论文部分内容阅读
摘要：针对支持向量回归机（Support Vector Regression，SVR）用于油井产能预测中模型参数具有不确定的问题，采用粒子群算法（Particle Swarm Optimization，PSO）对支持向量回归机参数进行优化，减少模型参数的不确定性，产能数据测试表明，PSO能快速，准确地优化SVR参数，二者的结合有效地进行产能预测，并取得较为理想的效果。
关键词：PSO优化；SVR；参数优化；产能预测
中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2018）16-0189-02
Application of PSO - SVR Model in Oil Well Productivity Prediction
YIN Rong-wang， ZHOU Rui
（Department of Basic Teaching and Experiment， HeFei University， Hefei 230601， China）
Abstract： In order to solve the uncertainties of model parameters in support vector regression （SVR） for oil well productivity prediction， Particle Swarm Optimization （PSO） is used to optimize support vector regression parameters to reduce the uncertainty of model parameters. The test of production data shows that the PSO can quickly and accurately optimize the SVR parameters. The combination of the two can effectively predict the production capacity and achieve a satisfactory result.
Keywords：PSO optimization；SVR；parametersoptimization；productivity prediction
1 引言
油井產能预测是石油工业领域中的重要一环，进一步，我国已经进入油气开采的中后期，更需要通过先进的技术手段准确把握地下储层的实际情况，使经济效益最大化[1]。传统的产能预测大多基于经验风险最小化原则，实际预测效果不是很理想，特别是当样本的维数较高时，情况就更是严重。支持向量回归机（SVR）是统计学习理论的机器学习算法，它是基于结构风险最小化原则，对高维数、非线性，小样本类问题具有较好的预测能力，但SVR的参数选择阻碍其获得进一步的应用[2-3]。粒子群算法（PSO）是群智能算法，具有算法简单、收敛快、能获得全局最优的特点[4]。
本文针对油井产能预测的实际问题，分析PSO算法和SVR算法各自的优缺点，将它们进行有机的融合，形成PSO优化SVR的油井产能预测模型[5-7]。
2 SVR及PSO相关知识
SVR是20世纪发展起来的结合结构风险值最低原理和统计学习中VC维理论的机器学习算法，分为线性的和非线性的。大多数情况下，工程领域需要用到非线性的SVR。非线性支持向量回归机是通过事先确定的非线性映射将输入向量映射到一个高维特征空间（Hilbert空间）中，然后在此高维空间中再进行线性回归，从而取得在原空间非线性回归的效果[8]。
在求解非线性支持向量回归机的过程中，重中之重的是对核函数的选定，使用不同的核函数可以构造不同类型的支持向量算法，也就生成不同的回归模型，在实际问题中通常是直接给出核函数。确定好核类型之后，接下来要重点关注就是有关核参数的取值问题。本文采用的是径向基核函数，然后通过粒子群算法来获得核函数参数的值。
粒子群优化算法是一种模拟鸟类活动的群智能算法[9]。PSO 初始化为一群随机粒子，每个粒子有相应的位置和速度，每个粒子有一个被优化函数决定的适应值，在每次迭代过程中，速度和位置更新公式如下：
[Vk 1id=Vkid c1r1Pkid-Xkid c2r2Pkgd-Xkid]
（1）
[Xk 1id=Xkid Vk 1id] （2）
其中d=1，2，..，D，i=1，2，…n，D为搜索空间的维数；n为种群规模；k为当前进化代数，Vid是粒子的速度；Xid是粒子的位置；c1和c2是非负的学习因子；r1和r2是分布于区间[[0，1]之间的随机数。为了防止粒子速度过大将其限定在区间[-Vmax，Vmax]。总的来说，根据群体位置和速度的更新来找到最优解。
3 PSO-SVR算法设计
SVR模型中，核函数参数δ和惩罚因子C的选择对其预测结果的精度有较大影响。C 取值过大或过小，以及δ取值过大或过小时，都会出现过学习或欠学习的状态，所以合理的参数组合对就显得非常必要。本文采用PSO 算法来优化SVR的参数。
PSO 优化SVR的主要步骤如下：
（1） 读取样本数据，随机产生一组{δ，C}作为粒子的初始位置。初始化粒子的速度、迭代次数、粒子的样本规模以及粒子的飞行速度范围[Vmin，Vmax]；
（2） 计算样本的均方差，将均方差作为适应度函数，得到每个粒子的适应值；
（3） 根据适应度值来更新每个粒子的全局最优值和局部最优值；
（4） 根据公式（1）（2）来更新粒子的速度和位置；
关键词：PSO优化；SVR；参数优化；产能预测
中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2018）16-0189-02
Application of PSO - SVR Model in Oil Well Productivity Prediction
YIN Rong-wang， ZHOU Rui
（Department of Basic Teaching and Experiment， HeFei University， Hefei 230601， China）
Abstract： In order to solve the uncertainties of model parameters in support vector regression （SVR） for oil well productivity prediction， Particle Swarm Optimization （PSO） is used to optimize support vector regression parameters to reduce the uncertainty of model parameters. The test of production data shows that the PSO can quickly and accurately optimize the SVR parameters. The combination of the two can effectively predict the production capacity and achieve a satisfactory result.
