基于改进的SVR模型在年降水量预测中的应用

鉴于降水量数据的高维非线性性和周期性,建立了支持向量回归(SVR)预测模型用于降水量预测,由于对该模型输入特征的选取极为重要,因此提出了一种基于季节自回归(SARI)的输入特征选取方法.利用已有的降水量数据建立SARI模型,通过观察模型表达式提取建立SVR模型所需的输入特征用于训练支持向量机,并通过网格参数寻优法确定SVR模型的参数,进行降水量预测.实例分析中,应用此模型对黄土丘陵半干旱区域的降水量进行预测,将预测结果与季节时间序列(SARIMA)模型的预测结果进行对比,结果表明,模型具有更高的预测精度和拟合优度,可以用于降水量的预测.     

基于PCA与NSSVR的人口老龄化研究

基于非线性光滑支持向量回归机研究了人口老龄化问题.首先介绍了非线性光滑支持向量回归机(NSSVR);其次,提出了人口老龄化影响体系,利用主成分分析(PCA),在体系基础上提取出对老龄化影响明显的9个指标;再次,通过非线性光滑支持向量回归机模型建立了老龄化率与9个影响指标间的相互关系;最后,用非线性光滑支持向量回归机模型对未来人口老龄率进行预测.实证表明,方法具有很好的预测效果.     

优化支持向量机在降水预报中的应用

利用粒子群优化算法对支持向量机参数进行优化,主成分分析法对众多的降水因子进行特征提取,将取得的主成分作为优化支持向量机的特征向量建立优化支持向量机降水预测模型,并对广西降水进行预测.仿真结果表明,粒子群优化支持向量机的预测结果与降水实际值有很好的一致性,通过与其他模型进行比较,表明了模型拟合和泛化能力方面的优越性.     

基于主成分分析的支持向量机模型对上海房价的预测研究

采用基于主成分分析的支持向量机方法对上海房价进行预测.首先利用主成分分析法对原始数据进行降维处理,然后利用具有高水平的小样本学习能力的支持向量机进行预测模型的建立,对上海房价进行预测.实证显示,经过主成分分析的支持向量机模型能够较好地处理复杂的房地产数据,具有较高的预测能力,为上海房地产业的发展提供参考.特别地,该模型可以普遍应用于影响因素众多,时效性较强的短期小样本数据问题的预测,具有较高的泛化能力和很好的预测精度.     

基于网络舆情支持向量机的股票价格预测研究

提出一种基于网络舆情和股票技术指标数据的支持向量机回归模型(NPOSVM),提高了股票价格的预测精度.模型首先将抓取的微博、股吧等股评观点分为正面和负面两类,计算正面观点所占的比例作为网络舆情,然后对网络舆情和股票技术指标数据作主成分分析,最后对保留的主成分运用支持向量机回归建模预测.实证分析国药股份(SH600511),仿真结果表明网络舆情与股票价格之间的相关系数为0.76;基于股票技术指标数据的支持向量机回归模型(TI-SVM)预测平均相对误差为1.29%、趋势准确率为57.14%,而NPO-SVM预测平均相对误差为0.66%、趋势准确率为71.43%.于是证明,NPO-SVM模型显著地提高了预测精度,是一种有效的预测股票价格的模型.     

基于支持向量回归机的水文混沌时间序列预测

支持向量机在系统辨识和分类研究方面比较成熟,目前尚没有提出有效的支持向量回归理论来解决非线性、时变、干扰的复杂问题.支持向量回归机主要用于因果关系点对的回归预测,把支持向量回归机应用于水文混沌时间序列的预测研究是一个有意义的工作.在支持向量机一般理论基础上,提出了水文混沌时间序列支持向量回归机模型,并就模型进行仿真计算,讨论了模型参数对支持向量回归机预测精度的影响,为模型参数寻优提供一般指导原则.直门达水文站径流量混沌时间序列支持向量回归机预测实验表明,水文混沌时间序列支持向量回归机模型是有效的.     

基于SVR的RAR区域经济预测模型

由于区域经济系统中许多经济变量呈现出强非线性与大波动性的特征,使得传统的时间序列线性建模和预测技术难以适应区域经济预测的要求.为此,提出基于支持向量机改进的残差自回归区域经济预测模型.首先采用时间序列分析中的残差自回归模型对时间序列趋势进行线性拟合,然后对残差自回归模型估计后的残差序列采用支持向量回归方法再次提取其非线性特征,从而提高区域经济时间序列模型的预测精度.最后以广东省GDP的预测实例说明模型的有效性.     

基于支持向量机的中国工业增加值预测研究

工业增加值是衡量一个国家工业发展水平的重要指标。由于其受多种因素影响，对其预测相对困难。本文提出运用时间序列预测方法对其预测，并利用支持向量机和微分进化算法（differential evolution，DE）相结合的方法对中国工业增加值数据进行预测。数据仿真显示该模型比核主成分分析的最小二乘支持向量机（KPCA-LS-SVM）以及岭回归（ridge regression，RR）具有更高的预测精度。     

基于支持向量机的神经元形态分类

针对神经元的空间几何形态特征分类问题以及神经元的生长预测问题进行了探讨.结合神经元的形态数据,分别建立了基于支持向量机的神经元形态分类模型、基于主成分分析和支持向量机的神经元分类模型以及基于遗传算法和RBF网络的神经元生长预测模型,在较合理的假设下,对各个模型进行求解,得到了较理想的结果.     

