基于支持向量回归的非线性时间序列预测

针对实际系统的高度非线性及复杂动态性,把非线性时间序列建模与预测问题转换为函数回归估计问题.把具有全局最优性、较好泛化能力及训练效率高的最小二乘支持向量回归算法应用到非线性时间序列预测与建模中.最后给出了某市年电力负荷预测的应用实例,与传统支持向量回归算法相比,文章描述的方法具有较好的预测精度.     

基于支持向量机的股市时间序列预测算法

针对股市时间序列预测的特点,提出了基于SVM的股市时间序列预测算法.设计了SVM的在线训练算法,并设计了遗传算法自动调整sVM的核参数,实现了基于sVM的股市时间序列预测算法在线调整的完全智能化.通过实证分析,以及同BP神经网络方法的比较,结果证明该算法具有预测精度高、参数调整智能化等优点.     

GA优化支持向量机用于混沌时间序列预测

介绍了利用支持向量机与重构相空间理论预测混沌时间序列的方法，并以股价时间序列为样本，比较了几种常用核函数的预测能力，实验表明高斯核的预测能力明显好于其它核．使用遗传算法优化了高斯核支持向量机的参数，优化后其预测能力较经验定参方法有明显提高，且好于传统的预测方法．     

支持向量回归的网络流量预测模型

为了提高网络流量的预测精度,准确描述网络流量变化规律,提出了一种基于向量回归的网络流量预测模型,它能全面刻画网络流量变化趋势.     

人口时间序列的支持向量机预测模型

阐述了支持向量机在时间序列预测中应用的理论基础,建立了人口时间序列的支持向量机预测模型．计算结果表明,无论是在拟合过程还是在预测过程,支持向量机方法都具有很高的计算精度．因此,采用支持向量机方法对人口时间序列进行预测分析是可行的．     

基于SVR的非线性时间序列预测方法应用综述

基于支持向量回归(Support Vector Regression,简称SVR)的非线性时间序列预测是智能预测的重要前沿课题,在许多领域有着非常广泛的应用前景。文章介绍了SVR基本理论和方法,从金融、电力、交通、旅游等领域的典型应用对基于SVR的非线性时间序列预测进行了综述,分析了目前SVR在核函数、自由参数选择和输入数据处理方面存在的问题及其在应用领域进一步研究的方向。     

最小二乘回归支持向量机对非线性时间序列预测的试验分析

利用最小二乘回归支持向量机LS-SVMR(least square support vectors machines for regression)对2个不同长度的时间序列资料,国家气候中心1982年1月～2005年12月Nino3区逐月海温距平指数(短序列),及1950年1月～2006年12月Nino3区逐月海温距平指数(长序列)资料进行了预测试验,以验证支持向量机对气候变化中非线性时间序列的预测效果.结果表明:通过训练建立的最小二乘回归支持向量机模型,较好地反映了Nino3区海温距平指数的变化规律,36个月的预报效果较好,具有一定的可信度.资料的长度越长,预测结果与实测值的变化趋势越接近,但资料长度对均方根预报误差不敏感.     

基于支持向量机的混沌时间序列预测

支持向量机（SVM）是一种基于结构风险最小化原理的学习技术,是一种具有很好泛化性能的回归方法.针对混沌时间序列特点,提出混沌时间序列预测的支持向量机建模的思路、特点及关键参数的选取.对模型进行了实例研究,结果表明该模型能较好地处理混沌时间序列,具有较高的泛化能力和很好的预测精度.     

基于距离和时序的层次粒度支持向量回归机

针对目前粒度支持向量回归机的粒划算法只考虑了距离因素,引入时序因素,提出适用于金融时间序列的基于距离和时序的层次粒度支持向量回归机(DTHGSVR).该方法首先将训练样本通过核函数映射到高维空间,并在该特征空间中进行初始粒划.然后,通过衡量样本粒与当前回归超平面的距离以及当前样本粒时序的综合因素,找到含有较多回归信息的粒,并通过计算其半径、密度及时序信息进行深层次的动态粒划.如此循环迭代,直到没有粒需要进行深层划分为止.最后,对不同层次的粒进行回归训练.采用提出的基于距离和时序因素的层次粒度支持向量回归机对基金净值进行预测,实验结果表明回归的泛化性有所提高.     

基于支持向量回归模型的间歇过程优化

针对间歇过程的优化问题,提出了一种基于支持向量回归模型的批次到批次的优化控制策略。通过对支持向量回归模型在当前控制轨迹处的线性化,构造了一种批次到批次的优化控制方法。在苯乙烯聚合反应器的仿真实验中,该方法能够在存在模型失配与过程扰动的情况下,逐批次地改善过程性能。     

基于误差同步预测的SVM金融时间序列预测方法

在现有支持向量机(SVM)方法的基础上提出对预测误差进行同步预测的双重预测方法,利用预测到的误差对初步预测值进行校正以提高预测精度.针对误差序列非线性、非平稳以及系统动力信息不足的特点,将经验模态分解(EMD)和支持向量机(SVM)方法结合引入误差序列的预测中.对误差序列的预测分别运用初步训练误差和测试误差对预测集合的误差进行预测,将所得到的误差序列分解为若干固有模态分量(IMF),根据各个IMF不同尺度的特点,选择不同的参数对其进行预测,最终合成原始序列的误差预测值,将所预测到的误差与初步原始序列预测值结合,得到最终的预测值.仿真结果表明该方法能够很好地解决预测滞后性和拐点误差大的缺点,相对于普通的SVM预测方法具有更好的预测精度.     

一种适于高维时间序列的特征提取方法

为了获得更多的信息,越来越多的数据利用多路传感器进行采集,由此产生了大量的超高维时间序列。特征的提取在处理和传输这些数据中起到至关重要的作用。为此,提出一种最优鉴别平面(ODP)技术以消除数据冗余。该平面由两个在Fisher准则基础上建立起来的相互垂直的矢量组成,将模式样本投影到ODP上可得到二维特征矢量。为了衡量特征的有效性,分别用二次判别函数分类器和阈值矢量分类器对特征进行分类测试。同时,以心电信号为例对ODP方法进行测试,结果表明,该方法应用于超高维数据的特征提取是行之有效的。     

时间序列基于特征向量的分类与二叉树分类

论证了利用特征向量的距离对时间序列进行分类不是一种有效的方法,并在此基础上提出一种基于二叉树的分类方法.     

一种基于遗传算法优化小波支持向量回归机的实时寿命预测方法

针对现有实时寿命预测方法没有充分利用同类产品性能退化数据信息的问题,从研究退化轨迹相似性的角度出发,提出一种基于遗传算法（GA）优化小波支持向量回归机（WSVR）的实时退化轨迹建模和寿命预测方法.首先基于GA优化WSVR建立各同类产品的性能退化轨迹模型,然后以特定个体的历史测量时刻向量为基准,计算同类产品的相应退化测量值向量及其与特定个体退化测量值向量的Euclid距离,并根据Euclid距离确定隶属度权值,基于加权思想建立特定个体的退化轨迹模型,最后结合实时测量数据依次更新退化测量值向量、Euclid距离、隶属度权值和退化轨迹模型,实现实时寿命预测.实例分析验证了所提出的方法是有效的.