基于集合经验模式分解的火灾时间序列预测

采用集合经验模式分解(EEMD)和多变量相空间重构技术,结合非线性支持向量回归(SVR)模型,提出一种火灾次数时间序列组合预测方法。根据EEMD将非平稳的火灾时间序列分解为一系列不同尺度的固有模态分量,利用多变量相空间重构技术对分解的各个分量进行相空间重构,构建其训练数据,对重构的训练数据建立各分量的非线性支持向量回归预测模型,使用SVR集成预测方法对火灾时间序列进行预测。仿真结果表明,与单变量相空间重构方法以及SVR方法相比,该方法具有较高的预测精度。     

相空间重构和SVR联合优化的短时交通流预测

短时交通流预测首先重构相空间,然后采用时间序列模型预测交通流量,而支持向量回归机（SVR）是比较好的时间序列预测模型。但短时交通流相空间重构的嵌入维数与延迟时间与支持向量回归机的参数确定往往是分别独立地求解,难以达到两组参数值的同时最优,影响预测的准确性。为了提高短时交通流的预测准确性,提出一种利用粒子群算法联合优化相空间重构和支持向量回归机的预测模型,并用于实际短时交通流数据的预测。该模型的相空间重构和支持向量回归机（SVR）的参数联合一起优化,利用粒子群算法同时优化其两组参数的组合值。采用短时交通流数据仿真,结果表明联合一起优化所得参数的预测器提高了简单模型预测的效果。     

混合多个SVR模型的金融时间序列预测

基于支持向量回归(SVR)进行金融时间序列预测,使用PSO算法确定SVR超参数,并用实验的方法选择合适的SVR输入向量。为了解决金融时间序列非平稳性导致的单一SVR模型预测精度不稳定的问题,提出一种混合多个SVR模型的预测算法,选取训练数据的不同子集训练出多个SVR模型,采用对多个模型的预测结果加权求和的方法进行预测,各个模型的权重根据其预测误差动态调整。在全球5大股指上的实验表明,该算法的预测能力明显优于单一SVR模型。     

支持向量回归机在铁路客运量时间序列预测中的应用*

针对目前铁路客运量预测方法的不足,采用ε支持向量回归机(εSVR)对铁路客运量时间序列进行预测。分析εSVR原理, 对1980—1998年的铁路客运量进行归一化处理,建立铁路客运量时间序列SVR预测模型, 并进行仿真试验。对比分析εSVR与标准的BP人工神经网络预测结果, 证明εSVR预测结果更准确、 精度更高。     

改进型支持向量回归预测模型的轧机轧制力预测

对轧机轧制力预测模型进行研究.使用人工鱼群优化算法对支持向量回归(SVR)参数选取进行最优的参数组合,将粒子群优化算法引入到常规人工鱼群算法中,并对其进行改进,提高了人工鱼群算法的性能.研究结果表明:Ekelund模型的轧制力计算结果误差较大,超过了10％,常规SVR预测模型的轧制力预测精度低于10％,而本文研究的改进SVR预测模型得到的轧制力误差低于5％,说明通过人工鱼群算法优化SVR算法模型的参数能够提高预测模型的预测精度,并且预测消耗时间在3种预测模型中是最短的.     

基于改进GA参数优化的SVR股价预测模型

针对股票价格的动态性及非线性等特点, 提出了基于改进遗传算法(Genetic Algorithm, GA)优化参数的支持向量回归机(Support Vector Regression, SVR)股价预测模型. 首先将选取的股票价格样本进行小波去噪处理, 然后将经过改进GA优化参数的SVR模型对去噪后的数据进行预测及评价. 结果证明, 改进小波-GA-SVR模型具有良好的预测效果, 对股票价格的预测研究具有一定的意义.     