基于过程支持向量回归机的油田开发指标预测模型

针对传统支持向量回归机在机制上难以直接对时变信号进行处理,提出了一种用.于时间序列预测的过程支持向量回归模型,面向油田开发指标综合分析预测等问题,提出了一种过程支持向量回归机模型,建立了基于涡流搜索的优化学习算法,方法可综合历史数据和开发条件,实现对油田开发指标的预测.     

基于核主元分析的带可变惩罚因子最小二乘模糊支持向量机模型及其在信用分类中的应用

信用分类是信用风险管理中一个重要环节,其主要目的是根据信用申请客户提供的资料从申请客户中区分出可信客户和违约客户,以便为信用决策者提供决策依据.为了正确区分不同的信用客户,特别是违约客户,结合核主元分析和支持向量机算法构造基于核主元分析的带可变惩罚因子最小二乘模糊支持向量机模型对信用数据进行了分类处理.在基于核主元分析的带可变惩罚因子最小二乘模糊支持向量机模型中,首先对样本数据进行预处理,然后利用核主元分析以非线性方式降低数据的维数,最后利用带可变惩罚因子最小二乘模糊支持向量机模型对降维后数据进行分类分析.为了验证,选择两个公开的信用数据集来进行实证分析.实证结果表明：基于核主元分析的带可变惩罚因子最小二乘模糊支持向量机模型取得了较好的分类结果,可为信用决策者提供重要的决策参考依据.     

Time series of functional data with application to yield curves

We develop time series analysis of functional data observed discretely, treating the whole curve as a random realization from a distribution on functions that evolve over time. The method consists of principal components analysis of functional data and subsequently modeling the principal component scores as vector autoregressive moving averag (VARMA) process. We justify the method by showing that an underlying ARMAH structure of the curves leads to a VARMA structure on the principal component scores. We derive asymptotic properties of the estimators, fits, and forecast. For term structures of interest rates, these provide a unified framework for studying the time and maturity components of interest rates under one setup with few parametric assumptions. We apply the method to the yield curves of USA and India. We compare our forecasts to the parametric model that is based on Nelson‐Siegel curves. In another application, we study the dependence of long term interest rate on the short term interest rate using functional regression.     

基于粒子群-支持向量机定量降水集合预报方法

首先对ECMWF不同物理量场预报因子群进行自然正交展开,选取能充分反映每个预报因子场主要信息的第一主分量作为模型输入.进一步利用粒子群算法对支持向量回归机的相关参数进行优化,以南宁市8个气象站单站逐日降水作为预报对象,建立粒子群-支持向量回归集合预报模型,进行单站逐日降水的数值预报产品释用预报方法研究.利用模型对2015年5-6月南宁市8站进行了逐日降水预报业务试验,结果表明,模型具有较好的预报效果.并提出了利用隶属函数建立可信度函数对不同的预报模型进行评价.     

基于主成分分析和支持向量机的威胁判断模型

目标威胁判断是防空作战中一项重要内容,在建立目标威胁模型时,首先要挑选特征参数,分析了影响威胁度的若干因素.这里采用主成分分析方法选择目标的特征参数;利用支持向量机建立了威胁判断模型,通过实例与神经网络法的结果进行了比较,结果表明支持向量机比较精确和简单.     

部分线性模型在北京市税收分析和预测中的应用

首先运用主成分分析方法对北京市经济指标数据进行降维处理,然后基于降维后的数据拟合部分线性模型.将拟合后的模型对2008年北京市税收进行预测,所得结果优于常用的逐步线性回归分析方法的预测结果.     

基于核主元提取的支持向量机辨识

将一种基于特征提取的ε-不灵敏支持向量机方法用于非线性系统辨识.对输入输出数据首先进行核主元特征提取,将特征提取后的数据作为支持向量机的训练数据.将该方法与基于主元特征提取的方法和直接应用ε-不灵敏支持向量机的方法进行含噪和不含噪情况下的仿真比较,结果表明,方法的拟合性能和抗干扰能力优于其他两种方法.     

Principal Components in Time Series Forecast

Abstract

This article describes a time series forecast method based on the principal component analysis applied to the data matrix derived from the initial time series.     

基于向量值有理插值的最优预测算法研究及陶瓷需求量预测的应用

通过对高维数据整体表达式建模预测方法和分区间等预测算法的缺陷分析,提出基于向量值有理插值的最优预测算法,通过有理向量插值函数和各分量的误差限得到向量之间的相似性,克服了其它很多算法利用向量的整体表达式方法而产生预测的偏差;另外,通过向量的误差限与训练样本所得向量值有理插值函数及迭代仿真方法来确定预测样本向量所对应的最优预测值.通过实例,算法所得预测值的精度比其他算法更高,并且分析了误差限和迭代步长对算法性能的影响.     

基于PCA-GA-SVM的火成岩分类方法研究

在地质科学中,正确的岩石分类有助于研究岩石的成因、形成条件、演化过程和工程设计等.由于地质条件的多样性、变异性及复杂性,人们很难对岩石样本进行准确的分类.通过主成分分析法(PCA)从影响火成岩分类的众多氧化物评价指标中提取出主成分,用遗传算法(GA)优化支持向量机参数,并采用支持向量机方法(SVM)对实际火成岩公开数据进行训练,建立了火成岩岩石分类的PCA-GA-SVM模型,同时结合火成岩实际数据将预测结果和基于Levenberg-Marquardt算法改进的BP神经网络模型(LM-BP)的预测结果做了比较.结果表明:基于PCA-GA-SVM模型得到的火成岩分类预测结果精度较LM-BP神经网络有很大的提高,与实际分类相符,有广泛的应用前景.