LS-SVM在時間序列預測中的理論與應(yīng)用研究.pdf

1、時間序列預測方法已經(jīng)應(yīng)用到幾乎所有預報與決策的領(lǐng)域，廣泛地應(yīng)用在實際中。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)外學者研究的熱點和難點。在支持向量機模型中，成功地應(yīng)用了結(jié)構(gòu)風險最小化、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)機器學習中出現(xiàn)的維數(shù)災難和局部極小等問題。而最小二乘支持向量機(LS-SVM)作為支持向量機(SVM)的一個改進簡化模型，在保證預測精度不減弱的情況下，具有比支持向量機運算更加簡化的優(yōu)點。本

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

3、VM、SVM和BP神經(jīng)網(wǎng)絡(luò)。
　　②為了解決LS-SVM模型在時間序列預測應(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，主要思路是將訓練數(shù)據(jù)分成兩組，分別作為選優(yōu)過程中的訓練數(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學習增強機制來增強優(yōu)秀個體適應(yīng)度的方法加快收斂速度來完成。并用Lorenz混沌時間序列對該方法進行了測試，證明了本文參數(shù)選優(yōu)方法

4、的可行性與優(yōu)越性。
　　③對于一些預測精度與實時性都要求較高的預測應(yīng)用領(lǐng)域，傳統(tǒng)的離線預測模型已不能很好的滿足要求，在線預測才能更好的滿足應(yīng)用需求。因此本文提出了一種改進的LS-SVM在線預測方法，該方法采用有選擇性的增量學習和快速剪枝算法。新樣本到來時，增量學習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，預測所需時間大大減少。為了減少增量學習的次數(shù)，本文中根據(jù)新樣本的預測誤差，對樣本有選擇地進行增量學習，并在支持向量