ls-svm在时间序列预测中理论和应用的研究

《ls-svm在时间序列预测中理论和应用的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、TheoryandApplicationResearchonLS-SVMinTimeSeriesPredictionAThesisSubmittedtoChongqingUniversityinPartialFulfillmentoftheRequirementfortheMaster’sDegreeofEngineeringByMeiQianSupervisedbyAss.Prof.WangBoSpecialty:ComputerApplicationTechnologyCollegeofComputerScienceofChongqingUniversity,Chon

2、gqing,ChinaApril2013重庆大学硕士学位论文中文摘要摘要时间序列预测方法已经应用到几乎所有预报与决策的领域，广泛地应用在实际中。对这种方法的研究不仅具有理论研究的重要意义，而且一直是国内外学者研究的热点和难点。在支持向量机模型中，成功地应用了结构风险最小化、核函数映射和凸二次规划等技术，有效地解决了在传统机器学习中出现的维数灾难和局部极小等问题。而最小二乘支持向量机(LS-SVM)作为支持向量机(SVM)的一个改进简化模型，在保证预测精度不减弱的情况下，具有比支持向量机运算更加简化的优点。本文针对LS-SVM中的一些问题进行了研究，主要工作如下：①提出了经

3、验模态分解与LS-SVM组合预测的方法，结合建筑能耗预测的实际应用，该方法的主要思路是把能耗数据形成的时间序列用EMD方法分解成多个本征模式分量，然后对每个本征模式分别建立LS-SVM模型进行分开预测，最后将所有本征模式分量对应的LS-SVM模型预测结果进行求和。在建筑能耗预测的实验中，该方法对非平稳的时间序列具有较好的预测效果，预测精度优于传统单一的LS-SVM、SVM和BP神经网络。②为了解决LS-SVM模型在时间序列预测应用中的参数寻优问题，提出了一种参数选优方法，主要思路是将训练数据分成两组，分别作为选优过程中的训练数据和测试数据，采用结合全局寻优与局部寻优的免疫

4、文化基因算法来进行参数选优，全局寻优采用免疫克隆选择算法，局部寻优使用Baldwin学习增强机制来增强优秀个体适应度的方法加快收敛速度来完成。并用Lorenz混沌时间序列对该方法进行了测试，证明了本文参数选优方法的可行性与优越性。③对于一些预测精度与实时性都要求较高的预测应用领域，传统的离线预测模型已不能很好的满足要求，在线预测才能更好的满足应用需求。因此本文提出了一种改进的LS-SVM在线预测方法，该方法采用有选择性的增量学习和快速剪枝算法。新样本到来时，增量学习方法是递归地更新支持向量，避免了直接求逆更新支持向量机，预测所需时间大大减少。为了减少增量学习的次数，本文中

5、根据新样本的预测误差，对样本有选择地进行增量学习，并在支持向量机规模达到一定数量时，用快速剪枝策略对最早加入的支持向量进行剪枝操作。该方法在保证了预测精度的同时，预测速度较快，也更好地满足了实际应用要求。关键词：时间序列预测，最小二乘支持向量机，经验模态分解，免疫文化基因算法，在线预测I重庆大学硕士学位论文英文摘要ABSTRACTTimeseriespredictionmethodhasbeenappliedtoalmostallforecastinganddecision-makingfields,andiswidelyusedinpractice.Thestudyof

6、thismethodnotonlyhasimportanttheoreticalresearchsignificance,whichisaresearchhotspotanddifficultproblemforthescholarsbothathomeandabroad.Insupportvectormachinemodel,structuralriskminimization,kernelfunctionmappingandconvexquadraticprogrammingtechniquesaresuccessfullyappliedtosolvethecurse

7、ofdimensionalityandlocalminimumproblemsduringtraditionalmachinelearning.Leastsquaressupportvectormachine(LS-SVM)isanimprovedmodelofsupportvectormachine(SVM).ThepredictionaccuracyofLS-SVMdoesn’tweaken,andLS-SVMhastheadvantagethatitsoperationismoresimplifiedthanSVM.Th