基于支持向量机在重工业经济领域预测研究.docVIP

基于支持向量机在重工业经济领域预测研究 　　摘要： 提出了一种基于支持向量机预测重工业经济月度同比增长率的方法。利用2002年以来，我国6年的重工业月度同比增长率数据，建立支持向量机预测模型，并对预测结果和实际值进行了比较分析，表明该方法用于经济预测和经济分析是有效的。 　　关键词：支持向量机；重工业；经济预测 　　中图分类号：F201 　　一、引 言 　　重工业在我国经济发展中占有重要地位，是我国工业、特别国防工业发展的基础[1-6]。重工业发展趋势预测是一项重要而复杂的工作。准确的预测可以使政府、相关企业及其他有关部门更好地把握未来经济运行状况，从而做出有效的经济决策和发展策略。影响重工业发展的因素比较多，例如能源产能、交通物流、资本环境、环境保护以及地方政策改变等，它们之间相互影响又相互制约，最终使得重工业经济系统呈现复杂性、开放性、时态性、非线性等特点。近年来，国内外对于经济预测给出了许多方法。从预测基础体系而言，经济预测方法大体分为两类：基于历史数据预测方法和经济理论定性分析预测方法。基于历史数据预测方法主要有回归分析法、投入产出法、时间序列分析法、遗传算法、动态规划法等；经济理论定性分析预测方法有：层次分析法、市场调查法、销售人员估计法等。此外科研工作者亦开发了多种基于上述方法组合和改进的预测方法。然而，由于经济发展越来越趋于全球化和多维性，现代重工业经济发展已经是一种综合性发展，传统预测方法已经满足不了实际预测需求，需要一种兼顾历史数据内部关系及经济基础理论的方法才能够进行准确地预测。 　　支持向量机（SVM）最早发展于分类，20世纪90年代Vapnik等将支持向量机首次应用于回归问题，是一种介于定量预测与定性分析之间的分类预测方法，在解决小样本、高维度及非线性问题上优势明显[7]。SVM方法在许多领域已经取得了广泛应用，例如在指纹识别、人脸识别、字符识别、手写识别等[8][9][10]，SVM算法在准确性上已经于传统的学习方法不分上下。其缺点也很明显，对于大规模数据处理效率较低，运算时间较长。 　　本文利用支持向量机能够同时进行定量和定性处理非线性问题上的优势，较好地进行了非线性经济预测。 利用支持向量机方法分析历史数据，预测重工业同比月增长率，理论预测结果与实际值符合较好。从而从一定程度上说明了支持向量机用于重工业领域经济预测是有效可行的。 　　二、基础理论及模型 　　SVM理论基础及预测模型分析如下： 　　（一） SVM理论基础 　　SVM函数预测，基本思想是通过一个非线性映射，把输入空间的数据映射到高维特征空间中，在高维特征空间中构造线性回归函数实现原空间中的非线性回归问题，最终做出预测。具体算式如下： 　　算式中系数ω和b可以由下式来估计求得： 　　（二） SVM预测模型 　　通常给定数据点集 ，其中 xi是输入向量，di是期望值，n为数据总数。建立SVM预测模型，实际上，SVM预测也就是方程 的求解过程。根据相关数学理论，转换为如下最优化问题： 　　引入拉格朗日乘子和核函数后，得到支持向量回归函数： 　　具体而言采用SVM进行预测的一般运算流程如图1所示： 　　三、基于SVM重工业经济预测研究 　　本部分主要介绍了传统重工业经济预测模型、指标体系构建及数据准备、预测过程、预测结果及分析。 　　（一） 传统重工业经济预测模型 　　传统重工业经济预测模型包括如下几种，分别是： 　　1.经济计量模型 　　以宏观经济学理论为基础建立模型，根据给定的外部变量以及宏观政策变量预测相关经济量。该模型对于季度、月度预测效果较好，且应用时间广，但是存在方程组过多运算量巨大，历史数据质量不高的缺点。 　　2.决策树法 　　利用贝叶斯原理，根据每一可能事件给定概率进行预测。由于事件概率均为人工给定，受人主观影响干扰较大；且一旦出现未能预估事件，预测结果往往与实际相差甚远。 　　3.回归分析方法 　　在长期观察历史发展规律基础上，分析各种经济现象关系，建立模型来分析预测的方法。重点在于解释各变量之间的关系，而并不是对于经济进行短期、长期预测。 　　4.投入产出模型 　　投入产出模型是基于研究和分析产业部门之间产品和消耗之间的数量依存关系进行预测的方法。此种方法应用于产业部门较多，对于宏观经济而言，不存在特定的产品和消耗之间的直接制约关系，因此在宏观经济领域应用具有局限性。 　　5.销售人员估计法 　　销售人员估计法是将营销网络各级销售预测值自上而下加和统计进行预测的方法。其受销售人员主观影响较大，销售人员往往为了自身利益会对于数据进行一定处理，加和统计数据误差较大，数据可信度不高。 　　6.时间序列模型 　　此方法不以经济理论为依据，根据历史数据自身变化