SVR季节性时间序列预测模型的构建与应用

论文摘要

支持向量机（Support Vector Machine, SVM）是一种基于统计学习理论的新的机器学习算法,由于采用了结构风险最小化的思想,SVM比传统的基于经验风险最小化准则的方法具有更好的学习性能和泛化性能,且具备对小样本、非线性等复杂问题的建模能力。支持向量回归（Support Vector Regression, SVR）是Vapnik在定义了ε-不敏感损失函数基础上的可用于回归预测的支持向量机算法,由于在理论上具备与SVM同样的优势,SVR自提出以来就激起了研究者的广泛兴趣,目前已被成功应用于许多领域,但对于商业、经济领域中常见的季节性时间序列,文献并没有专门的研究。本文研究SVR季节性时间序列预测模型的构建与应用,重点探讨数据预处理对SVR预测性能的影响以及相应建模方法的设计。具体来说,章节安排如下:首先通过问题的提出、文献综述发现现有研究的不足,提出本文的研究目的、研究内容和可能的创新点;然后通过回顾传统的季节性时间序列预测方法——指数平滑和SARIMA,为后文评估季节性SVR预测表现奠定基础;第三章本文提出了三个季节性SVR模型的建模思路（分别为使用了原始数据的Raw Data-SVR、采用了季节差分预处理策略的季节差分-SVR以及结合了季节调整方法和相应数据变化操作的Seasonal-SVR）并阐述了相应的建模步骤;第四章是本文的应用研究章节,通过对宏微观、不同大小样本数据的实证检验了季节性SVR模型的预测能力以及其与传统模型的比较;最后本文得出了如下的结论:⑴使用原始数据的SVR对季节性时间序列预测效果并不理想;⑵对季节性时间序列进行合适的预处理,可以显著改善SVR的预测性能;⑶本文提出的两种数据预处理策略:季节差分-SVR中的季节差分和Seasonal-SVR中的移动平均比率乘法模型结合相应数据变换操作,实证研究结果表明后者优于前者;⑷季节差分-SVR和Seasonal-SVR的预测精度好于传统的指数平滑季节模型和SARIMA;⑸SVR具备对小样本季节性时间序列的建模预测能力,且本文提出的两个建模方法季节差分-SVR和Seasonal-SVR预测精度均较高。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 问题的提出
• 1.2 SVR研究综述
• 1.2.1 国外文献回顾
• 1.2.2 国内文献回顾
• 1.2.3 文献综述总结
• 1.3 本文的研究目的和内容
• 1.4 本文的创新点
• 1.5 论文的结构安排
• 第二章 传统季节性时间序列预测方法
• 2.1 指数平滑
• 2.2 SARIMA模型
• 2.2.1 平稳性
• 2.2.2 单位根检验
• 2.2.3 SARIMA模型的理论表述
• 2.2.4 SARIMA建模步骤
• 2.3 本章小结
• 第三章 新的SVR季节性时间序列建模方法
• 3.1 支持向量回归算法理论
• 3.2 SVR季节性时间序列建模方法设计
• 3.2.1 Raw Data-SVR
• 3.2.2 季节差分-SVR
• 3.2.3 Seasonal-SVR
• 3.3 本章小结
• 第四章 应用研究
• 4.1 样本选取和数据说明
• 4.2 模型预测表现评估方法
• 4.3 大样本季节性时间序列预测
• 4.3.1 我国社会消费品零售总额预测
• 4.3.1.1 模型预测结果
• 4.3.1.2 模型预测误差分析
• 4.3.2 我国固定资产投资总额预测
• 4.3.2.1 模型预测结果
• 4.3.2.2 模型预测误差分析
• 4.3.3 F公路车流量预测
• 4.3.3.1 模型预测结果
• 4.3.3.2 模型预测误差分析
• 4.4 小样本季节性时间序列预测
• 4.4.1 模型预测结果
• 4.4.2 预测误差分析
• 4.5 应用研究结论
• 4.6 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间取得的研究成果
• 致谢