收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于Online SVR的在线时间序列预测方法及其应用研究

刘大同  
【摘要】: 近年来在线时间序列分析和预测技术逐渐受到国内外研究者的重视,成为一个具有重要理论和应用价值的研究热点。基于在线支持向量回归(Online Support Vector Regression, Online SVR)的时间序列预测方法凭借其良好的统计理论基础和应用效果,已经成为时间序列分析技术研究领域的主要发展方向,并逐步在各个应用领域得到推广。 Online SVR算法作为一种在线回归建模方法,能够实现模型在线动态更新,但是,其算法计算复杂度较高,还难以充分满足现实应用中各类在线预测问题对于效率的要求。鉴于此,针对核函数类型及样本规模对于算法预测性能的影响,本文从核函数组合、样本缩减两个方面开展基于Online SVR在线时间序列预测方法及应用的研究。论文的主要研究工作包括以下几个方面的内容: 1.针对不同类型核函数对于在线时间序列预测精度的影响,提出一种基于全局和局部核函数组合的Online SVR预测方法。该方法利用全局核函数良好的趋势拟合特性和局部核函数较强的邻域非线性逼近能力,提高在线时间序列预测精度。实验表明,采用该方法可以获得较单一特性核函数更高的预测精度。 2.针对核函数组合Online SVR算法运算效率较低的问题,提出一种基于在线残差预测修正的局部Online SVR算法。该算法首先采用离线全局核函数SVR算法建模,然后利用局部核函数Online SVR对模型残差建模,并进行在线预测修正,从而通过离线与在线方法的组合,达到降低计算复杂度、提高预测精度和算法执行效率的目的。实验表明,相比于单一核函数和核函数组合Online SVR方法,新算法可以获得更快的执行效率。 3.针对支持向量样本有效性对Online SVR算法性能的影响,提出一种基于加速减量的Online SVR算法。该算法通过有选择性加速“遗忘”策略改进减量训练算法,实现在线样本规模缩减,降低算法复杂度。实验表明,采用该算法可以在保持Online SVR算法预测精度基本不变的前提下,有效地提高在线时间序列建模和预测的效率。 4.针对Online SVR算法缩减在线样本规模所导致的模型泛化能力减弱和预测精度下降问题,提出一种分段Online SVR算法,通过选取最优子分段Online SVR模型预测输出,实现在线样本规模的缩减,并充分保留样本的历史知识,以提高算法的泛化能力。实验表明,采用该算法可以在保持较高预测效率的条件下,有效地提高在线时间序列预测精度。 5.针对缩减在线样本规模损失了时间序列趋势特性的预测问题,提出一种基于时间序列多尺度分析的并行预测方法。该方法通过时间序列多尺度数据重构,以实现样本规模的缩减,并利用多个Online SVR模型并行建模训练,选择最优Online SVR模型预测输出,有效降低在线样本规模和提高预测精度。实验表明,采用该算法可以有效提高在线预测精度。 6.为了验证本文所提出的各种在线时间序列预测算法的有效性和实用价值,针对在线故障预测和移动通信网络话务流量预测研究领域的两个应用问题,提出了两种应用解决方案,并进行了实验验证和测试。实际结果表明,本文所提出的各类方法,可有效地应用于实际的在线时间序列预测,并能够获得良好的预测效能。


知网文化
【相似文献】
中国期刊全文数据库 前20条
1 侯福均,吴祈宗;基于BP-SA混合优化策略的铁路货运量时间序列预测[J];铁道运输与经济;2003年10期
2 郭辉;王玲;刘贺平;;基于核主成分分析与最小二乘支持向量机结合处理时间序列预测问题[J];北京科技大学学报;2006年03期
3 潘维民,沈理;基于神经网络的时间序列动态预测器的调整学习算法[J];电子学报;1999年11期
4 周辉仁;郑丕谔;;基于递阶遗传算法和BP网络的时间序列预测[J];系统仿真学报;2007年21期
5 侯建国;;一种基于BP算法学习的小波神经网络[J];煤炭技术;2009年08期
6 徐鹏飞;李炜;郑华;吴建国;;神经网络在时间序列预测中的应用研究[J];电子技术;2010年08期
7 朱家元;段宝君;张恒喜;;新型SVM对时间序列预测研究[J];计算机科学;2003年08期
8 曲文龙;樊广佺;杨炳儒;;基于支持向量机的复杂时间序列预测研究[J];计算机工程;2005年23期
9 纪玲玲;林振山;王昌雨;张志华;;最小二乘回归支持向量机对非线性时间序列预测的试验分析[J];解放军理工大学学报(自然科学版);2009年01期
10 杨久婷;张海望;;基于小波分解与自回归树的时间序列预测新方法[J];科技信息;2009年31期
11 贾澎涛;何华灿;刘丽;孙涛;;时间序列数据挖掘综述[J];计算机应用研究;2007年11期
12 白洋;刘松涛;;一种预测节日短信峰值发送量的方法[J];通信管理与技术;2009年02期
13 王晓兰;康蕾;;增量式剪枝最小二乘支持向量机的时间序列预测[J];微型电脑应用;2009年06期
