基于支持向量机的企业用电量分析与预测研究

论文摘要

数据挖掘是目前信息技术和数据库技术方面的前沿研究课题。数据挖掘涉及到统计学、人工智能、模糊理论和数据库技术等多项技术。聚类分析是数据挖掘的重要功能之一。支持向量机是一门新兴的边缘学科,具有完备的统计学习理论基础和出色的学习性能,是一类新型机器学习方法,已成为机器学习界的研究热点。本文讨论了数据仓库的构建模型和构建过程,以天津市某区统计局系统为例,对数据仓库技术和数据挖掘技术进行了实际应用的研究。即在构建完成数据仓库的基础上,提出了利用Microsoft聚集模型进行数据挖掘,利用天津市某区统计局企业年的逐月用电量数据,分析了电量与企业增加值、月平均气温、营业利润等的相关关系,再利用支持向量机建立电量短期预测模型,并使用LIBSVM软件进行实际预测和验证分析。本文综合应用支持向量机方法,着重考虑企业增加值、月平均气温、营业利润因素对电量的影响,确定了一种有效的电量使用短期预测方法。用2004～2006年的逐月资料进行训练建模,用2007年的资料做效果检验,研究结果证明这种方法对于电量短期预测的趋势预测较好。

论文目录

• 中文摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景及课题意义
• 1.2 研究现状
• 1.3 论文工作与组织
• 第二章 数据挖掘的理论基础
• 2.1 数据仓库（DW）技术
• 2.1.1 数据仓库概述
• 2.1.2 联机分析处理（OLAP）
• 2.2 数据挖掘（DM）
• 2.2.1 数据挖掘的定义
• 2.2.2 数据挖掘的要求与挑战
• 2.2.3 数据挖掘的方法和技术概述
• 2.3 支持向量机（SVM）
• 2.3.1 SVM 概述
• 2.3.2 SVM 基本原理
• 2.3.3 支持向量机的优势及应用
• 2.3.4 支持向量机的不足
• 第三章 企业用电量的数据仓库设计与数据挖掘分析
• 3.1 企业用电量的信息表和事实表设计
• 3.1.1 数据源分析
• 3.1.2 数据仓库的设计思路
• 3.1.3 事实表与维度表的设计
• 3.2 数据挖掘在统计局企业用电量分析中的应用
• 3.2.1 数据挖掘的过程分析
• 3.2.2 聚类方法
• 3.2.3 企业用电量聚类分析
• 第四章 基于支持向量机的电量短期预测
• 4.1 基于支持向量机的电量短期预测流程
• 4.2 基于支持向量机的分析预测工具LibSVM 简介
• 4.3 实际预测结果与数据验证分析
• 4.3.1 利用SVM 进行单步预测
• 4.3.2 利用SVM 对电量进行短期预测
• 4.3.3 误差评价与结果分析
• 第五章 总结与展望
• 5.1 总结
• 5.2 展望
• 参考文献
• 致谢