基于SVM数据挖掘的国民经济序列补缺及预测——以青海省国民经济为例.pdfVIP

第 29卷 第 1期 2010年1月 工业技术经济 V总01第．29．No．1 195期 基于 SVM数据挖掘的国民经济序列补缺及预测 — — 以青海省国民经济为例 李望晨 张利平 王培承 (潍坊医学院，潍坊 261053) (摘 要] 国民经济数据的健全性与实效性具有重要决策价值和统计意义。本文将两种新兴智能 数据挖掘技术一支持向量机 (SVM)与神经网络应用于国民经济数据补缺及预测领域，在探析原理及性 能基础上检验其应用性能。根据青海省2003—2005年各月份国民经济数据构建指标体系和算例，采用 两种方法均通过样本集直接训练方式挖掘各系统 中蕴含的规律性联 系，然后 2004年 9月份城镇居民人 均可支配收入缺失数据进行补缺和对2005年 l2月份城镇居民人均消费支出、人均可支配收入进行预 测 。实验操作方便 。且 SVlVl补缺及预测结果唯一，精度更优 。同时也说 明SVM基于结构风险最小化更 适合高维小样本集数据回归问题，泛化性能强。 [关键词) SVV／l 数据挖掘 国民经济 补缺 预测 (中图分类号]f1D14．4 [文献标识码]A 1 原理性能分析 经验风险原则的样本容量依赖、维数灾难、过拟合而外 国民经济数据的健全性与实效性对决策者宏观决策 推差、局部极小点问题。该方法基于结构风险最小化原 参考和定量分析具有重要价值和现实意义，有必要采用 则，直接进行样本集 自组织学习训练来逼近系统非线性 统计方法或信息技术对缺失数据进行补缺及未来发展预 规律，容错和泛化性能优 良。基本思想是通过一个非线 测进行预测。在经济系统中蕴含着错综复杂的非线性规 性映射 p(，将训练数据向量X映射到高维的特征空间 R 律及联系，且各种因素相互交错影响，难以综合考虑来 并作线性回归，f(x)=(W·(x))+b， ： 一R，wER， 确定合适参数和统计模型进行建模，传统统计分析方法 其中w为列向量， (x)将样本从输入空间映射到高维特 难以操作 ，性能不佳。新兴数据挖掘技术如支持向量机 征空间。通过定义内积核函数，可将低维输入空间线性 与神经网络均可较好描述非线性系统规律 ，直接通过样 不可分转化为在高维特征空间上进行线性可分。采用基 本集学习训练 ，表达指标数据间蕴含的非线性映射关系， 于结构风险最小化原则及统计学习的样本集训练，其线 性约束凸优化算法保证了全局最优及唯一解，其优良泛 挖掘系统中训练样本集输入输出指标数据间蕴含的复杂 化能力很好地解决小样本训练集的高维输入、单输出非 联系并加以存储 ，技术实现便捷高效，新样本外推仿真 线性回归问题…。简略模型如下图1： 效果好于传统模型，以优 良非线性数据处理能力被广泛 应用在各行业数据挖掘、回归、预测及评价等领域。 神经网络理论较经典 ，但基于经验风险最小化原则 的训练方式导致泛化能力依赖训练样本集容量及输入维 kf 数，高维小容样本集训练后对新样本外推能力会差一些， 而且算法随机选取初始权值 ，局部最优，收敛后输 出不 唯一。 X 近年来在统计学习理论基础上，支持向量机 (Sup． 图1 支持向量机模型简图 portVector