LS-SVM在時(shí)間序列預(yù)測中的理論與應(yīng)用研究.pdf

1、時(shí)間序列預(yù)測方法已經(jīng)應(yīng)用到幾乎所有預(yù)報(bào)與決策的領(lǐng)域，廣泛地應(yīng)用在實(shí)際中。對這種方法的研究不僅具有理論研究的重要意義，而且一直是國內(nèi)外學(xué)者研究的熱點(diǎn)和難點(diǎn)。在支持向量機(jī)模型中，成功地應(yīng)用了結(jié)構(gòu)風(fēng)險(xiǎn)最小化、核函數(shù)映射和凸二次規(guī)劃等技術(shù)，有效地解決了在傳統(tǒng)機(jī)器學(xué)習(xí)中出現(xiàn)的維數(shù)災(zāi)難和局部極小等問題。而最小二乘支持向量機(jī)(LS-SVM)作為支持向量機(jī)(SVM)的一個(gè)改進(jìn)簡化模型，在保證預(yù)測精度不減弱的情況下，具有比支持向量機(jī)運(yùn)算更加簡化的優(yōu)點(diǎn)。本

2、文針對LS-SVM中的一些問題進(jìn)行了研究，主要工作如下：
　　①提出了經(jīng)驗(yàn)?zāi)B(tài)分解與LS-SVM組合預(yù)測的方法，結(jié)合建筑能耗預(yù)測的實(shí)際應(yīng)用，該方法的主要思路是把能耗數(shù)據(jù)形成的時(shí)間序列用EMD方法分解成多個(gè)本征模式分量，然后對每個(gè)本征模式分別建立LS-SVM模型進(jìn)行分開預(yù)測，最后將所有本征模式分量對應(yīng)的LS-SVM模型預(yù)測結(jié)果進(jìn)行求和。在建筑能耗預(yù)測的實(shí)驗(yàn)中，該方法對非平穩(wěn)的時(shí)間序列具有較好的預(yù)測效果，預(yù)測精度優(yōu)于傳統(tǒng)單一的LS-S

3、VM、SVM和BP神經(jīng)網(wǎng)絡(luò)。
　?、跒榱私鉀QLS-SVM模型在時(shí)間序列預(yù)測應(yīng)用中的參數(shù)尋優(yōu)問題，提出了一種參數(shù)選優(yōu)方法，主要思路是將訓(xùn)練數(shù)據(jù)分成兩組，分別作為選優(yōu)過程中的訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)，采用結(jié)合全局尋優(yōu)與局部尋優(yōu)的免疫文化基因算法來進(jìn)行參數(shù)選優(yōu)，全局尋優(yōu)采用免疫克隆選擇算法，局部尋優(yōu)使用Baldwin學(xué)習(xí)增強(qiáng)機(jī)制來增強(qiáng)優(yōu)秀個(gè)體適應(yīng)度的方法加快收斂速度來完成。并用Lorenz混沌時(shí)間序列對該方法進(jìn)行了測試，證明了本文參數(shù)選優(yōu)方法

4、的可行性與優(yōu)越性。
　?、蹖τ谝恍╊A(yù)測精度與實(shí)時(shí)性都要求較高的預(yù)測應(yīng)用領(lǐng)域，傳統(tǒng)的離線預(yù)測模型已不能很好的滿足要求，在線預(yù)測才能更好的滿足應(yīng)用需求。因此本文提出了一種改進(jìn)的LS-SVM在線預(yù)測方法，該方法采用有選擇性的增量學(xué)習(xí)和快速剪枝算法。新樣本到來時(shí)，增量學(xué)習(xí)方法是遞歸地更新支持向量，避免了直接求逆更新支持向量機(jī)，預(yù)測所需時(shí)間大大減少。為了減少增量學(xué)習(xí)的次數(shù)，本文中根據(jù)新樣本的預(yù)測誤差，對樣本有選擇地進(jìn)行增量學(xué)習(xí)，并在支持向量