基于支持向量机的时间序列预测研究

论文摘要

作为一种新的机器学习方法,支持向量机算法建立在严谨的统计学理论基础上,在模式识别和函数回归方面都有不俗的表现。支持向量机算法从上个世纪90年代初提出到现在短短十多年的时间得到了长足的发展,并继续得到国内外学者的广泛关注。支持向量回归是建立在结构风险最小化原则的基础上,它既考虑了训练样本的拟合性又考虑了训练样本的复杂性,具有较好的拟合效果。但模型中的参数选择是很重要的,它将直接影响到它的泛化效果。目前还没有通用的参数选择方法,本文在对现有的支持向量机参数选择方法进行研究的基础上,提出基于蚁群算法的支持向量回归算法的参数选择方法,蚁群算法作为一种全局式概率选择算法,通过创建一个有限规模的人工蚁群体,蚂蚁间相互协作搜寻问题的最优解。然后,将优选参数后的支持向量回归算法应用于时间序列预测中,以国家粮食产量预测为例建立预测模型,并进行模型的学习训练与预测。最后,对预测结果做相应分析与比较表明,应用了基于蚁群算法的支持向量回归算法的参数选择方法后,模型预测精度有所提高。蚁群算法强劲的全局搜索能力,对提高基于支持向量机的时间序列预测模型的预测准确率有一定的贡献。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 引言
• 1.2 国内外研究现状
• 1.2.1 时间序列预测模型研究现状
• 1.2.2 支持向量机研究现状
• 1.3 研究的热点及难点
• 1.4 研究内容及论文结构
• 第2章 统计学习理论与支持向量机
• 2.1 统计学习理论基础
• 2.1.1 VC维
• 2.1.2 模型说明
• 2.1.3 模型估计
• 2.1.4 期望风险和经验风险
• 2.1.5 结构风险最小化原则
• 2.2 SVM
• 2.2.1 SVM的基本思想
• 2.2.2 支持向量回归算法
• 2.2.3 核函数
• 2.2.4 SVM参数选择方法
• 2.3 本章小结
• 第3章 时间序列预测
• 3.1 时间序列概述
• 3.1.1 时间序列的概念
• 3.1.2 时间序列的种类
• 3.2 时间序列模型
• 3.2.1 时间序列模型概念
• 3.2.2 确定型时间序列模型
• 3.2.3 随机型时间序列模型
• 3.2.4 时间序列模型与回归模型的比较
• 3.3 时间序列预测的新方法
• 3.4 本章小结
• 第4章 基于SVM的时间序列预测
• 4.1 蚁群算法
• 4.1.1 基本蚁群算法的原理
• 4.1.2 基本蚁群算法的数学模型
• 4.1.3 连续优化问题的蚁群算法
• 4.2 基于ACA的SVM参数优化算法
• 4.2.1 可行性分析
• 4.2.2 优化的思路及步骤
• 4.3 基于SVM的时间序列预测建模的一般框架
• 4.4 本章小结
• 第5章 SVM在粮食产量预测中的应用
• 5.1 粮食产量预测模型的建立
• 5.2 模型的学习训练与预测
• 5.3 预测结果分析
• 5.4 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