ARIMA与SVM组合模型的石油价格预测

针对复杂时间序列预测困难的问题,在综合分析其线性和非线性复合特征的基础上,提出了一种基于ARIMA和SVM相结合的时间序列预测模型。首先采用ARIMA模型对时间序列进行线性建模,然后采用SVM对时间序列的非线性部分进行建模,最后得到两种模型的综合预测结果。将组合模型应用于石油价格预测中,仿真结果表明组合模型相对于单模型的预测具有更高的精度,发挥了2种模型各自的优势,在复杂时间序列预测中具有广泛的应用前景。     

支持向量机修正ARIMA误差的微博热点预测

微博热点预测是一类贫信息、小样本、不确定性的复杂预测问题。为了提高微博热点预测精度,提出一种基于支持向量机修正ARIMA误差的微博热点预测模型(ARIMA-SVM)。首先对微博数据进行预处理、提取主题构建网络微博热点时间序列,然后采用ARIMA建立网络微博热点预测模型,并采用支持向量机对ARIMA预测误差进行修正得到微博热点最终预测结果,最后模型性能进行仿真测试。结果表明,相对于传统预测模型,ARIMA-SVM提高了网络微博热点的预测精度,预测结果具有一定实用价值。     

基于误差校正的网络流量组合预测

为了提高网络流量预测精度,提出一种误差校正的网络流量组合预测模型。首先对网络流量数据进行预处理构建网络流量学习样本序列,然后采用自回归移动平均建立网络流量预测模型,并采用神经网络对自回归移动平均预测误差进行校正,最后对模型性能进行仿真测试。结果表明,网络流量组合预测模型提高了网络流量的预测精度,预测结果具有一定实用价值。     

基于ARIMA-SVM组合模型的移动通信用户数预测

运营商通过分析各时段、各区域的历史移动通信业务数据,能够预测未来一段时间的业务量,从而提供面向管理层的决策支持。为准确把握国内移动通信用户数的波动规律,提高预测精度,通过对2012年1月到2014年2月的26个月忙时移动通信用户总数和3G用户数进行分析,采用差分自回归移动平均模型(ARIMA)对业务量时间序列数据进行线性建模,并采用支持向量机(SVM)对ARIMA模型残差进行非线性建模,将ARIMA模型与SVM模型组合对忙时移动通信用户数进行预测,结果表明,ARIMA-SVM组合模型预测精度明显优于单一模型,发挥了两种模型各自的优势。该组合模型是一种切实可行的移动通信业务预测方法。     

基于地统计学定阶的松毛虫发生面积组合预测*

针对当前松毛虫滞后阶数确定方法存在局部最优、耗时长等问题,提出一种基于地统计学(GS)快速定阶的松毛虫发生面积组合预测模型(GS-ARIMA-SVM)。首先采用差分自回归移动平均(ARIMA)对松毛虫发生面积进行线性建模预测,然后采用GS对松毛虫发生面积非线性部分进行快速定阶和样本重构,最后采用支持向量机(SVM)对非线性部分进行建模预测,从而获得组合模型预测值。并对辽宁省朝阳市松毛虫发生面积数据进行了仿真实验。仿真结果表明,GS-ARIMA-SVM预测精度明显优于参比模型,更能反映松毛虫发生的复杂动态变化规律。     

基于组合模型的网络流量预测

网络流量预测是网络管理的基础,网络流量受到多种因素影响,具有周期性、时变性和非线性,传统单一线性模型ARIMA或非线性模型SVM均难以准确描述网络流量复杂变化规律,为此,提出一种网络流量组合预测模型（ARIMA-LSSVM）。采用ARIMA对网络流量进行预测,捕捉其周期性变化趋势,采用LSSVM对网络流量非线性变化趋势进行预测,同时采用遗传算法对LSSVM参数进行优化,采用LSSVM两种预测结果进行融合,得到网络流量的最终预测结果。仿真实验结果表明,相对于单一网络流量预测模型,ARIMA-LSSVM提高网络流量预测精度,更能全面刻画网络流量变化趋势。     

基于GA 的SVM R 预测控制研究

研究高精度、有效、简单的信息预测模型是目前非线性预测控制需要解决的重要问题．SVMR建模方法简单、理论基础完备,所反映的是系统的非线性特征,在建立非线性模型中与神经网络等非线性回归方法相比具有许多独特的优点．为此,提出一种SVMR预测控制结构,利用SVMR建立非线性系统模型,利用GA进行滚动优化．实验证明,这种预测控制具有良好的非线性控制效果．     

基于SVM的丙烯酰胺均相聚合预测

为了提高丙烯酰胺均相聚合预测的精度,建立了基于支持向量机的丙烯酰胺均相聚合预测模型,并采用此模型对实测数据进行了预测。与神经网络的预测结果相比,建立的新型聚合预测模型具有更好的预测精度。     

