《表4 研究前沿主题预测结果 (以Topic0为例)》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于支持向量机和改进粒子群算法的科学前沿预测模型研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

选择后四年多源数据文本为测试数据集，对训练得到的模型进行评估分析与预测。采用公式（4）中的相对误差指标RE进行各子时期的测试样本期望输入与预测效果对比分析。以Topic0为例对比传统PSO-SVM模型（基准方法）和改进PSO-SVM模型（改进方法）的预测效果，结果见表4。由表4，基准方法预测中各个子时期年度相对误差ARE（Annual Relative Error）最大为24.6%（2016年），基于改进方法预测最大ARE为9.76（2017年）；基于基准方法的主题Topic0的预测相对误差RE为10.1%，算法改进后的预测误差为7.59%。说明本文提出粒子群算法改进的支持向量机预测模型预测精度较好，具有较强的预测推广能力和小样本学习能力。