基于粗集属性约简的电力供应量SVM回归预测

采用基于粗糙集属性约简的支持向量机回归预测模型对我国电力供应量进行预测。根据电力供应量及其影响因素的历史数据建立决策表,利用动态层次聚类法对决策表中的连续属性进行了离散化;运用属性约简算法进行约简,提取出主要因素,并将其作为样本的特征,应用支持向量机回归预测模型对电力供应量进行预测。五年预测结果表明：与SVR模型相比,结合了属性约简方法的RS＆SVR模型充分利用了更少但是主要的预测因子的信息,预测精度有一定提高,应用效果较好。     

基于PSO-SVR的下水道可燃气体分析

针对下水道可燃气体传感器非线性、选择性差和交叉敏感的特点,建立了一种基于粒子群算法(PSO)支持向量回归机(SVR)的下水道可燃气体分析预测模型.该模型通过引入粒子群算法对支持向量回归机的重要参数进行优化,从而实现了支持向量回归机的参数自动判定,用于下水道可燃气体的定量分析.仿真结果表明:基于粒子群的支持向量回归机下水道可燃气体分析预测模型优于SVR模型,具有较好的泛化性能和较高的预测精度.     

基于混沌粒子群优化SVR的网络流量预测

计算机网络流量预测对于网络流量的控制和调整,进而提高网络性能和服务质量起着重要的作用.当前传统计算机网络流量方法预测精度较低,仅为85%左右.针对网络流量的非线性和时变特性,难以准确实现网络流量评估,为了解决此问题,提出基于混沌粒子群优化SVR的网络流量预测方法.支持向量回归算法(SVR)是一种用于趋势预测的支持向量机模型,能找到全局最优解.然而,SVR参数的选择对回归模型优化起着决定性作用.采用混沌粒子群优化算法(CPSO)优化支持向量参数,通过建立混沌粒子群优化SVR的网络流量预测模型.仿真结果表明,混沌粒子群优化SVR网络流量预测模型能力强、效果好.     

SSVR算法及炉膛燃烧状态时间序列预测

用支持向量回归（SVR）的方法分析和预测时间序列,可解决复杂非线性系统的建模问题。采用光滑化方法对SVR的基本算法进行改进,可降低计算的复杂度。将光滑支持向量回归（SSVR）算法应用于炉膛燃烧状态时间序列预测。对炉内火焰图像进行聚类分析,计算表征炉膛燃烧状态的状态指数,建立状态指数时间序列,并利用光滑支持向量回归算法构建预测模型。实验结果表明,SSVR方法具有更快的收敛速度、更好的拟合精度和良好的预测性能。     

支持向量回归方法用于1,4,2-二氮磷杂环戊-5-(硫)酮类化合物除草活性的QSPR研究

采用支持向量回归方法研究了1,4,2-二氮磷杂环戊-5-(硫)酮类化合物除草活性的QSAR。基于留一法交叉验证的结果,比较了支持向量机回归(SVR)与几种常用建模方法对于该类化合物除草活性的预测精度。研究表明:所建SVR模型的精度高于逆传播人工神经网络(BPANN)、多元线性回归和偏最小二乘(PLS)所得结果。     

Short term forecasting with support vector machines and application to stock price prediction

Forecasting a stock price movement is one of the most difficult problems in finance. The reason is that financial time series are complex, non stationary. Furthermore, it is also very difficult to predict this movement with parametric models. Instead of parametric models, we propose two techniques, which are data driven and non parametric. Based on the idea that excess returns would be possible with publicly available information, we developed two models in order to forecast the short term price movements by using technical indicators. Our assumption is that the future value of a stock price depends on the financial indicators although there is no parametric model to explain this relationship. This relationship comes from the technical analysis. Comparison shows that support vector regression (SVR) out performs the multi layer perceptron (MLP) networks for a short term prediction in terms of the mean square error. If the risk premium is used as a comparison criterion, then the SVR technique is as good as the MLP method or better.     

A Takagi–Sugeno fuzzy model combined with a support vector regression for stock trading forecasting

The turning points prediction scheme for future time series analysis based on past and present information is widely employed in the field of financial applications. In this research, a novel approach to identify turning points of the trading signal using a fuzzy rule-based model is presented. The Takagi–Sugeno fuzzy rule-based model (the TS model) can accurately identify daily stock trading from sets of technical indicators according to the trading signals learned by a support vector regression (SVR) technique. In addition, when new trading points are created, the structure and parameters of the TS model are constantly inherited and updated. To verify the effectiveness of the proposed TS fuzzy rule-based modeling approach, we have acquired the stock trading data in the US stock market. The TS fuzzy approach with dynamic threshold control is compared with a conventional linear regression model and artificial neural networks. Our result indicates that the TS fuzzy model not only yields more profit than other approaches but also enables stable dynamic identification of the complexities of the stock forecasting system.     

