支持向量机预测模型的构建及其应用

论文摘要

支持向量机(SVM)是在统计学习理论基础上发展起来的一种新的机器学习方法,从结构风险最小化准则(SRM)的角度保证了模型具有全局最优、最大泛化能力、推广能力强等优点,并能够很好地解决许多实际预测问题,已成为机器学习领域颇有影响的成果之一。本文的主要工作是构建了有关支持向量机的几种预测模型：(1)灰色支持向量机预测模型(GSVM),它是利用灰色理论对原始数据累加生成原理,结合支持向量机拟合非线性数据能力的特点,构建的灰色支持向量机预测模型,对累加序列进行预测,最后将预测结果进行累减还原得到预测值。实例表明,该模型具有较高的预测精度。(2)分别对自回归模型、神经网络模型、支持向量机模型进行研究,以我国人口增长率为例,对人口增长率进行预测。在分析组合预测特性的基础上,对神经网络和支持向量机这两种预测模型进行了Theil不等系数的优化组合,并将其用于预测人口增长率。(3)由于支持向量机能够捕获数据的非线性特征,本文对自回归、神经网络和支持向量机这三种预测模型结果进行SVM的组合,并将其用于预测人口增长率。与单项预测方法和基于Theil不等系数的组合预测模型的结果进行对比,支持向量机组合预测模型预测精度最高,可以较好地解决人口增长预测这一非线性问题。

论文目录

• 摘要
• Abstract
• 1 预测方法综述
• 1.1 预测概念
• 1.2 组合预测的概述
• 1.2.1 组合预测模型提出
• 1.2.2 组合预测模型中预测模型的理论知识
• 1.2.3 组合预测的分类
• 1.3 组合预测的研究现状
• 1.4 组合预测的优势
• 1.5 论文的研究目的、意义和主要内容
• 1.5.1 研究目的和意义
• 1.5.2 主要的研究内容
• 2 支持向量机理论基础
• 2.1 支持向量机提出及原理
• 2.1.1 支持向量机的提出
• 2.1.2 支持向量机基本思想
• 2.1.3 支持向量机的优点
• 2.2 支持向量回归机
• 2.2.1 线性支持向量回归机
• 2.2.2 非线性支持向量回归机
• 2.3 支持向量机核函数及其参数的性能
• 2.4 支持向量机研究现状
• 2.5 小结
• 3 灰色支持向量机预测模型
• 3.1 引言
• 3.2 灰色预测模型简介
• 3.2.1 灰色系统理论概述
• 3.2.2 GM（1,1）预测模型
• 3.2.3 离散灰色模型
• 3.3 灰色支持向量机的建模过程
• 3.3.1 支持向量回归机预测时间序列的算法
• 3.3.2 灰色支持向量机模型的建模步骤
• 3.4 实例分析
• 3.5 本章小结
• 4 人口增长率的支持向量机组合预测模型
• 4.1 自回归AR预测模型
• 4.1.1 人口增长率的AR预测建模
• 4.2 BP神经网络模型
• 4.3 基于Theil不等系数的组合预测模型
• 4.4 支持向量机的组合预测模型
• 4.5 小结
• 5 总结
• 5.1 主要研究结果
• 5.2 需要进一步研究的问题
• 致谢
• 参考文献
• 作者在攻读硕士学位期间发表的学术论文