论文部分内容阅读
基于数据的机器学习是现代智能技术中的一个重要方法。统计学习理论是一种建立在一套较坚实的理论基础之上的、专门研究小样本情况下机器学习规律的理论。它为解决有限样本学习问题提供了一个统一的框架,也发展了一种新的通用的学习方法-支持向量机(SVM),较好地解决小样本学习问题。与神经网络等其它学习方法相比,它的结构通过自动优化的方法计算出来,并且避免了局部最小点和过学习等缺陷。
时间序列具有随机性、复杂性和非线性,由于时间序列样本十分有限,利用传统的时间序列模型在描述时间序列问题上比较困难,而支持向量回归机(SVR)则非常适合这种小样本数据的训练和预测。
本文主要研究面向时间序列的SVR模型。首先,根据时间序列的特点,通过重构时间序列相空间形成SVR模型所需的输入向量,其次,结合时间序列的不同时间点所对应的值对于将要预测的时间点的取值有不同重要性的特点,提出基于特征加权的SVR来改善SVR在预测时间序列上的效果。最后,在参数选择上,采用具有时间序列特性的交叉验证方法。实验结果表明,使用文中的面向时间序列的SVR模型能够得到更好的预测结果。