灰色局部支持向量回归机及应用

为了解决全局支持向量回归机(Global-SVR)在大样本数据集中计算效率低下的问题,将局部支持向量回归机与灰色系统理论有机结合,并利用灰色关联度作为局部邻域函数构造灰色局部支持向量回归机(GL-SVR),该做法具有一定的理论价值.优化过程中采用留一法评估学习机的泛化性能,利用模式搜索法选择模型参数.真实的股价涨跌幅预测实验结果表明,该方法既加快了运算速度,又提高了预测精度.     

基于核方法的非线性时间序列预测建模

提出了一种基于核的非线性时间序列预测建模方法。对非线性时间序列的相空间进行重构以确定其嵌入维数，并提出一种基于核主成分分析的非线性时间序列相空间重构方法，针对时间序列的时序特征，采用一种加权的支持向量回归模型对时间序列预测建模。在不同基准数据集上的实验结果表明，与通常的基于普通支持向量回归的建模方法相比，该文所提出的预测建模方法具有较高的精度，说明所提方法对非线性时间序列的预测建模是有效的。     

Exploiting multi-scale support vector regression for image compression

Unlike traditional neural networks that require predefined topology of the network, support vector regression (SVR) approach can model the data within the given level of accuracy with only a small subset of the training data, which are called support vectors (SVs). This property of sparsity has been exploited as the basis for image compression. In this paper, for still image compression, we propose a multi-scale support vector regression (MS-SVR) approach, which can model the images with steep variations and smooth variations very well resulting in good performance. We test our proposed MS-SVR based algorithm on some standard images. The experimental results verify that the proposed MS-SVR achieves better performance than standard SVR. And in a wide range of compression ratio, MS-SVR is very close to JPEG in terms of peak signal-to-noise ratio (PSNR) but exhibits better subjective quality. Furthermore, MS-SVR even outperforms JPEG on both PSNR and subjective quality when the compression ratio is higher enough, for example 25:1 for Lena image. Even when compared with JPEG-2000, the results show greatly similar trend as those in JPEG experiments, except that the compression ratio is a bit higher where our proposed MS-SVR will outperform JPEG-2000.     

MTICA-AEO-SVR股票价格预测模型

为了改善传统Fast ICA算法的稳定性和分离效率,基于Tukey M估计构造了一种新的非线性函数,提出了MTICA算法;并在此基础上结合SVR算法,建立了一种新的MTICA-AEO-SVR股票价格预测模型。用MTICA算法将原始股票数据分解为独立分量进行排序去噪,选择不同的SVR模型分别对各独立分量和股票价格进行预测。在SVR算法中引入了人工生态系统优化算法（AEO）选参,提高了模型的预测精度。通过对上证B股指数的实证分析,结果表明,MTICA-AEO-SVR模型比ICA-AEO-SVR模型和ICA-SVR模型更准确和高效。     

基于SVR的混沌时间序列预测

支持向量机是一种基于统计学习理论的新颖的机器学习方法,由于其出色的学习性能,该技术已成为当前国际机器学习界的研究热点。这种方法已广泛用于解决分类和回归问题。论文介绍了支持向量回归算法的各种版本,同时将它们应用到混沌时间序列预测中,并且比较了它们的预测性能,为实际应用合理选择模型提供一定的依据。     

基于支持向量机回归的麻醉药毒性的QSPR研究

采用支持向量机回归(SVR)方法研究了39个麻醉药毒性的定量构效关系,基于留一法交叉验证的结果,模型的相关系数为0.970。结果表明,所建SVR模型的精度高于逆传播人工神经网络(BPANN)、多元线性回归(MLR)和偏最小二乘法(PLS)所得的结果。