基于支持向量机的复杂时间序列预测研究

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，提出了复杂时间序列的多尺度分解方法，对支持向量机回归与预测的各项参数设置进行了试验分析。对股票数据进行建模和预测，结果表明支持向量机对复杂时问序列具有较好的预测效果。     

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。     

基于小波和支持向量机的多尺度时间序列预测

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。     

SVM在非线性网络流量预测中的应用研究

网络流量是一种高度自相关、非线性时间序列数据,传统预测方法都是基于线性模型,无法反映网络流量的非线性变化规很,导致预测精度不高.为了提高网络流量的预测精度,在分析网络流量特征的基础上,提出一种基于相空间重构的支持向量机网络流量预测模型.首先利用相空间重构对网络流量原始数据进行重构,捕捉原始数据的多样性,然后将重构的数据...     

混沌理论和LSSVM相结合的网络流量预测

为提高网络流量的预测精度,提出一种基于混沌理论和最小二乘支持向量机相结合的网络流量预测方法。采用相空间重构对网络流量时间序列进行重构,恢复网络流量的演化轨迹,采用非线性预测能力强的最小二乘支持向量机对网络流量时间序列进行训练建模,采用混沌粒子群算法对最小二乘支持向量机参数进行优化,从而获得最优网络流量预测模型。用实际网络流量数据对该算法有效性进行验证,结果表明该方法能够很好刻画网络流量的变化趋势,提高了网络流量的预测精度,预测性能优于传统的预测方法。     

多元混沌时间序列的加权极端学习机预测

针对多元混沌时间序列具有强非线性, 难以建立数学模型进行准确预测的问题, 本文提出一种加权极端学习机预测算法. 首先对多元混沌时间序列进行相空间重构, 并根据相空间中输入数据对预测误差的影响施加不同的权重. 然后, 提出一种支持向量极端学习机预测模型, 具有支持向量机的核映射表达能力以及极端学习机的一步快速训练能力, 因此训练简便且具有较好的泛化性能. 所提算法具有和训练样本三次方成正比的计算复杂度, 因此适用于10^2～10^3样本规模的平稳时间序列. 基于Lorenz混沌时间序列和年太阳黑子和黄河年径流混沌时间序列预测的仿真结果证明所提算法的有效性.     

小波支持向量机的网络流量预测研究

研究网络流量准确预测问题,由于网络流量存在混沌性、非线性、自相似性的特点,导致当前预测方法的网络流量预测精度差。为提高网络流量预测精度,提出了小波支持向量机的网络流量预测模型。首先根据混沌动力系统对网络流量时间序列进行相空间重构,然后采用支持向量机对其进行建模,并利用小波核函数提高支持向量机的泛化能力。进行仿真的结果表明,支持向量机方法提高了网络流量的预测精度,减少训练时间,泛化能力更优。仿真结果说明,小波支持向量机具有更强的实用价值。     

面向动态导航系统的短时交通流SVR预测方法

短时交通流预测是动态导航系统中的重要技术,本文从城市道路交通流系统的高度复杂性特点出发,研究基于支持向量回归的短时交通流预测方法.通过分析动态导航系统对短时交通流预测的实时性、准确性要求,提出对交通流时间序列进行归一化处理,并通过相空间重构技术确定输入输出样本点集合,利用支持向量回归机建立输入输出间的函数关系以此作为预测模型.本文实例验证了基于相空间重构SVR预测方法的有效性.     

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。     

基于KPLS和LS-SVM的过程参数预测及其应用

针对有色冶炼净化过程流程长、影响因素多以及非线性强等特点,提出了一种结合最小二乘支持向量机和核偏最小二乘回归的过程参数预测方法。考虑到过程参数时间序列具有高噪声和非平稳等特性,首先基于小波多分辨率分析方法将参数时间序列分解成具有不同频率特征的子序列,然后根据分解后各自序列的特点,利用最小二乘支持向量机和核偏最小二乘回归法对各子序列进行建模,最后对各分量预测信号重构合成得到最终的预测结果。将该建模方法应用于锌湿法冶炼净化除钴过程钴离子浓度的预测,并应用工业现场的数据进行了实验验证,结果表明,该预测模型性能优于最小二乘支持向量机模型,具有较好的泛化能力和较强的鲁棒性。     

基于一类局部固定核的支持向量回归建模

在考虑样本向量相似性的基础上,提出一种核函数--高斯余弦核,并证明了该核是一类局部固定核.局部固定核同时描述了样本全局和局部结构,因而高斯余弦核可将样本数据映射到信息描述更为丰富的特征空间.将该核用于Logistic混沌时间序列和煤气炉数据集的支持向量回归建模与预测,仿真结果表明所提出的方法能有效地提高预测精度,而且不增加算法的复杂度.     

