资源描述：
《基于残差预测修正的局部在线时间序列预测方法》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、第12A期电子学报Vol.36No.12A2008年12月ACTAELECTRONICASINICADec.2008基于残差预测修正的局部在线时间序列预测方法刘大同,彭宇,彭喜元(哈尔滨工业大学自动化测试与控制研究所,黑龙江哈尔滨150080)摘要:对于复杂的非线性和非平稳时间序列预测,基本的支持向量回归(SupportVecotrRegression,SVR)在线算法无法有效兼顾执行效率和预测精度.本文首先采用局部SVR进行时间序列建模预测,同步计算在线更新序列数据预测的残差,并采用OnlineSVR对残差序列进行混沌时间序列预测,将预测残差值实时补偿到局部SVR模型预测输出
2、.实验结果表明,新方法在执行效率和预测精度方面较单一OnlineSVR均显著提高.关键词:时间序列预测;在线预测;SVR;残差中图分类号:TP391文献标识码:A文章编号:037222112(2008)12A2081205LocalOnlineTimeSeriesPredictionBasedontheResidualCompensationwithOnlineSVRLIUDa2tong,PENGYu,PENGXi2yuan(AutomaticTestandControlInstitute,HarbinInstituteofTechnology,Harbin,Heilongji
3、ang150080,China)Abstract:Forcomplicatednonlinearandnonstationarytimeseriesprediction,theprecisionwillbedecreasedifafasterpro2cessingspeedisreachedinonlineSVR.Anewtimeseriespredictionmethodisproposed.LocalSVRisfirstlyadoptedtomakepre2dictionofthetimeseries.Thentheforecastresidualwiththerealda
4、tastreamiscalculated.Finally,theresidualisestimatedwithon2lineSVRalgorithmtocompensatethepredictedvaluewiththelocalSVR.ExperimentalresultsshowedthattheproposedmethodoutperformedtheOnlineSVR.Keywords:timeseriesprediction;onlineprediction;SVR;residual很好的效果.SVR建立在统计学习理论和结构风险最小1引言化原理基础上,能够较好地解决小
5、样本、非线性、高维数时间序列分析和预测在水文、天气、电力、金融等领和局部极小等实际问题.但是SVR算法存在训练时间域应用十分广泛,可以为各种决策工作提供必要的参较长、模型更新训练计算量大等问题,不适用于在线问考,已逐渐成为数据挖掘研究的热点问题之一,并得到题的处理.近期出现了很多在线SVR算法(比如增量训[1～3]越来越多研究者的关注.练算法、AOSVR等),可以在线学习和更新,适合解决时但是,随着信息时代知识的爆炸性增长,许多时间间序列数据特性变化大、模型频繁更新等问题,从而适序列的非线性和非平稳性,使得传统的方法,如AR、合在线问题的分析和预测[6,7].[4]MA、ARM
6、A等很难获得令人满意的结果.因此,随着针对在线时间序列预测问题,本文提出一种新的在人工智能技术的不断发展,研究者们开始采用神经网络线时间序列预测方法,首先采用SVR进行局部建模,并等智能算法进行时间序列的建模、预测以及分析.但是,采用OnlineSVR进行局部模型预测残差在线预测,实时神经网络存在过拟合、训练过程易陷于局部最小、采用修正预测结果,从而达到提高总体预测精度的目的.经验风险最小原则等缺陷,其建模预测和分析的效果限[1,3]2算法理论基础制了其广泛的应用.近年来,针对传统方法以及神经网络等模型进行时支持向量回归是Vapnik等人根据统计学理论提出间序列预测存在的不足,
7、应用支持向量回归(Support的一种新的通用学习方法,它是建立在统计学理论的VCVectorRegression,SVR)进行时间序列预测的研究十分广维理论和结构风险最小化原理基础上,以结构风险最小泛.由于其具有算法简单、不存在局部最小和维数灾难化原理为基础,具有其它以经验风险最小化原理为基础[5]问题和泛化能力强等优点,在时间序列预测方面取得的算法难以比拟的优越性,同时它是一个凸二次优化问收稿日期:2008210207;修回日期:2009201216©1994-2009ChinaAcad
