Gaussian小波SVM及其混沌时间序列预测

为了提高混沌时间序列的预测精度,针对小波有利于信号细微特征提取的优点,结合小波技术和SVM的核函数方法,提出基于Gaussian小波SVM的混沌时间序列预测模型。证明了偶数阶Gaussian小波函数满足SVM平移不变核条件,并构建相应的Gaussian小波SVM。对混沌时间序列进行相空间重构,将重构相空间中的向量作为SVM的输入参量。用Gaussian小波SVM与常用的径向基SVM及Morlet小泼SVM进行对比实验,通过对Chen’s混沌时间序列和负荷混沌时间序列的预测,结果表明,Gaussian小波SVM的效果比其他两种SVM更好。     

太阳黑子数的小波包-小波网络混沌时序预测

太阳黑子是表征太阳活动的重要现象,影响地球、人体乃至生命环境.针对影响太阳黑子的因子难以确定的问题,引入小波包和混沌相空间重构子序列揭示太阳黑子时间序列的动力学及物理规律.该方法采用小波包分解原始时间序列,用混沌相空间重构恢复影响因子,并采用小波神经网络预测子序列,再经小波包重构获得太阳黑子的最终预测结果.其中小波神经网络采用自行开发的工具箱,其具有方便、收敛速度快、数据吞吐量大、预测精度高以及实用性强等特点,对推广小波神经网络应用具有重要作用,并为太阳黑子数的预测提供了一条新途径.     

基于信息几何的混沌支持向量机预测

复杂环境中存在大量的混沌现象,难以用传统的预测方法进行准确预测.针对这一问题,本文利用信息几何理论、支持向量机理论与重构相空间理论,提出混沌支持向量机CSVM,对含有混沌现象的时间序列进行预测;针对混沌环境下核函数难于构造,从信息几何角度,提出在混沌环境下,如何方便准确得进行构造核函数;最后将CSVM应用于Henon混沌系统实验.实验结果表明,误差随嵌入维数变化和延迟时间变化趋于恒定;与BP、RBF和SVM相比,CSVM具有所需支持向量少,收敛速度快,准确性高等特点.     

基于小波神经网络的混沌时间序列分析与相空间重构

探讨了小波神经网络在混沌时间序列分析与相空间重构中的应用,通过混沌时间序列单步预测与多步预测的例子,比较了小波神经网络与MLP的逼近和收敛性能,对最近提出的一种多分辨率学习策略进行了改进,利用连续3次样条小和正交Daubechies小波代替Haar小波对时间序列做小波分解;用改进的学习算法训练网络并应用到混沌序列相空间重构中,实验结果表明,小波神经网络比MLP和ARMA模型具有更强大的逼近能力,因而十分适合应用于时间序列分析中;多分辨率学习算法可作为分析复杂混沌时间序列的一种重要工具。     

微熵率重构相空间混沌时序预测研究

目前对混沌时间序列的预测研究大多建立在相空间重构基础之上.然而在重构相空间时,需要选取两个参数即延迟时间与嵌入维数,引入微熵率最小的原则选取这两个参数.在重构相空间后,利用LS-SVR对混沌时间序列进行预测研究.并在MATLAB200b环境下建立混沌时间序列的预测模型.利用Mackey-Glass混沌时间序列与工作面瓦斯涌出量混沌时间序列数据对算法进行验证.结果表明,在熵率最小的原则下确定的嵌入维数与延迟时间其几何意义明确,通过编程实现简单明了.而在此基础上重构的相空间中,利用LS-SVR预测模型的预测效果较好,而对实际现场瓦斯突出在短期内的预测,也得到了较高的精度.     