基于相空间重构的自适应残差修正支持向量回归预测算法

针对模拟电路故障预测存在的非线性时间序列预测问题和传统支持向量回归（SVR）多步预测时出现的误差累积问题,提出了一种基于相空间重构的自适应残差修正SVR预测算法。首先,分析了SVR多步预测方法对时间序列趋势预测的意义和多步预测导致的误差积累问题;其次,将相空间重构技术引入SVR预测中,对表征模拟电路状态的时间序列进行相空间重构,并进而进行SVR预测;然后,在对多步预测过程中产生的误差累积序列进行二次SVR预测的基础上,实现对初始预测误差的自适应修正;最后,对所提算法进行了预测仿真验证。仿真验证和模拟电路的健康度预测实验结果表明,所提算法能有效降低多步预测导致的误差积累,显著提高回归估计精度,更好地预测模拟电路状态的变化趋势。     

一类不确定非线性系统的自适应支持向量回归建模与动态面控制

针对一类非线性严格反馈系统,提出一种基于自适应支持向量回归的动态面控制方法.首先,将支持向量回归的核函数在核宽度以及支持向量估计值处进行一阶泰勒展开,使其能够对核宽度和支持向量进行线性化表示;然后,利用支持向量回归对系统未知动态建模,并基于建模结果设计虚拟控制器和控制器,同时,为提高建模精度,在控制器设计中增加系统状态及其跟踪误差的预测变量,并根据预测误差设计参数自适应律;最后,基于李雅普诺夫定理给出系统一致最终有界的分析.仿真结果表明,所提出的方法能有效减小建模误差并提高跟踪精度.     

高炉炼铁过程多元铁水质量非线性子空间建模及应用

高炉炼铁是一个物理化学反应复杂、多相多场耦合的大滞后、非线性动态系统,其关键工艺指标——铁水质量参数的检测、建模和控制一直是冶金工程和自动控制领域的难题.本文提出一种面向控制的数据驱动高炉炼铁多元铁水质量非线性子空间建模方法.首先,为了提高建模效率和降低计算复杂度,采用数据驱动典型相关性分析与相关性分析相结合的方法提取与铁水质量相关性最强的关键可控变量作为建模的输入变量;同时,为了更好地反映高炉非线性动态特性,将相关输入输出变量的时序和时滞关系在建模过程进行考虑;最后,采用基于最小二乘支持向量机（Least square support vector machine,LS-SVM）的非线性Hammerstein系统子空间辨识方法建立数据驱动的多元铁水质量非线性状态空间模型.同时,将核函数表示的模型非线性特性用多项式函数拟合,在仅损失很小模型精度的前提下大大降低模型的计算复杂度.基于实际数据的工业试验验证了所提建模方法的准确性、有效性和先进性.     

基于无约束优化的非线性支持向量回归

提出利用牛顿法以及共轭梯度法解决非线性支持向量回归学习问题,不仅可以加速模型选择的过程,而且能够提高训练速度.将该方法应用于煤气炉数据集建模以及Mackey-Glass混沌时间序列预测,仿真结果表明了该方法的有效性.     

多重核学习非线性时间序列故障预报

针对非线性时间序列故障预报问题, 提出了多重核学习故障预报方法. 利用多重核学习可以减少支持向量的个数, 提高预测性能. 而且在多重核学习定义的混合核空间中运用减聚类能够提取正常原型. 最后, 将本文提出的方法应用于连续搅拌釜式反应器的故障预报, 仿真结果表明该方法能够提高故障预报的准确性与实时性.     

Support Vector Echo-State Machine for Chaotic Time-Series Prediction

A novel chaotic time-series prediction method based on support vector machines (SVMs) and echo-state mechanisms is proposed. The basic idea is replacing "kernel trick" with "reservoir trick" in dealing with nonlinearity, that is, performing linear support vector regression (SVR) in the high-dimension "reservoir" state space, and the solution benefits from the advantages from structural risk minimization principle, and we call it support vector echo-state machines (SVESMs). SVESMs belong to a special kind of recurrent neural networks (RNNs) with convex objective function, and their solution is global, optimal, and unique. SVESMs are especially efficient in dealing with real life nonlinear time series, and its generalization ability and robustness are obtained by regularization operator and robust loss function. The method is tested on the benchmark prediction problem of Mackey-Glass time series and applied to some real life time series such as monthly sunspots time series and runoff time series of the Yellow River, and the prediction results are promising     

基于最小二乘支持向量回归的水质预测

水质系统是一个开放的、复杂的、非线性动力学系统,具有时变复杂性,针对水质预测方法的研究虽然已经取得了一些成果,但也存在预测精度与计算复杂度等难题。为此,本文提出一种基于最小二乘支持向量回归的水质预测算法。支持向量机是机器学习中一种常用的分类模型,通过核函数将非线性数据从低维映射到高维空间,在高维空间实现线性分类和回归,最小二乘支持向量回归（LS-SVR）利用所有的样本参与回归拟合,使得回归的损失函数不再只与小部分支持向量样本有关,而是由所有样本参与学习修正误差,提高预测精度;同时该算法将标准SVR求解问题由不等式的约束条件及凸二次规划问题转化成线性方程组来求解,提高了运算速度,解决了非线性复杂特性的水质预测问题。     

基于聚类算法的支持向量回归建模的新策略

针对支持向量机对时变的样本集采用单一模型建模困难的问题，提出了一种新的学习策略．首先，使用自组织映射(SOM)神经网络和k-means聚类算法对初始样本集合进行聚类．然后，针对每个聚类数据集合，通过最优加权组合不同核函数的支持向量回归模型建立最终的模型．实验表明，采用这种学习策略的建模精度要优于单一支持向量回归建模方法．