基于SVR與半監(jiān)督學(xué)習(xí)的時(shí)間序列預(yù)測(cè).pdf

1、支持向量機(jī)(Support Vector Machine,SVM)是一種有監(jiān)督的高效機(jī)器學(xué)習(xí)方法,以 SVM為基礎(chǔ)的回歸算法被稱為支持向量機(jī)回歸( Support Vector Regression,SVR),SVR的非線性時(shí)間序列預(yù)測(cè)是智慧預(yù)測(cè)的重要前沿課題。本文在分析了標(biāo)準(zhǔn)SVR應(yīng)用于非線性時(shí)間序列預(yù)測(cè)的算法之后,針對(duì)隧道數(shù)據(jù)的特性,對(duì)預(yù)測(cè)方法做出了幾點(diǎn)改進(jìn)。
　　在隧道中常常設(shè)置多組傳感器來采集數(shù)據(jù),傳統(tǒng)的預(yù)測(cè)方法一般是只對(duì)

2、一個(gè)傳感器采集到的數(shù)據(jù)進(jìn)行預(yù)測(cè)和分析,并沒有充分考慮其預(yù)測(cè)器精度對(duì)預(yù)測(cè)結(jié)果的影響。本文選取隧道中位置比較相近的幾個(gè)傳感器的數(shù)據(jù)分別訓(xùn)練其對(duì)應(yīng)的預(yù)測(cè)器,然后計(jì)算每個(gè)預(yù)測(cè)器的置信度,選取高置信度的預(yù)測(cè)器的預(yù)測(cè)結(jié)果用來分析隧道內(nèi)的安全狀況。通過實(shí)驗(yàn)證明,高置信度的預(yù)測(cè)器相對(duì)來說具有較高的準(zhǔn)確性。
　　預(yù)測(cè)領(lǐng)域中,長(zhǎng)期預(yù)測(cè)一直是研究的熱點(diǎn)。一般的SVR預(yù)測(cè)器只能進(jìn)行單步預(yù)測(cè),無法進(jìn)行準(zhǔn)確的長(zhǎng)期預(yù)測(cè)。本文將半監(jiān)督學(xué)習(xí)與SVR相結(jié)合,改進(jìn)了半

3、監(jiān)督預(yù)測(cè)方法,利用當(dāng)前數(shù)據(jù)訓(xùn)練一個(gè)SVR全局預(yù)測(cè)器,再利用歷史同期數(shù)據(jù)進(jìn)行局部預(yù)測(cè),對(duì)當(dāng)前數(shù)據(jù)的預(yù)測(cè)結(jié)果進(jìn)行修正與平滑。這樣就通過歷史數(shù)據(jù)的補(bǔ)充,提高了長(zhǎng)期預(yù)測(cè)的準(zhǔn)確性。
　　半監(jiān)督預(yù)測(cè)器的學(xué)習(xí)需要進(jìn)行反復(fù)的迭代訓(xùn)練,時(shí)間消耗比較大。為了減少時(shí)間消耗,本文在半監(jiān)督預(yù)測(cè)的基礎(chǔ)上,通過考慮訓(xùn)練樣本間的幾何關(guān)系,將當(dāng)前數(shù)據(jù)樣本與歷史同期數(shù)據(jù)樣本進(jìn)行組合與變換,之后利用最大均值差異(Maximum Mean Discrepancy,MMD