基于泛函网络的周期来压预测方法研究

为预测周期来压,构建了基于小波和混沌优化的泛函网络(FN)预测方法。该方法利用小波分解技术将所选的样本集数据分解成不同频率的分量。基于混沌理论对分量相空间进行重构。各重构分量分别使用FN模型进行训练。最后,将各个FN模型得到的预测分量进行小波重组,得到完整的周期来压荷载预测波形。通过在重构时的计算发现,荷载的时序序列有一定的混沌性。通过模拟并与3种其它模型进行比较发现,基于小波和混沌优化FN的预测模型得到的最终周期来压荷载波的精度更高,收敛性也较好,但是,时间成本较大。     

稀疏贝叶斯及其在时间序列预测中的应用

阐述了稀疏贝叶斯方法在时间序列预测中应用的理论基础,将稀疏贝叶斯方法应用于Logistic方程产生的混沌时间序列和发动机油滑数据的预测,并与支持向量机（SVM）和RBF神经网络时间序列预测进行了比较.实验结果表明,稀疏贝叶斯方法不仅具有SVM的性能,而且比SVM使用更少的核函数,取得了较好的预测效果.     

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。     

基于小波神经网络的流量混沌时间序列预测

在Takens提出的相空间重构模型基础上,应用小波变换对其进行改进,充分考虑噪声对重构结果的影响。将小波神经网络混沌时间序列预测方法引入网络流量预测中,介绍小波神经网络的基本构造和学习方法。实验表明,与RBF神经预测方法相比,小波神经网络预测方法的逼近效果更好、误差更小。     

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.     

高斯小波支持向量机的研究

证明了偶数阶高斯小波函数满足支持向量机的平移不变核函数条件．应用小波核函数建立了相应的高斯小波支持向量机,并且使用云遗传算法对支持向量机及其核函数的参数进行优化．用该算法与常用的高斯核和Morlet小波核支持向量机进行对比实验．通过对非线性函数的逼近和电力系统短期负荷的预测,验证了该算法的有效性和优越性,表明其具有一定的实用价值．     

GARCH prediction using spline wavelet support vector machine

Volatility forecasting is vital important in finance to reduce risk and take better decisions. This paper proposes a spline wavelet support vector machine (SWSVM) to forecast the volatility of financial time series based on generalized autoregressive conditional heteroscedasticity model. An admissible spline wavelet kernel is constructed by incorporating the wavelet technique and spline theory into support vector machine (SVM). Since spline wavelet function can yield features that describe the stock time series both at various locations and at varying time granularities, the SWSVM gains the cluster feature of volatility well. Compared with Gaussian kernel in the standard SVM, the applicability and validity of spline wavelet kernel in SWSVM are confirmed through computer simulations and experiments on real-world stock data.     

Forecasting volatility based on wavelet support vector machine

One of the challenging problems in forecasting the conditional volatility of stock market returns is that general kernel functions in support vector machine (SVM) cannot capture the cluster feature of volatility accurately. While wavelet function yields features that describe of the volatility time series both at various locations and at varying time granularities, so this paper construct a multidimensional wavelet kernel function and prove it meeting the mercer condition to address this problem. The applicability and validity of wavelet support vector machine (WSVM) for volatility forecasting are confirmed through computer simulations and experiments on real-world stock data.     

基于鲁棒小波ν-支持向量机的产品销售预测模型

针对产品销售时序具有正态高斯分布、幅值较大、奇异点等混合噪音, 设计一种鲁棒损失函数, 并采用小波核函数, 由此得到一种新的小波ν-支持向量机, 即鲁棒小波ν-支持向量机(Robust wavelet ν-support vector machine, RWν-SVM). 它可以有效地压制销售时序的多种噪音和奇异点, 具有很强的鲁棒性, 而且它比标准小波ν-支持向量机(Wν-SVM)具有更简洁的对偶优化问题. 最后进行了汽车销售预测的实例分析, 结果表明基于RWν-SVM的预测模型是有效可行的.     

