基于LS-SVM的时间序列预测方法及其应用研究

论文摘要

时间序列预测方法一直是国内外学者研究的热点问题,随着在众多应用领域中对预测效率要求的提高,研究时间序列快速预测方法显得尤为重要。LS-SVM（ Least Square Support Vector Machine）作为SVM（Support Vector Machine）的一种改进算法,具有模型简单、训练效率高、学习能力强等优点,将其用于时间序列快速预测领域具有良好的应用前景。因此,本文将主要开展基于LS-SVM的时间序列预测方法及其应用研究的工作。首先,本文主要研究LS-SVM算法的基本原理及基于其实现时间序列预测的方法。针对超参数选择困难的问题,采用多级网格搜索和遗传算法的方法对超参数的取值进行优化。其次,研究基于LS-SVM实现时间序列预测的输入向量构造方法。以具有一定周期性的时间序列为研究对象,提出基于功率谱分析的输入向量构造方法,实现较为精确的单步预测。针对连续选取样本点构造输入向量导致多步预测精度下降的问题,提出基于自相关分析的输入向量构造方法,在有限维的输入向量中包含尽量多相关的历史信息,实现精确的多步预测。最后,将基于LS-SVM的时间序列预测方法应用于移动通信话务量预测领域,实现话务量的实时、在线、多步预测。进而针对节假日话务量变化的特殊性,提出基于LS-SVM和历史相似性的组合预测方法。最终,为中国移动黑龙江分公司开发基于LS-SVM的移动通信话务量预测软件包。文中大量的实验结果表明,与其它方法相比,LS-SVM方法可以在保证预测精度的条件下,提高建模和预测效率。针对具有一定周期性的时间序列,本文提出的输入向量构造方法可以有效地指导LS-SVM模型进行输入向量构造,实现精确的单步和多步预测。移动话务量预测系统的稳定运行表明将LS-SVM算法应用于话务量预测领域的有效性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题来源及研究的目的和意义
• 1.2 国内外研究现状分析
• 1.2.1 时间序列预测方法研究现状
• 1.2.2 LS-SVM算法的研究现状
• 1.2.3 基于LS-SVM的时间序列预测方法研究现状
• 1.3 本文的研究内容与结构
• 第2章 基于LS-SVM的时间序列预测方法
• 2.1 SVM与LS-SVM的基本原理
• 2.1.1 统计学习的基本理论
• 2.1.2 SVM的基本原理
• 2.1.3 LS-SVM的基本原理
• 2.2 基于LS-SVM的时间序列预测方法
• 2.3 超参数的影响分析及优化方法
• 2.3.1 超参数影响分析
• 2.3.2 基于多级网格搜索的超参数优化方法
• 2.3.3 基于遗传算法的超参数优化方法
• 2.3.4 对比实验
• 2.4 本章小结
• 第3章 LS-SVM的输入向量构造方法
• 3.1 输入向量构造方法概述
• 3.2 基于功率谱分析的的输入向量构造方法研究
• 3.2.1 序列的时域分析
• 3.2.2 序列的功率谱分析
• 3.2.3 基于功率谱分析的输入向量构造
• 3.2.4 实验与结果分析
• 3.3 基于自相关分析的多步预测输入向量构造方法研究
• 3.3.1 多步预测实现方法
• 3.3.2 基于自相关分析的输入向量构造方法
• 3.3.3 实验与分析
• 3.4 本章小结
• 第4章 基于LS-SVM的移动通信话务量预测方法
• 4.1 常用的话务量预测方法
• 4.2 基于LS-SVM的话务量单步预测方法
• 4.2.1 话务量数据特性分析
• 4.2.2 话务量单步预测的LS-SVM模型
• 4.2.3 实验与分析
• 4.3 基于LS-SVM的话务量多步预测方法
• 4.3.1 基于自相关分析的输入向量构造
• 4.3.2 实验与分析
• 4.4 特殊节假日的话务量预测方法
• 4.5 基于LS-SVM的短信量预测方法
• 4.6 本章小结
• 第5章 移动通信话务量预测软件包的开发
• 5.1 话务量预测系统功能概述
• 5.2 话务量预测软件包的设计
• 5.2.1 预测软件包的功能结构划分
• 5.2.2 基于LS-SVM的话务量预测模块
• 5.3 测试与评估
• 5.4 本章小结
• 结论与展望
• 参考文献
• 攻读学位期间发表的学术论文及发明专利
• 致谢