資源描述：
《基于殘差預(yù)測修正的局部在線時(shí)間序列預(yù)測方法》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。
1、第12A期電子學(xué)報(bào)Vol.36No.12A2008年12月ACTAELECTRONICASINICADec.2008基于殘差預(yù)測修正的局部在線時(shí)間序列預(yù)測方法劉大同,彭宇,彭喜元(哈爾濱工業(yè)大學(xué)自動化測試與控制研究所,黑龍江哈爾濱150080)摘要:對于復(fù)雜的非線性和非平穩(wěn)時(shí)間序列預(yù)測,基本的支持向量回歸(SupportVecotrRegression,SVR)在線算法無法有效兼顧執(zhí)行效率和預(yù)測精度.本文首先采用局部SVR進(jìn)行時(shí)間序列建模預(yù)測,同步計(jì)算在線更新序列數(shù)據(jù)預(yù)測的殘差,并采用OnlineSVR對殘差序列進(jìn)行混沌時(shí)間序列預(yù)測,將預(yù)測殘差值實(shí)時(shí)補(bǔ)償?shù)骄植縎VR模型預(yù)測輸出
2、.實(shí)驗(yàn)結(jié)果表明,新方法在執(zhí)行效率和預(yù)測精度方面較單一OnlineSVR均顯著提高.關(guān)鍵詞:時(shí)間序列預(yù)測;在線預(yù)測;SVR;殘差中圖分類號:TP391文獻(xiàn)標(biāo)識碼:A文章編號:037222112(2008)12A2081205LocalOnlineTimeSeriesPredictionBasedontheResidualCompensationwithOnlineSVRLIUDa2tong,PENGYu,PENGXi2yuan(AutomaticTestandControlInstitute,HarbinInstituteofTechnology,Harbin,Heilongji
3、ang150080,China)Abstract:Forcomplicatednonlinearandnonstationarytimeseriesprediction,theprecisionwillbedecreasedifafasterpro2cessingspeedisreachedinonlineSVR.Anewtimeseriespredictionmethodisproposed.LocalSVRisfirstlyadoptedtomakepre2dictionofthetimeseries.Thentheforecastresidualwiththerealda
4、tastreamiscalculated.Finally,theresidualisestimatedwithon2lineSVRalgorithmtocompensatethepredictedvaluewiththelocalSVR.ExperimentalresultsshowedthattheproposedmethodoutperformedtheOnlineSVR.Keywords:timeseriesprediction;onlineprediction;SVR;residual很好的效果.SVR建立在統(tǒng)計(jì)學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小1引言化原理基礎(chǔ)上,能夠較好地解決小
5、樣本、非線性、高維數(shù)時(shí)間序列分析和預(yù)測在水文、天氣、電力、金融等領(lǐng)和局部極小等實(shí)際問題.但是SVR算法存在訓(xùn)練時(shí)間域應(yīng)用十分廣泛,可以為各種決策工作提供必要的參較長、模型更新訓(xùn)練計(jì)算量大等問題,不適用于在線問考,已逐漸成為數(shù)據(jù)挖掘研究的熱點(diǎn)問題之一,并得到題的處理.近期出現(xiàn)了很多在線SVR算法(比如增量訓(xùn)[1～3]越來越多研究者的關(guān)注.練算法、AOSVR等),可以在線學(xué)習(xí)和更新,適合解決時(shí)但是,隨著信息時(shí)代知識的爆炸性增長,許多時(shí)間間序列數(shù)據(jù)特性變化大、模型頻繁更新等問題,從而適序列的非線性和非平穩(wěn)性,使得傳統(tǒng)的方法,如AR、合在線問題的分析和預(yù)測[6,7].[4]MA、ARM
6、A等很難獲得令人滿意的結(jié)果.因此,隨著針對在線時(shí)間序列預(yù)測問題,本文提出一種新的在人工智能技術(shù)的不斷發(fā)展,研究者們開始采用神經(jīng)網(wǎng)絡(luò)線時(shí)間序列預(yù)測方法,首先采用SVR進(jìn)行局部建模,并等智能算法進(jìn)行時(shí)間序列的建模、預(yù)測以及分析.但是,采用OnlineSVR進(jìn)行局部模型預(yù)測殘差在線預(yù)測,實(shí)時(shí)神經(jīng)網(wǎng)絡(luò)存在過擬合、訓(xùn)練過程易陷于局部最小、采用修正預(yù)測結(jié)果,從而達(dá)到提高總體預(yù)測精度的目的.經(jīng)驗(yàn)風(fēng)險(xiǎn)最小原則等缺陷,其建模預(yù)測和分析的效果限[1,3]2算法理論基礎(chǔ)制了其廣泛的應(yīng)用.近年來,針對傳統(tǒng)方法以及神經(jīng)網(wǎng)絡(luò)等模型進(jìn)行時(shí)支持向量回歸是Vapnik等人根據(jù)統(tǒng)計(jì)學(xué)理論提出間序列預(yù)測存在的不足,
7、應(yīng)用支持向量回歸(Support的一種新的通用學(xué)習(xí)方法,它是建立在統(tǒng)計(jì)學(xué)理論的VCVectorRegression,SVR)進(jìn)行時(shí)間序列預(yù)測的研究十分廣維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理基礎(chǔ)上,以結(jié)構(gòu)風(fēng)險(xiǎn)最小泛.由于其具有算法簡單、不存在局部最小和維數(shù)災(zāi)難化原理為基礎(chǔ),具有其它以經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原理為基礎(chǔ)[5]問題和泛化能力強(qiáng)等優(yōu)點(diǎn),在時(shí)間序列預(yù)測方面取得的算法難以比擬的優(yōu)越性,同時(shí)它是一個(gè)凸二次優(yōu)化問收稿日期:2008210207;修回日期:2009201216?1994-2009ChinaAcad
