基于LS-SVM的時間序列預測方法及其應用研究.pdf

1、時間序列預測方法一直是國內外學者研究的熱點問題，隨著在眾多應用領域中對預測效率要求的提高，研究時間序列快速預測方法顯得尤為重要。LS-SVM（ Least Square Support Vector Machine）作為SVM（ Support Vector Machine）的一種改進算法，具有模型簡單、訓練效率高、學習能力強等優(yōu)點，將其用于時間序列快速預測領域具有良好的應用前景。因此，本文將主要開展基于LS-SVM的時間序列預測方法及

2、其應用研究的工作。
　　首先，本文主要研究LS-SVM算法的基本原理及基于其實現(xiàn)時間序列預測的方法。針對超參數(shù)選擇困難的問題，采用多級網格搜索和遺傳算法的方法對超參數(shù)的取值進行優(yōu)化。其次，研究基于LS-SVM實現(xiàn)時間序列預測的輸入向量構造方法。以具有一定周期性的時間序列為研究對象，提出基于功率譜分析的輸入向量構造方法，實現(xiàn)較為精確的單步預測。針對連續(xù)選取樣本點構造輸入向量導致多步預測精度下降的問題，提出基于自相關分析的輸入向量構造

3、方法，在有限維的輸入向量中包含盡量多相關的歷史信息，實現(xiàn)精確的多步預測。最后，將基于LS-SVM的時間序列預測方法應用于移動通信話務量預測領域，實現(xiàn)話務量的實時、在線、多步預測。進而針對節(jié)假日話務量變化的特殊性，提出基于LS-SVM和歷史相似性的組合預測方法。最終，為中國移動黑龍江分公司開發(fā)基于LS-SVM的移動通信話務量預測軟件包。
　　文中大量的實驗結果表明，與其它方法相比，LS-SVM方法可以在保證預測精度的條件下，提高建模