基于灰色支持向量机的基金波动率预测研究*

鉴于灰色预测方法和支持向量机各自的优点,将灰色预测方法与支持向量机相结合,建立灰色支持向量机模型,并以极差替代收益的标准差度量波动率,运用新模型对深圳基金波动率进行实例分析。通过与v支持向量机的预测结果对比,发现所提出的模型适合于基金波动率的中短期预测。     

基于灰色支持向量机的城市用水量预测研究

研究城市用水量预测问题,城市需水量具有非线性和随机波动性,城市供水系统是复杂系统,传统灰色模型或支持向量机均无法进行准确预测。为更准确预测城市用水量,建立灰色支持向量机的城市用水量预测模型,以提高预测精度。首先采用灰色模型和支持向量机对城市用水量预测,然后采用多元线性回归确定模型权重系数,最后得到了灰色支持向量机的城市用水量预测结果。仿真结果表明,灰色支持向量机提高了城市用水量的预测精度,预测误差小于单一灰色模型和支持向量机。灰色支持向量机更好地反映出城市用水量变化的总体趋势,可为城市供水系统预测提供参考。     

基于灰色支持向量机的网络舆情预测模型

为了提高网络舆情预测精度,建立一种基于灰色支持向量机的网络舆情预测模型。首先对网络舆情数据预处理,然后建立网络舆情的GM(1,1)模型,并采用支持向量机对GM(1,1)模型的预测结果修正,最后通过仿真实验对模型性能进行测试。仿真结果表明,相对于传统预测模型,灰色支持向量机提高了网络舆情的预测精度。     

灰色—支持向量机的空调负荷预测

对空调负荷进行准确预测不仅对空调优化控制的意义重大,而且也是实现空调经济运行与节能的关键所在。为了提高建筑空调负荷的预测精度,在分析灰色模型和支持向量机建模特点基础上提出了一种空调负荷组合预测算法。该方法综合了灰色建模计算过程简单以及支持向量机自学习和泛化能力强的优点,能够更加有效地利用样本数据的有效信息,提高模型预测精度。首先,通过灰色建模过程弱化了样本数据的随机因素。然后,对灰色模型输出进行归一化处理及数据重构,以作为支持向量机的输入。最后,通过支持向量机模型的预测得到最终预测结果。将本文所提出的方法应用于福州一栋办公建筑的逐时空调负荷预测中,并与灰色模型及支持向量机模型作比较,证明了组合模型的预测值与实际运行值拟合度最高,平均绝对误差比灰色模型和支持向量机模型分别降低了47.84%和17.39%。该组合预测模型具有较高的预测精度和更好的泛化能力,具有较强的可行性和实用性。     

集成灰色支持向量机预测模型研究与应用

对灰色预测GM(1,1)模型进行了分析,提出了集成灰色支持向量机的预测模型。分别对影响灰色预测GM(1,1)模型精度的背景值的计算、初值的选取以及数据序列的光滑度进行改进,提出了背景GM模型、初值GM模型、光滑度GM模型,并结合支持向量机的特点,将一维原始数据序列通过三个灰色模型得到的三组值作为支持向量机的输入,原始序列作为支持向量机的输出,训练得到最佳支持向量回归机模型。仿真结果表明了该模型的有效性。     

基于支持向量机参数识别的灰色预测模型

采用基于支持向量机参数识别的灰色预测模型,用基于结构风险最小化准则的支持向量机方法求取灰色模型的参数,再用灰色模型计算预测值。该方法避免了过拟合问题,提高了模型的预测精度。     

基于支持向量机的股票预测

针对股票预测的特点，选择对上市公司股票走势有重要影响的相关数据进行测试。为了避免传统的预测算法（如BP算法）的一些弊端，使用可以避免这些弊端并且具有良好分类功能的支持向量机对该上市公司股票走势进行预测。测试表明预测的精度明显高于采用BP算法等传统神经网络分类方法的测试结果，预测达到了让人满意的效果。     

基于支持向量机的股市预测

针对股票市场高燥声、强非线性和不确定性等特点和以往传统神经网络预测方法存在的不足,提出了一种基于支持向量机的股市预测方法。该方法主要运用了支持向量机回归的方法结合滚动时间窗来学习建摸。首先通过把低维输入空间的输入向量映射到高维特征空间,将非线性问题转化为线性,然后在结构风险最小化原则下进行二次规划,并求得最优解,从而建立模型。从仿真实验中可以看到,该方法建立的模型较为准确地预测了600009、000815两只股票的日均价,表现出了较强的泛化能力。     

基于支持向量机的股票预测

针对股票预测的特点,选择对上市公司股票走势有重要影响的相关数据进行测试。为了避免传统的预测算法(如BP算法)的一些弊端,使用可以避免这些弊端并且具有良好分类功能的支持向量机对该上市公司股票走势进行预测。测试表明预测的精度明显高于采用BP算法等传统神经网络分类方法的测试结果,预测达到了让人满意的效果。     

