基于支持向量機的混沌時間序列預測.pdf

1、時間序列預測是預測領域內(nèi)的一個重要研究方向。它是一種根據(jù)歷史數(shù)據(jù)構(gòu)造時間序列模型,再把模型外推來預測未來的一種方法。近年來,由于變形監(jiān)測中新技術的不斷應用,導致累計資料多、數(shù)量大。如何及時有效地對變形數(shù)據(jù)進行預測,具有重要的理論意義和實用價值。由于變形監(jiān)測數(shù)據(jù)所具有的混沌性,使傳統(tǒng)的統(tǒng)計分析方法對數(shù)據(jù)處理效果可能欠佳,需要尋找新的相關數(shù)據(jù)處理方法。而支持向量機(Support Vector Machine,SVM)具有優(yōu)良的非線性特性,

2、非常適合于混沌時間序列數(shù)據(jù)的分析與處理。
　　 本文對基于支持向量機的混沌時間序列預測進行一些探討性研究,主要內(nèi)容包括：運用支持向量機建立混沌時間序列預測模型,研究影響模型預測精度的相關參數(shù)。在分析參數(shù)對時間序列預測精度的影響基礎上,分別采用遺傳算法和蟻群算法優(yōu)化預測模型參數(shù),從而獲取最優(yōu)參數(shù)。通過對地震時間序列的預測,表明改進后的方法具有很好的預測能力,為預測模型的參數(shù)選取提供了一種新的思路。通過實驗可以看出,由于蟻群算法在開

3、始搜索時,不需要先驗信息,算法更加方便,全局搜索能力更強,收斂更快。為了解決SVM算法復雜度的問題,討論了用LS-SVM(最小二乘支持向量機)替代SVM進行時間序列預測。LS-SVM作為SVM的一種改進算法,根據(jù)結(jié)構(gòu)風險最小化準則(SRM),綜合考慮正則化項和擬合誤差的平方和,將傳統(tǒng)支持向量機中的不等式約束改為等式約束,將SVM算法的解凸二次規(guī)劃問題轉(zhuǎn)化成為線性方程組的求解問題,大大提高了算法的效率。通過對地震變形監(jiān)測數(shù)據(jù)的預測,證實了