基于支持向量機與小波理論的混沌時間序列預測研究.pdf

1、基于數(shù)據(jù)的機器學習方法,不僅要能夠通過對已知數(shù)據(jù)的學習較好地解決已知的實例,更重要的是要找到數(shù)據(jù)之間內(nèi)在的相互依賴關(guān)系,從而能夠?qū)ξ磥淼默F(xiàn)象或無法觀測的現(xiàn)象做出正確的預測和判斷.因此,基于數(shù)據(jù)的預測學習方法是機器學習的一個重要研究領域.由于現(xiàn)實世界中大量數(shù)據(jù)的采集與時間相關(guān),數(shù)據(jù)具有時間上的關(guān)聯(lián)性,從而時間序列預測成為人們更感興趣同時也是更富挑戰(zhàn)性的工作,特別對線性時間序列預測的研究,已取得了系統(tǒng)和豐富的成果.由于整個自然界和社會系統(tǒng)的

2、非線性本質(zhì)決定了非線性時間序列預測的研究具有更實際的意義.混沌理論是非線性理論的主體之一,它開辟了非線性預測的新領域,從而使混沌時間序列預測成為當今世界范圍內(nèi)一個極富挑戰(zhàn)性并具有巨大前景的前沿課題和學術(shù)熱點.時間序列預測學習方法的重要理論基礎之一是統(tǒng)計學.傳統(tǒng)統(tǒng)計學研究的是樣本數(shù)目趨于無窮大時的漸近理論,現(xiàn)有的預測學習方法也多是基于此假設,但在實際問題中,時間序列樣本數(shù)往往是有限的,所以這些預測方法存在著固有的理論缺陷.與傳統(tǒng)統(tǒng)計學方法

3、相比,統(tǒng)計學習理論是一種專門研究小樣本情況下機器學習規(guī)律的理論.在這一理論框架下產(chǎn)生的支持向量機(SVM)方法,進一步豐富和發(fā)展了統(tǒng)計學習理論,使它不僅是一種理論分析工具,還是一種能構(gòu)造具有多維預測功能的預測學習算法的工具,使抽象的學習理論能夠轉(zhuǎn)化為通用的實際預測算法.該文在統(tǒng)計學習理論和SVM算法的基礎上,結(jié)合小波分析和混沌理論對非線性時間序列預測進行了較深入的研究,其理論結(jié)果被實際應用在電力短期負荷預測中,主要研究工作如下:1.研究