Keywords：PSO optimization；SVR；parametersoptimization；productivity prediction
1 引言
油井產能预测是石油工业领域中的重要一环，进一步，我国已经进入油气开采的中后期，更需要通过先进的技术手段准确把握地下储层的实际情况，使经济效益最大化[1]。传统的产能预测大多基于经验风险最小化原则，实际预测效果不是很理想，特别是当样本的维数较高时，情况就更是严重。支持向量回归机（SVR）是统计学习理论的机器学习算法，它是基于结构风险最小化原则，对高维数、非线性，小样本类问题具有较好的预测能力，但SVR的参数选择阻碍其获得进一步的应用[2-3]。粒子群算法（PSO）是群智能算法，具有算法简单、收敛快、能获得全局最优的特点[4]。
本文针对油井产能预测的实际问题，分析PSO算法和SVR算法各自的优缺点，将它们进行有机的融合，形成PSO优化SVR的油井产能预测模型[5-7]。
2 SVR及PSO相关知识
SVR是20世纪发展起来的结合结构风险值最低原理和统计学习中VC维理论的机器学习算法，分为线性的和非线性的。大多数情况下，工程领域需要用到非线性的SVR。非线性支持向量回归机是通过事先确定的非线性映射将输入向量映射到一个高维特征空间（Hilbert空间）中，然后在此高维空间中再进行线性回归，从而取得在原空间非线性回归的效果[8]。
在求解非线性支持向量回归机的过程中，重中之重的是对核函数的选定，使用不同的核函数可以构造不同类型的支持向量算法，也就生成不同的回归模型，在实际问题中通常是直接给出核函数。确定好核类型之后，接下来要重点关注就是有关核参数的取值问题。本文采用的是径向基核函数，然后通过粒子群算法来获得核函数参数的值。
粒子群优化算法是一种模拟鸟类活动的群智能算法[9]。PSO 初始化为一群随机粒子，每个粒子有相应的位置和速度，每个粒子有一个被优化函数决定的适应值，在每次迭代过程中，速度和位置更新公式如下：
[Vk 1id=Vkid c1r1Pkid-Xkid c2r2Pkgd-Xkid]
（1）
[Xk 1id=Xkid Vk 1id] （2）
其中d=1，2，..，D，i=1，2，…n，D为搜索空间的维数；n为种群规模；k为当前进化代数，Vid是粒子的速度；Xid是粒子的位置；c1和c2是非负的学习因子；r1和r2是分布于区间[[0，1]之间的随机数。为了防止粒子速度过大将其限定在区间[-Vmax，Vmax]。总的来说，根据群体位置和速度的更新来找到最优解。
3 PSO-SVR算法设计
SVR模型中，核函数参数δ和惩罚因子C的选择对其预测结果的精度有较大影响。C 取值过大或过小，以及δ取值过大或过小时，都会出现过学习或欠学习的状态，所以合理的参数组合对就显得非常必要。本文采用PSO 算法来优化SVR的参数。
PSO 优化SVR的主要步骤如下：
（1） 读取样本数据，随机产生一组{δ，C}作为粒子的初始位置。初始化粒子的速度、迭代次数、粒子的样本规模以及粒子的飞行速度范围[Vmin，Vmax]；
（2） 计算样本的均方差，将均方差作为适应度函数，得到每个粒子的适应值；
（3） 根据适应度值来更新每个粒子的全局最优值和局部最优值；
（4） 根据公式（1）（2）来更新粒子的速度和位置；