基于SVR與半監(jiān)督學習的時間序列預測.pdf

1、支持向量機(Support Vector Machine,SVM)是一種有監(jiān)督的高效機器學習方法,以 SVM為基礎的回歸算法被稱為支持向量機回歸( Support Vector Regression,SVR),SVR的非線性時間序列預測是智慧預測的重要前沿課題。本文在分析了標準SVR應用于非線性時間序列預測的算法之后,針對隧道數(shù)據(jù)的特性,對預測方法做出了幾點改進。
　　在隧道中常常設置多組傳感器來采集數(shù)據(jù),傳統(tǒng)的預測方法一般是只對

2、一個傳感器采集到的數(shù)據(jù)進行預測和分析,并沒有充分考慮其預測器精度對預測結(jié)果的影響。本文選取隧道中位置比較相近的幾個傳感器的數(shù)據(jù)分別訓練其對應的預測器,然后計算每個預測器的置信度,選取高置信度的預測器的預測結(jié)果用來分析隧道內(nèi)的安全狀況。通過實驗證明,高置信度的預測器相對來說具有較高的準確性。
　　預測領域中,長期預測一直是研究的熱點。一般的SVR預測器只能進行單步預測,無法進行準確的長期預測。本文將半監(jiān)督學習與SVR相結(jié)合,改進了半

3、監(jiān)督預測方法,利用當前數(shù)據(jù)訓練一個SVR全局預測器,再利用歷史同期數(shù)據(jù)進行局部預測,對當前數(shù)據(jù)的預測結(jié)果進行修正與平滑。這樣就通過歷史數(shù)據(jù)的補充,提高了長期預測的準確性。
　　半監(jiān)督預測器的學習需要進行反復的迭代訓練,時間消耗比較大。為了減少時間消耗,本文在半監(jiān)督預測的基礎上,通過考慮訓練樣本間的幾何關系,將當前數(shù)據(jù)樣本與歷史同期數(shù)據(jù)樣本進行組合與變換,之后利用最大均值差異(Maximum Mean Discrepancy,MMD