基于混合核支持向量机的金融时间序列分析

核函数是支持向量机（SVM）的重要部分,它直接影响到SVM的各项性能。当前SVM在金融时间序列分析中,基本上采用高斯径向核函数（RBF）,其次才是多项式核函数。然而,每种核函数都有它的优势和不足,整合两个或多个核函数对于学习能力和泛化能力的提高是一个有效的途径。采用高斯径向核函数与多项式核函数的混合核函数运用于金融时间序列预测中,且与其单个核函数的支持向量机的实验结果进行了比较。结果表明,混合核函数具有更好的性能。     

Automatic time series analysis for electric load forecasting via support vector regression

In this work, a strategy for automatic lag selection in time series analysis is proposed. The method extends the ideas of feature selection with support vector regression, a powerful machine learning tool that can identify nonlinear patterns effectively thanks to the introduction of a kernel function. The proposed approach follows a backward variable elimination procedure based on gradient descent optimisation, iteratively adjusting the widths of an anisotropic Gaussian kernel. Experiments on four electricity demand forecasting datasets demonstrate the virtues of the proposed approach in terms of predictive performance and correct identification of relevant lags and seasonal patterns, compared to well-known strategies for time series analysis designed for energy load forecasting and state-of-the-art strategies for automatic model selection.     

基于支持向量机的电力市场价格预测中的核函数比较

电价预测是电力市场中的一个重要研究课题。支持向量机(SVM)已被广泛应用于这一领域。然而,电力市场电价的高波动性和随机性等特征给支持向量机核函数的选择带来了挑战。本文在选择不同核函数的基础上,分别建立两个电力价格预测模型,并用真实电力市场价格数据对两个模型进行验证。实验结果表明,与其他支持向量机预测研究相比,本文精心选...     

基于小波变换和混沌理论的复杂系统状态预测方法研究

应用小波变换和混沌理论对复杂系统状态预测方法进行了研究．首先，应用小波变换对系统的特征参数序列进行分解，得到低频部分和高频部分．然后，对低频部分和高频部分做进一步分析，以确认低频部分和高频部分都存在混沌特性．再应用混沌理论分别建立低频部分和高频部分的预测模型，对低频部分和高频部分进行预测．最后，应用小波理论对混沌模型预测的结果予以重构，实现对系统特征参数序列的预测．实例研究表明，此方法具有较高的预测精度，可有效地应用于复杂系统的状态预测和故障趋势预测分析．     

Q-高斯核支持向量机的财务危机预报

针对科学实践、经济生活等诸多领域数据分布相对复杂的分类问题,使用传统支持向量机(SVM)无法很好地刻画其变量间的相关性,从而影响分类性能。对于这一情况,提出使用经典高斯函数的参数推广形式--Q-高斯函数作为SVM的核函数构建财务危机预警模型。结合沪深股市A股制造业上市公司的财务数据分别建立T-2和T-3财务预警模型进行实证分析,采用显著性检验筛选出合适的财务指标并利用交叉验证方法确定模型参数。相比高斯核SVM财务危机预警模型,使用Q-高斯核SVM建立的T-2和T-3模型的预报准确率都提高了大约3%,而且成本较高的第Ⅰ类错误最多降低了14.29%。     

Wavelet kernel support vector machines forecasting techniques: Case study on water-level predictions during typhoons

This paper presents a novel algorithm, wavelet support vector machines (wavelet SVMs), for forecasting the hourly water levels at gauging stations. These stations are under strong precipitations and affected by tidal effects during typhoons. An admissible wavelet kernel SVMs implements the combination of wavelet technique with SVMs. The wavelet is a multi-dimension wavelet function that can approximate arbitrary nonlinear functions. Using both classical Gaussian and wavelet SVMs, this study constructed the channel level models for forecasting downstream water levels. The developed models were then applied to the Tanshui River Basin in Taiwan and the water levels at various lag times predicted by both Gaussian and wavelet SVMs were compared. Analysis results showed that the optimal situation occurred at the lag time of 3 h with relative mean square errors (RMSEs) of 0.205 and 0.160 m obtained by the Gaussian and wavelet SVMs, respectively at Taipei Bridge station and RMSEs of 0.154 and 0.092 m at Tudigong station, respectively. As seen in the comparison, wavelet SVMs yielded more accurate predictions than Gaussian SVMs and offered a practical solution to the problem of water-level predictions during typhoon attacks.