摘要：為解決傳統較小二乘支持向量機（LSSVM）采用交叉驗證確定參數耗時較長和粒子群（Particle Swarm Optimizatiom,PSO）優化算法早熟收斂的問題，提出一種基于種群活性PSO算法優化LSSVM參數的方法。利用群活性加速度作為多樣性測度，當群活性加速下降時，對粒子的位置和速度分別執行進化和變異操作來改進標準PSO算法，然后分析上海市時用水量序列特點及其影響因素，選取影響程度較大的主要因素，將其作為預測模型的輸入變量，建立時用水量預測模型；較后采用改進的PSO算法優化LSSVM參數來預測上海市時用水量。實例分析表明，對比文中其他３種模型輸入變量組合，選取的預測模型輸入變量能夠更有效地提高預測精度；與傳統LSSVM方法相比，提出的基于改進PSO-LSSVM的時用水量預測方法計算速度更快，預測精度更高。

１引言

時用水量預測的主要作用是為城市供水系統實時優化調度提供指導決策的水量數據，其預測精度決定了調度方案是否可行，對保障城市供水、合理利用水資源具有重大意義。文獻［1、2］采用支持向量機建立短時水量預測模型，驗證了支持向量機用于水量預測的有效性。Manuel Herrera等［3］分析了時用水量序列特點，并采用多種模型對時用水量進行預測。

以上研究只是憑經驗確定模型的輸入參數，且僅考慮了預測日前幾天的時用水量數據，未考慮24ｈ內的變化趨勢和氣溫、降雨等對時用水量的影響。

陳磊［4］根據城市時用水量序列具有較強相關性的特點，利用自相關系數法分析時用水量序列的變化規律，采用遺傳算法優化LSSVM參數。遺傳算法實現比較復雜，需要調整多個參數，且參數的選擇對解的品質影響較大。

登錄網站后可下載文件