基于改进PSO—SVR馆藏文物保存环境温度预测

余翔 张云飞

摘要：提出一种PSO优化的SVR算法并应用于博物馆的环境温度预测。针对基本粒子群算法容易陷入局部最优值的问题，通过引入预测因子和斥力因子，提出一种动态更新速度和粒子并自适应权重的粒子群算法（DAPSO）。选定径向基函数作为SVR的核函数，分别使用PSO和DAPSO算法同时对c、γ和ε进行寻优，并建立温度预测模型。另外，模型采用交叉验证算法来避免过拟合。通过对比两种参数优化算法下模型对温度预测结果的均方误差和相关系数，证明本文提出的优化模型优于PSO-SVR模型。

关键词：SVR；DAPSO；温度预测模型；均方误差；相关系数

中图分类号：TP18 文献标识码：A 文章编号：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

我国每年出土文物数量惊人，已有数千家的博物馆。博物馆文物保护方面，国内外一致认可“预防性保护”的原则。利用科技和现代装备显著提升我国文物保护与利用水平，工业和信息化部、国家文物局联合组织实施2013年文物保护装备产业化及应用示范项目。本文所研究的预测模型是针对该项目中的重点方向-馆藏文物保存环境监测评估系统中的数字传感器与无线监测终端演示系统而开展的。

国内外关于复杂的非线性系统建模主要采用模糊逻辑方法、混沌时间序列模型，神经网络等方法[1～3]，但这些方法存在影响因子确定困难、训练时间长、收敛速度慢和局部极小等缺点，最主要的是这些方法是基于经验风险最小化的，缺乏对数据样本的充分学习过程，在回归预测中，容易对样本数据产生过拟合，导致模型的泛化能力差，对预测结果的准确度产生很大的影响。

Vapnik[4]在统计学习理论基础上提出支持向量机，引入泛化误差界，寻求经验风险与置信风险和的最小化。支持向量学习算法在解决小样本、非線性问题中表现出特有的优势，将其推广应用到函数拟合回归预测，称为支持向量回归（support vector regression，SVR）。目前SVR已成为非线性时间序列预测的重要手段，被广泛应用到网络流量、交通运输等诸多领域[5，6]。SVR经过数年发展，其参数选择优化算法已成为研究热点[7，8]。参数寻优目前主要使用遗传算法（GA）、粒子群算法（PSO）等。GA-SVR算法参数寻优主要由概率决定，参数设置复杂，参数值由经验得来，具有不稳定性。PSO-SVR算法可调节的参数少，收敛速度快，预测的精度高，可操作型强，特别适合SVR算法的参数寻优。为适应不同领域的研究需求，PSO-SVR也演变出各种不同的改进算法。在工业控制方面，吴东升等人将ACPSO-SVR算法应用到棒材连轧轧制力预测研究中；在水质预测方面，徐龙琴等人采用PSO-WSVR算法；在通信行业，张杰等人将改进后的PSO算法优化LS-SVR应用到话务量预测研究中。

事实表明，PSO-SVR在众多领域均具有实用性，但在博物馆温度预测方面应用很少。由于博物馆温度受馆内客流量和室外温度的影响巨大，这对博物馆温度预测结果的精度提出了更高的要求。为此，本文提出一种动态更新粒子速度和位置并自适应权重的粒种子群算法用于支持向量回归预测模型的参数寻优。本文利用反向预测因子及斥力因子，显著提高博物馆温度预测结果的精度。

1 支持向量回归机

1.1 ε–SVR理论

支持向量机（support vector machines，SVM）的思想就是寻找一个最优超平面作为决策曲面，使得正例和反例之间的隔离边缘最大化。ε–SVR通过引入不敏感损失函数，形成一个不敏感的损失区域。如果样本落在不敏感的损失区域则不产生损失；否则通过引入变量C来控制对超出误差界限的样本的惩罚程度。这样，可能寻找到不同的最优超平面，从而得到不同的预测结果，通过选取适当的参数可以提高预测的精度[9]。

4 结束语

本文从SVR模型的参数寻优入手，提出DAPSO算法，并建立DAPSO-SVR预测模型。经实验表明，DAPSO-SVR模型具备更好的预测误差和性能。证明了该模型在博物馆环境温度预测领域的有效性和可行性。

参考文献：

[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] 廖大强，印鉴.基于多分支RNN快速学习算法的混沌时间序列预测[J].计算机应用研究， 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]. 许建华， 张学工， 译. 北京： 电子工业出版社， 2009.

[5] 王瑞雪， 刘渊. GAFSA优化SVR的网络流量预测模型研究 [J]. 计算机应用研究，2013， 30（3）：856-860.

[6] 肖智， 李玲玲.PSO-SVM在高速公路交通量預测中的应用[J].管理评论，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] 陈传亮， 田英杰. 基于粒子群优化的SVR算法与BP网络的比较研究[J].北京师范大学学报，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.