ARIMA模型在农产品价格预测中的应用

利用农产品价格时间序列的当前值和过去值准确预报未来值,将有利于正确引导农产品流通和农业生产,实现农产品区域供求平衡,并为政府和农户提供结构调整的依据。针对农产品价格这一重要问题,以白菜月价格数据为例,构建非平稳时间序列ARIMA（p,d,q）模型并预测白菜未来的月价格。结果表明ARIMA（0,1,1）模型能很好地模拟并预测白菜月价格趋势,为农产品市场信息的准确预测提供重要方法。     

犯罪量动态优化组合预测方法

单一预测模型在预测犯罪量时难以协调拟合和泛化关系,从而影响预测结果的准确性。针对以上问题,提出一种数据驱动的可动态优化组合预测方法。以分析自回归求和移动平均模型、向量自回归模型及支持向量机模型的优点为基础,使用后验概率为每个模型赋予权重,结合误差最小原则动态调整权重。实验结果表明,该方法具有较高的预测精度和稳定性,能满足短时犯罪量预测的需要。     

软件可靠性预测的ARIMA方法研究

对基于求和自回归滑动平均模型（ARIMA模型）的软件可靠性预测方法进行了研究,提出了将软件可靠性失效数据看作时间序列,通过建立相应的ARIMA（p,d,q）模型来进行预测的方法。对该方法的基本思想、模型表述、建模流程进行了详细介绍,并依据上述方法选用Musa经典数据集中的Project SS2中的数据进行了预测,结果表明预测的准确性较高,说明该方法适用于软件可靠性预测。     

基于小波变换的网络流量组合预测模型

为了提高网络流量的预测精度,利用小波变换、差分自回归移动平均模型和最小二乘支持向量机等优点,提出一种基于小波变换的网络流量预测模型(WA-ARIMA-LSSVM)。针对网络流量多尺度特性,首先对网络流量时间序列进行小波分解,然后分别采用差分自回归移动平均模型和最小二乘支持向量机对网络流量的高频和低频进行建模与预测,最后小波重构高频和低频的预测结果,并采用仿真实验对模型性能进行分析。结果表明,WA-ARIMA-LSSVM提高了网络流量的预测精度,可以更加准确地描述网络流量的非平稳变化趋势。     

图书文献经费的支持向量机组合预测

对灰色、神经网络和SVM（支持向量机）的3个预测模型进行了研究,以某图书馆1996年～2003年图书文献总经费为例,对图书文献总经费进行了预测,经过比较,SVM的预测方法精度较高。在分析组合预测特性的基础上,提出了对灰色系统、神经网络和SVM三种预测方法结果进行了线性组合预测方法和SVM的组合预测方法。与单一预测方法结果和线性组合预测进行对比,SVM组合预测方法比较精确。     

电力负荷预测中的数据处理及实验研究

为了提高预测精度,对所得河北南网数据进行了必要的数据预处理,并且对这些数据进行分析,找出了其内在的规律。然后基于这些数据用SVM算法进行电力负荷预测,得到了比较理想的预测结果。     

基于DE-SVM非线性组合预测模型的研究

为提高预测精度,提出DE-SVM非线性组合预测模型。以组合预测模型的误差平方和最小为优化准则,用差分进化算法（DE）对支持向量机参数进行优化,并利用支持向量机对单一模型的预测结果进行组合预测。算例结果表明,DE-SVM综合利用了各单个预测模型的重要预测信息,其预测误差远远小于各单个模型的预测误差,其预测精度更高,模型的实用性更强。     

一种基于小波变换和ARIMA的短期电价混合预测模型

为在实时电价情况下预测未来24小时电价, 提出一种基于小波变换和差分自回归移动平均(ARIMA)的短期电价混合预测模型。该模型分别根据是否受到需求量影响使用ARIMA模型对多尺度小波变换分解后的时间序列进行预测。同时提出一种电价突变点发现和处理算法。使用澳大利亚新南威尔士州2012年真实数据验证表明, 相对ARIMA预测, 改进后的混合模型在不考虑需求量影响时预测精度更高; 电价突变点发现和处理算法能够准确处理电价异常点, 提高预测精度。     

基于VQ-MAP和SVM融合的说话人识别系统

针对传统支持向量机（SVM）在说话人识别中运算量过大的问题,提出了VQ-MAP和SVM融合的说话人识别系统。它应用仅自适应均值向量的最大后验概率矢量量化过程（VQ-MAP）,来得到自适应的说话人模型,用此模型中的参数向量作为支持向量应用于SVM来进行说话人识别。用Matlab进行仿真实验,结果表明,基于VQ-MAP和SVM融合的说话人识别系统大大降低了运算量,SVM训练时间短,且具有较高的识别率。     

基于SVM主动学习的音乐分类

提出了一种改进的SVM（支持向量机）主动学习方法,通过多次迭代提供给用户信息量最大的样本并将其加入训练集,可以大大减少人工标记样本所耗费的代价。为了评估分类器的性能,实验中对包含了五种音乐流派类别（舞曲、抒情、爵士、民乐、摇滚）的801首音乐样本进行了分类,并在分类准确率的收敛速度和达到同等准确率下需要标注的样本数目两个方面验证了提出的SVM主动学习方法的有效性。