【铁路货运量预测】基于matlab遗传算法优化支持向量机SVM铁路货运量预测（多输入单输出）【含Matlab源码 2438期】

💥💥💥💥💥💥💞💞💞💞💞💞💞💞欢迎来到海神之光博客之家💞💞💞💞💞💞💞💞💥💥💥💥💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进；
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式

⛳️座右铭：行百里者，半于九十。
更多Matlab智能算法神经网络预测与分类仿真内容点击👇
①Matlab神经网络预测与分类 （进阶版）
②付费专栏Matlab智能算法神经网络预测与分类（中级版）
③付费专栏Matlab智能算法神经网络预测与分类（初级版）

⛳️关注优快云海神之光，更多资源等你来！！

⛄一、遗传算法优化SVM

1 支持向量机理论
1.1 支持向量机的基本原理[5,6]
SVM回归通过建立输入向量和输出向量间的映射模型,在给定一个样本输入后,能够得到该映射关系下对应输出变量的估计值。模型的参数可以通过样本集训练的方式优化求解。

式（3）中，L(Y,f(x))为损失函数；Y为对应输出；f(x)为决策函数。

1.2 核函数的选择
鉴于核函数的参数和误差惩罚因子C对SVM性能的重要作用[9],选择合适的核函数参数和误差惩罚因子C较为关键。

常见的核函数有线性核函数、RBF核函数、多项式核函数。其中,RBF核函数是应用最广的核函数。相较于线性核函数和多项式核函数,RBF核函数具有映射维度广、需确定参数少、运算相对简单的优点。故本文选择RBF核函数作为支持向量机建模中使用的核函数。

1.3 参数选择
惩罚参数C的选取可使模型复杂度和训练误差之间达到一种折中,取值一般视具体问题而定。核函数的参数gamma在RBF核函数中出现在
所以,为了能进一步提高支持向量机的预测效果,减小预测误差,本文采用遗传算法对这两个参数进行寻优。

1.4 交叉验证
作为建模中选择模型、评估模型好坏的方法,交叉验证(cross validation)的主要思想是:在给定的训练样本中,利用其中大部分样本来建立模型,取剩下小部分的样本以刚建立的模型进行预测,得到这小部分预测结果的预测误差,最后选择预测误差小的模型作为最优的模型。

本文在保证精确度的情况下,结合程序运行时间,采用5折交叉验证,得到不同参数选择下建立模型的平均均方误差,作为该参数选择下建立的模型好坏的评价标准。通过找到交叉验证下,最小的平均均方误差,找到最优参数。

1.5 归一化
归一化的本质,是经过上述变换,在不改变数据物理含义的情况下,将有量纲的量转换成无量纲的量[10],将范围不确定的量映射到确定的范围内,因此,数据在使用过程中,变量可控,有效降低模型复杂度。

归一化的处理:

2 遗传算法原理
遗传算法(GA)是一种基于自然选择和遗传学原理的非线性全局优化算法[11]。其基本思想是把问题的解表示成“染色体”,在算法中以二进制编码。并且,在执行遗传算法之前,给出一群“染色体”作为初始种群,也即是假设解。然后,把这些假设解置于问题的“环境”中,并按适者生存的原则,从中选择出较适应环境的“染色体”进行复制,再通过交叉,变异过程产生更适应环境的新一代“染色体”群,即子代种群。这样,一代一代地进化,最后就会收敛到最适应环境的一个“染色体”上,它就是问题的最优解[12]。

图1 GA-SVM建模流程图
为了实现遗传算法随SVM参数的优化,并验证优化后的SVM预测效果,本文结合多组数据进行了验证,具体的执行过程如图1所示。

⛄二、部分源代码

%% 清空环境变量
clear all
clc
%% 导入数据
X = xlsread(‘输入’);
Y = xlsread(‘输出’);
%%
% 设置训练集和测试集
%temp = randperm(size(X,1));%1代表多少行，2代表多少列
% 训练集—
P_train= X((1:60)😅‘;%冒号代表取出来是整行或者整列，‘代表转置
P_test = X((61:end)😅’;
M = size(P_train,2);
% 测试集—
T_train= Y((1:60)😅’;
T_test = Y((61:end)😅';
N = size(P_test,2);
%% 数据归一化
[p_train, ps_input] = mapminmax(P_train, 0, 1);
p_test = mapminmax(‘apply’, P_test, ps_input);

[t_train, ps_output] = mapminmax(T_train, 0, 1);
t_test = mapminmax(‘apply’, T_test, ps_output);

%% 转置以适应模型
p_train = p_train’; p_test = p_test’;
t_train = t_train’; t_test = t_test’;

%% 参数设置
option.maxgen = 50; % 最大的进化代数
option.sizepop = 10; % 种群最大数量
option.ggap = 0.9; % 代表代沟，一般取0.6-0.9
option.cbound = [0,100]; % 参数c的变化范围
option.gbound = [0,100]; % 参数g的变化范围
option.v = 5; % 交叉验证参数

%% 优化算法
[bestCVaccuracy, bestc, bestg, trace] = gaSVMcgForRegress(t_train, p_train, option);

%% 最佳参数
cmd = [’ -t 2’, ’ -c ', num2str(bestc), ’ -g ‘, num2str(bestg), ’ -s 3 -p 0.1’];

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2019b

2 参考文献
[1]纪洁,胡汉,高远,邵新苍,宣健.基于遗传算法优化参数的支持向量机风电功率预测[J].电子测试. 2020(21)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合