基于BBN-SVM和PCV的多變量時(shí)間序列預(yù)測算法研究.pdf

1、時(shí)間序列預(yù)測在生活和工農(nóng)業(yè)生產(chǎn)中扮演著越來越重要的角色，它的應(yīng)用遍及很多領(lǐng)域，極大地推動了各個(gè)領(lǐng)域的發(fā)展。支持向量機(jī)(SVM)是基于統(tǒng)計(jì)學(xué)習(xí)理論的方法，由于其具有全局最優(yōu)、泛化能力強(qiáng)的優(yōu)點(diǎn)，被應(yīng)用到很多領(lǐng)域。
　　 目前使用SVM進(jìn)行時(shí)間序列預(yù)測大部分采用單一變量進(jìn)行預(yù)測，然而僅由單一變量建立的預(yù)測模型并不能很好地刻畫時(shí)間序列的變化趨勢。針對這一問題，文章提出多變量的時(shí)間序列預(yù)測方法，來提高預(yù)測精度。主要引入貝葉斯網(wǎng)進(jìn)行數(shù)據(jù)的分

2、析以選擇多變量。通過貝葉斯網(wǎng)結(jié)構(gòu)學(xué)習(xí)生成貝葉斯網(wǎng)模型，然后根據(jù)該模型選擇預(yù)測變量的相關(guān)變量集，進(jìn)行訓(xùn)練。這種方法可以有效地考慮變量之間的相互影響作用，提高預(yù)測精度。
　　 支持向量機(jī)的參數(shù)選擇優(yōu)劣決定其泛化能力，如何選擇最佳的參數(shù)組合使得支持向量機(jī)的訓(xùn)練模型更優(yōu)是當(dāng)前的一個(gè)研究熱點(diǎn)。本文設(shè)計(jì)了并行K折交叉驗(yàn)證算法(PCV algorithm)。該算法基于MPI編程模型，克服了傳統(tǒng)K折交叉驗(yàn)證方法在數(shù)據(jù)量很大的情況下效率低下的缺點(diǎn)

3、。算法在保證了參數(shù)優(yōu)化選擇能力的前提下，極大地提高了算法的時(shí)間效率。
　　 文章討論對比了幾種基本核函數(shù)，重點(diǎn)對比了多項(xiàng)式核函數(shù)和高斯徑向基核函數(shù)。在此基礎(chǔ)上，提出了組合核函數(shù)方法，并做了實(shí)驗(yàn)對比和分析。
　　 最后，應(yīng)用基于BBN-SVM的多變量時(shí)間序列預(yù)測算法和PCV算法對氣象時(shí)間序列和股市時(shí)間序列進(jìn)行預(yù)測，并對實(shí)驗(yàn)結(jié)果進(jìn)行分析。實(shí)驗(yàn)結(jié)果表明，該算法將預(yù)測平均誤差控制到10％以內(nèi)，具有更好的泛化能力，并行K折交叉驗(yàn)證