基于改进的PSO-SVM项目安全预测模型仿真与验证

李书全，刘世杰

（天津财经大学管理科学与工程学院，天津300222）

0 引言

近年来，基于粒子群算法优化的支持向量机（PSOSVM）在预测模型中得到了广泛应用[1，2]，该模型预测误差小，精度高，具有较快的收敛速度，实现方便，适用于小样本和非线性的预测问题。建筑施工活动具有复杂性、分散性和人员流动性的特点，因此该模型比较适用于建筑施工项目的安全预测，能够取得较好的效果。传统的PSO-SVM模型在对SVM参数寻优过程中容易陷入局部最优，进而影响预测的精度[3]。鉴于此，本文以施工企业项目部为研究对象，并引入社会资本作为重要影响因素，利用粗糙集属性约简的方法辨识影响施工项目安全的要素，在此基础上将改进的粒子群算法与支持向量机相结合，建立了基于改进PSO-SVM的安全预测模型。并进行了仿真模拟，验证了该模型的有效性和实用性，为施工项目的安全预测提供科学的理论依据。

1 模型算法优化

支持向量机（SVM）是Vapnik于1995年提出来的一种计算机模型，可有效解决复杂的非线性回归问题，其基本思想是运用非线性映射将数据映射到高维特征空间里，然后在此高维特征空间对其进行线性回归[2]。粒子群（PSO）算法由Eberhart和Kenney于1995年提出的一种基于群体智能的优化算法，它是模拟鸟群随机搜寻食物的捕食行为，并从这种行为中得到启示并用于解决优化问题[1]。SVM的惩罚参数和核函数参数的选择是非常重要的问题，直接影响SVM的精度。使用传统的网格搜索方法选取SVM参数，该方法精度低且花费时间较长。……