基于灰色关联的LS-SVM道路交通事故预测

为提高道路交通事故的预测精度以及建模速度,在分析道路交通事故影响因素基础上,提出了基于灰色关联分析的LS-SVM道路交通事故预测模型。该模型首先采用灰色关联分析完成影响因素的相关性分析,结合关联度值,筛选最小二乘向量机模型的输入变量,简化LS-SVM模型结构;然后运用动态改变惯性权重自适应粒子群算法(DCW-APSO)对模型参数进行优化选取;最后应用模型预测1996-2000年的综合道路交通事故死亡率,并将预测结果与其他模型进行对比分析。结果表明：该模型具有较快的收敛速度,并能明显提高道路交通事故预测的精度。     

基于支持向量机的嫌疑人特征预测

针对大数据环境下,公安机关计算机核心技术应用不足、备选嫌疑人众多而预测方法相对落后的问题,提出运用支持向量机(SVM)预测犯罪嫌疑人的模型。根据历史犯罪记录进行特征选择,训练基于SVM的嫌疑人特征预测模型,通过此模型对案件嫌疑人的各个特征进行预测,将预测出的特征与备选嫌疑人库中人员特征进行相似度计算,进而预测出最有可能的嫌疑人。实验结果表明,与应用分类和回归算法的模型相比,该模型对预测结果具有较好的解释性,能够缩小排查范围。     

基于支持向量机的多通道癫痫发作预测

癫痫是一种大脑神经系统疾病,具有突发性和反复性,对患者的生命安全构成极大的威胁,有效预测癫痫对该病的预防和治疗具有重要的意义。为此,提取来自德国弗莱堡大学癫痫预测中心21个病人的公开数据集。利用独立成分分析方法对原始数据进行去冗余操作,自回归模型被用来对癫痫脑电进行特征提取。支持向量机模型和滤波器将预测问题转化为二分类问题。蒙特卡洛统计方法使得最终的结果具有统计学上的意义。实验结果表明,该模型能够提前30 min~70 min预测到癫痫的发生,且误报率将近0,能为临床癫痫预警系统提供较好的理论依据。     

支持向量机的石油价格预测

研究石油价格变化趋势问题,石油价格是多种影响因素的综合结果,具有复杂非线性,影响因子间信息存在大量冗余,传统预测方法无法消除冗余信息和难以准确描述石油价格非线性变化规律,预测精度低.为了提高石油价格预测精度,提出一种将主成份分析和支持向量机相结合的石油价格预测方法.首先利用主成分分析对石油价格影响因子进行处理,消除因素间的冗余信息,降低支持向量机的输入变量维数,然后利用支持向量机对保留主成分进行建模和预测.模型对石油价格数据进行仿真实验,结果表明,模型消除冗余信息,加快学习速度,提高了石油价格预测精度,并能为石油价格预测提供有效的方法.     

基于支持向量机的结肠癌分类方法研究

基于结肠癌基因表达数据，运用信息科学的方法和技术建立结肠癌的预测分类模型，对结肠癌的识别具有重要意义。在建立模型的过程中，如何能够有效的排除噪声基因进而挑选出分类特征基因对结肠癌预测的准确性有着非常重要的影响。针对该类问题，这篇文章提出了一种新的特征基因选取方法，并以支持向量机作为分类器建立结肠癌分类预测模型，最后以结肠癌的基因表达谱作为实验数据进行了实验，实验结果表明上述方法的可行性和有效性.     

基于支持向量机的工程项目风险预测研究

风险预测是工程项目风险管理的重要基础,本文在介绍支持向量机(SVM)基本原理的基础上,探讨了基于支持向量机的项目风险预测算法,根据以往同类工程项目的数据作为学习样本,来识别待研究项目的风险类别,从而做出项目风险水平的预测。本文同时也说明了Libsvm软件在项目风险预测方面的应用。     

基于支持向量机的结肠癌分类方法研究

基于结肠癌基因表达数据,运用信息科学的方法和技术建立结肠癌的预测分类模型,对结肠癌的识别具有重要意义。在建立模型的过程中,如何能够有效的排除噪声基因进而挑选出分类特征基因对结肠癌预测的准确性有着非常重要的影响。针对该类问题,这篇文章提出了一种新的特征基因选取方法,并以支持向量机作为分类器建立结肠癌分类预测模型,最后以结肠癌的基因表达谱作为实验数据进行了实验,实验结果表明上述方法的可行性和有效性。     

基于支持向量机回归的应急物资需求预测

目前对应急物资需求预测仍以专家经验判断为主,尚未形成成熟的办法.针对应急物资预测方法缺乏科学依据难题,提出了一种新的科学预测方法-两步法,即支持向量机回归算法和库存管理模型,建立了人员伤亡预测模型,对地震人员伤亡进行了预测,然后再结合库存管理模型对应急物资进行了估算.最后,运用提出的方法对“青海玉树地震”的人员伤亡进行了预测,证明了方法的有效性,并估算出了应急物资需求量,为灾区的应急物资供应提供科学依据.     

基于支持向量机的网络流量建模及预测

流量建模与预测对于大规模网络的规划设计和网络资源管理等方面都具有积极的意义,是网络流量工程重要组成部分。该文结合网络流量的时间序列特性,提出一种基于支持向量机的网络流量预测算法,并针对由于支持向量机采用先验知识选择参数会导致不同数据对先验知识适应程度不同,给出了一个动态调整优化参数策略。实验仿真结果表明,该算法具有很好的预测精度和适用性。