
[3]任燕芝.改进的粒子群算法及其工程应用研究[D].西安电子科技大学,2018
作者简介：张乔（1991-），女，陕西省咸阳市人，学历：硕士研究生，职称：助教，专业：计算机技术，研究方向：计算机应用