基于BBN-SVM和PCV的多變量時間序列預測算法研究.pdf

1、時間序列預測在生活和工農業(yè)生產(chǎn)中扮演著越來越重要的角色，它的應用遍及很多領域，極大地推動了各個領域的發(fā)展。支持向量機(SVM)是基于統(tǒng)計學習理論的方法，由于其具有全局最優(yōu)、泛化能力強的優(yōu)點，被應用到很多領域。
　　 目前使用SVM進行時間序列預測大部分采用單一變量進行預測，然而僅由單一變量建立的預測模型并不能很好地刻畫時間序列的變化趨勢。針對這一問題，文章提出多變量的時間序列預測方法，來提高預測精度。主要引入貝葉斯網(wǎng)進行數(shù)據(jù)的分

2、析以選擇多變量。通過貝葉斯網(wǎng)結構學習生成貝葉斯網(wǎng)模型，然后根據(jù)該模型選擇預測變量的相關變量集，進行訓練。這種方法可以有效地考慮變量之間的相互影響作用，提高預測精度。
　　 支持向量機的參數(shù)選擇優(yōu)劣決定其泛化能力，如何選擇最佳的參數(shù)組合使得支持向量機的訓練模型更優(yōu)是當前的一個研究熱點。本文設計了并行K折交叉驗證算法(PCV algorithm)。該算法基于MPI編程模型，克服了傳統(tǒng)K折交叉驗證方法在數(shù)據(jù)量很大的情況下效率低下的缺點

3、。算法在保證了參數(shù)優(yōu)化選擇能力的前提下，極大地提高了算法的時間效率。
　　 文章討論對比了幾種基本核函數(shù)，重點對比了多項式核函數(shù)和高斯徑向基核函數(shù)。在此基礎上，提出了組合核函數(shù)方法，并做了實驗對比和分析。
　　 最后，應用基于BBN-SVM的多變量時間序列預測算法和PCV算法對氣象時間序列和股市時間序列進行預測，并對實驗結果進行分析。實驗結果表明，該算法將預測平均誤差控制到10％以內，具有更好的泛化能力，并行K折交叉驗證