论文部分内容阅读
本文主要对非平稳时间序列建模问题进行研究。首先，对建模的方法进行比较，通过实验确定采用具有全局最优解和较好泛化推广能力的支持向量回归技术进行建模。
其次，提出一种面向时间序列预测的支持向量回归模型参数选择方法。针对时间序列的特点，提出一种改进的交叉校验(cross-validation)的网格搜索(grid-search)方法，并通过对支持向量回归模型中的不敏感参数ε进行加权，来获得较优的支持向量回归模型参数。实验结果表明，使用该方法选择的参数构建模型，可以得到更好的预测结果。
最后，提出一种基于组合SVR的非平稳时间序列模糊建模方法。在对非平稳时间序列进行模糊分块和对传统的支持向量回归进行改进的基础上，通过启发式的加权方法将模糊分块的信息与SVR结合起来，通过多SVR组合的方式对非平稳时间序列建模。通过对典型的非平稳时间序列进行实验表明，所提方法适合于对非平稳时间序列进行建模，具有较高的模型精度。