基于支持向量机自回归分析的股市动态预测模型及其应用研究

针对股市的非线性和不确定性的特点,本文提出了一种基于支持向量机自回归分析的股市动态预测模型。该模型利用滚动时间窗动态截取股票时间序列,然后对其进行相空间重构,最后利用支持向量机回归算法,在高维映射空间中求解线性回归问题。利用上证综指的长期和短期数据对该模型的预测效果进行了验证,并将预测结果与RBF神经网络预测模型进行了的对比。预测和对比结果表明,支持向量机自回归预测模型具有较强的泛化能力,适合于股市预测。     

基于支持向量回归和高斯过程回归的水文时间序列特征提取方法

水文时间序列受多种环境因素影响,表现出明显的综合性,传统的利用单一神经网络进行特征提取解释性不足。提出一种基于支持向量回归和高斯过程回归的水文时间序列特征提取方法。首先,罗列水文时间序列候选特征,将特征组合等价于0-1规划,并将各特征组合分别进行支持向量回归与高斯过程回归建模;其次,利用遗传算法演化求解一组最优特征组合,使得支持向量回归和高斯过程回归输出误差同时最小;最后,为了证明所提方法的高效性与准确性,以屯溪流域水文时间序列数据为对象进行验证。实验结果表明,基于支持向量回归和高斯过程回归特征提取方法的水文时间序列预测结果优于传统神经网络特征提取方法。     

EMD分解下基于SVR的股票价格集成预测

为实现对非平稳、非线性股票价格时间序列的高精度预测,提出经验模态分解下基于支持向量回归的股票价格集成预测方法EMD-SVRF(EMD and SVR based stock price integrated forecasting)。首先,运用经验模态分解方法获得股票对数收益率时间序列的本征模函数及趋势序列,然后,利用ε不敏感支持向量回归为各本征模函数及趋势序列分别建立预测模型,并计算各本征模函数及趋势项的预测值,最后,集成得到股票收益率序列预测值。实验表明,相对现有的EMD-Elman网络和ARMA-GARCH等主流股价预测方法,EMD-SVRF具有更小的拟合误差和预测误差,是一种高精度的股票价格预测方法。     

基于非平稳序列的主机负载预测及合成技术

提出一种新的主机负载表征指标--并发连接数,分析基于并发连接数的主机负载的自相似性和非平稳性,构建基于小波和支持向量回归的负载预测及合成算法.将主机负载序列进行多层小波分解与单支重构,低频信号采用AR模型预测,最小尺度高频信号采用加权移动平均方法预测,其它分支采用支持向量回归(SVR)预测;各信号预测值基于SVR方法加以合成,获得最终预测值.实验结果表明,将小波与支持向量回归应用于Web服务器负载预测的效果明显好于传统方法.     

基于遗传算法优化支持向量回归机的网格负载预测模型

提出一种基于遗传算法优化支持向量回归机的模型进行网格负载预测,使用遗传算法和交叉验证技术解决了支持向量回归机参数难以确定的问题.标准数据集仿真实验结果表明,该模型与试验法定参的支持向量回归机和BP神经网络相比具有更优的预测性能.     

基于在线支持向量回归算法的短时交通流预测

实时准确的短时交通流预测在城市道路交通和高速公路交通中都十分重要,是交通控制与诱导系统的基础.应用在线支持向量回归算法对交通流进行预测,并对济南某高架路实测数据进行仿真运算.预测结果表明,在小样本下,与BP神经网络算法相比,在线支持向量回归算法明显优于BP神经网络算法,增大样本数,BP神经网络算法预测精度有所提高,但仍低于线支持向量回归算法;在运算时间上,BP神经网络算法运算时间更短.     

加权支持向量机在证券指数预测中的研究

支持向量机是基于统计学习理论的新一代学习机器．它使用结构风险最小化原则，给出了实际风险的上界，运用该技巧，较好地解决了学习问题．而神经网络则采用经验风险最小化原则，会出现过学习现象．根据证券指数等时间序列数据的特点即近期数据要比远期数据重要，重要数据点要求比较小的误差而提出了加权支持向量机算法，与径向基神经网络相比较，加权支持向量机在证券指数预测方面表现出了良好的泛化性能。     

基于最小二乘支持向量机回归的基坑变形预测

将最小二乘支持向量机回归用于基坑变形预测.根据基坑位移的实测时间序列资料,应用最小二乘支持向量机回归建立了基坑位移与时间的关系模型.研究结果表明,最小二乘支持向量机回归用于基坑变形预测,具有较高的预测精度.与通常采用的BP神经网络相比,该方法具有预测误差小、计算快速、所需数据少等优点.     

支持向量机在股市预测中的应用

介绍了回归问题与支持向量机及其股市预测的研究现状,提出了采用支持向量机的股票预测方法,通过实验证明了该方法的有效性.     

一种非线性非平稳时间序列预测建模方法

提出了一种基于经验模式分解和支持向量回归的非线性、非平稳时间序列预测建模方法.首先,针对时间序列的非平稳特征,通过经验模式分解将其分解为若干个本征模式分量,使其中每个分量均成为平稳序列;其次,对每个本征模式分量,基于支持向量回归建立相应的平稳时间序列预测模型;最后,再一次利用支持向量回归对这些预测模型进行非线性组合,得到非线性、非平稳时间序列的预测模型.仿真实验和工程应用均表明,所提的预测建模方法与传统的基于支持向量回归的建模方法相比,具有较高的精度,说明该方法对于非线性、非平稳时间序列的预测是有效的.