共查询到10条相似文献,搜索用时 15 毫秒
1.
2.
基于遗传算法优化支持向量机的网络流量预测 总被引:5,自引:0,他引:5
介绍了支持向量机用于时间序列预测的理论基础和遗传算法优化支持向量机参数的方法,首次把遗传算法优化参数支持向量机应用于两组实际网络流量的预测,并与BP神经网络和RBF神经网络方法进行了比较.结果表明:支持向量机相比较BP神经网络和RBF神经网络对网络流量的预测结果精度更高、性能更好.利用支持向量机预测网络流量是一种可行、有效的方法. 相似文献
3.
研究利用最小二乘支持向量机(LS-SVM)预测变参数混沌时间序列。支持向量机方法是基于结构风险最小化原理导出的,最小二乘支持向量机是一种在二次损失函数下采用等式约束求解问题的支持向量机,保留支持向量机优点的同时计算量大大减少。变参数混沌时间序列预测是典型的小样本学习问题,由于参数的慢变导致系统的动力学特性不断发生变化,全局建模预测方法很难适用,必须在线实时预测。为了快速跟踪预测变参数混沌系统的时间序列,研究了利用一种简化的最小二乘支持向量机在线递推算法进行预测。最后对典型变参数混沌时间序列的预测实验结果表明了该方法的有效性。 相似文献
4.
基于SVM的混沌时间序列分析 总被引:1,自引:0,他引:1
支持向量机是一种基于统计学习理论的新的机器学习方法,该方法已用于解决模式分类问题.本文将支持向量机(SVM)用于混沌时间序列分析,实验数据采用典型地Mackey-Glass混沌时间序列,先对混沌时间序列进行支持向量回归实验;然后采用局域法多步预报模型,利用支持向量机对混沌时间序列进行预测.仿真实验表明,利用支持向量机可以较准确地预测混沌时间序列的变化趋势. 相似文献
5.
在股市投资测试问题的研究中,股价是一种高度不稳定、复杂且难以预测的时间序列数据,传统预测方法都是基于线性模型,忽略了股价的非线性特征,导致预测精度不高.为解决股价预测过程中的精度不高的难题,提出支持向量机引入到股价预测的建模中.首先采用支持向量机非线性扩展样本对时间序列模型定阶,并利用前向浮动特征筛选法选择特征,建立基于支持向量机的股市预测系统模型,对股价进行仿真实验.仿真结果表明,支持向量机模型比神经网络和CAR模型有较高的预测精度,证明适用于股市预测等非线性问题的预测,且有较高的精确度和应用价值. 相似文献
6.
7.
8.
基于小波和支持向量机的多尺度时间序列预测 总被引:2,自引:0,他引:2
介绍了相空间重构和基于支持向量机的时间序列预测建模技术,提出了基于小波和支持向量机的复杂时间序列预测方法,利用小波对复杂时间序列进行多尺度分解,对重构后的近似序列和细节序列分别利用支持向量机进行回归预测并将结果融合。对股票数据进行预测,试验结果表明该方法预测精度高于单尺度支持向量机和神经网络预测方法,可用于复杂非平稳时间序列的预测。 相似文献
9.
10.
为了精确对建筑工程造价进行预测,根据建筑工程造价数据间的时间相关性和非线性变化特点,构建了地统计学与支持向量机相融合的建筑工程造价预测模型.首先收集建筑工程造价数据,然后根据建筑工程造价数据的时间相关性,采用地统计学估计时间序列的嵌入维数,构建建筑工程造价的学习样本,最后通过支持向量机建立工程造价预测模型,并通过实例对性能进行测试与分析.结果表明,本文模型可以有效拟合建筑工程造价数据时间相关性,获得高精度的建筑工程造价预测结果,而且结果要明显优于其它模型. 相似文献