14 周咏梅,阳爱民;基于进化式模糊神经网络的时间序列预测系统[J];微机发展;2004年06期
15 严修红;许伦辉;董世畅;;基于数据预处理灰色神经网络组合和集成预测[J];智能系统学报;2007年04期
16 巫红星;黄文君;;时间序列动态学习率神经网络模型及其初步试验[J];沙漠与绿洲气象;2008年03期
17 张宁;许承权;薛小铃;郑宗华;;基于最小二乘支持向量机的短期负荷预测模型[J];现代电子技术;2010年18期
18 汤九斌,孙明明,陆建峰,杨静宇;基于EPNET模型和多期预测的时间序列预测[J];计算机应用;2004年04期
19 夏国恩;曾绍华;金炜东;;支持向量回归机在铁路客运量时间序列预测中的应用[J];计算机应用研究;2006年10期
20 周辉仁;郑丕谔;;LS-SVM的参数优选及铁路客运市场预测[J];计算机工程与应用;2007年30期
中国重要会议论文全文数据库 前10条
1 刘琼;任福继;;股市预测算法及分析结果的自然语言生成[A];科技、工程与经济社会协调发展——中国科协第五届青年学术年会论文集[C];2004年
2 纪玲玲;林振山;曹丽青;;最小二乘回归支持向量机对非线性时间序列预测的试验分析[A];中国气象学会2007年年会天气预报预警和影响评估技术分会场论文集[C];2007年
3 王钰;宋华文;沈寿林;龚传信;;利用时间序列神经网络预测军械装备购置费[A];1999年中国智能自动化学术会议论文集(上册)[C];1999年
4 王栋;陈勇;徐建良;;基于预测的BitTorrent种子评估方法[A];2008'中国信息技术与应用学术论坛论文集(二)[C];2008年
5 朱佳;王振会;金天力;郝晓静;;基于WT-LSSVM的大气臭氧含量时间序列预测[A];2009第五届苏皖两省大气探测、环境遥感与电子技术学术研讨会专辑[C];2009年
6 王建州;车金星;梁锦兆;;一种基于SOM聚类和RBF网络的模糊模型识别系统(英文)[A];第六届全国信息获取与处理学术会议论文集(2)[C];2008年
7 王炜;刘悦;林命周;马钦忠;赵利飞;;中国大陆强震时间序列预测的支持向量机方法[A];地震海啸与地震预报实验场学术研讨会摘要集[C];2005年
8 张利;李星毅;施化吉;;一种基于ARIMA模型的短时交通流量改进预测算法[A];2007第三届中国智能交通年会论文集[C];2007年
9 殷礼胜;胡启洲;吴磊;;交通流量FIRTF神经网络模型及其预测研究[A];PCC2009—第20届中国过程控制会议论文集[C];2009年
10 殷礼胜;江琦;胡启洲;;基于混沌算法的交通流量小波神经网络及预测研究[A];PCC2009—第20届中国过程控制会议论文集[C];2009年
中国博士学位论文全文数据库 前10条
1 王建民;基于回声状态网络的非线性时间序列预测方法研究[D];哈尔滨工业大学;2011年
2 杨金芳;支持向量回归在预测控制中的应用研究[D];华北电力大学(河北);2007年
3 段江娇;基于模型的时间序列数据挖掘[D];复旦大学;2008年
4 殷礼胜;交通流量时间序列混沌特性分析及预测研究[D];重庆大学;2007年
5 潘冠宇;基于粗糙集和群体智能的数据挖掘方法研究[D];吉林大学;2007年
6 李洋;小波过程神经网络相关理论及其应用研究[D];哈尔滨工业大学;2008年
7 郭刚;股票智能预测决策研究及应用[D];西北工业大学;2000年
8 徐建;软件抗衰的若干关键技术研究[D];南京理工大学;2006年
9 赵亮;基于协同PSO算法的模糊辨识与神经网络学习[D];上海交通大学;2009年
10 韩飞;基于先验信息编码的约束学习算法研究[D];中国科学技术大学;2006年
中国硕士学位论文全文数据库 前10条
1 宋玉强;人工神经网络在时间序列预测中的应用研究[D];西安建筑科技大学;2005年
2 秦鹏;基于Bayes网的时间序列预测[D];重庆大学;2007年
3 张文哲;电力系统短时负荷预测模型研究[D];重庆大学;2004年
4 李大利;一种时间序列预测方法的应用研究[D];吉林大学;2008年
5 张海望;基于小波消噪与BP神经网络的太阳黑子时间序列预测[D];东北师范大学;2009年
6 廖勇;基于基因表达式编程的股票指数和价格时间序列分析[D];四川大学;2005年
7 唐延芳;灌溉用水量预测方法的研究[D];沈阳农业大学;2007年
8 时锋;面向流动工程的物资管理系统的设计[D];山西财经大学;2008年
9 康蕾;Cu-Zr-Al非晶合金晶化过程电特性预测模型研究[D];兰州理工大学;2009年
10 徐恺;基于支持向量机的股指时间序列预测[D];西南交通大学;2008年
中国重要报纸全文数据库 前1条
1 ;基于数量化方法对未来经济增长趋势的预测[N];第一财经日报;2009年
中国知网广告投放
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978