基于遗传算法优选参数的灰色LS-SVM预测.docVIP

Operations Research and Fuzziolgy 运筹与模糊学, 2011, 1, 29-33 /10.12677/orf.2011.12006 Published Online November 2011 (/journal/orf/) Grey LS-SVM Forecasting with Parameter Optimized by Genetic Algorithm Deqiang Zhou Department School of Information and Mathematic, Yangtze University, Jingzhou Email: zdqmfk@ Received: Oct. 5th, 2011; revised: Nov. 6th, 2011; accepted: Nov. 8th, 2011. Abstract: This paper utilized the accumulation generation operation of grey prediction to produce accumu- lated data, and accumulated data were used to construct grey LS-SVM. At the same time the parameters for LS-SVM were pretreated through genetic algorithms to get the optimum parameter values, then the optimized LS-SVM based on genetic algorithms was used to small samples forecasting. A typical example was taken to be analyzed and compared with GM (1, 1) and LS-SVM method. The result shows that the method forecast effect is better, and the prediction model has better generalization ability. Keywords: Grey Least Square Support Vector Machines; GM (1, 1) Model; Genetic Algorithms; Parameter Selection; Small Samples Forecasting 基于遗传算法优选参数的灰色 LS-SVM预测 周德强 长江大学信息与数学学院，荆州 Email: zdqmfk@ 收稿日期：2011年 10月 5日；修回日期：2011年 11月 6日；录用日期：2011年 11月 8日 摘 要：利用灰色预测方法中累加生成运算形成累加数据，将累加数据作为训练样本构造灰色 LS-SVM，并利用遗传算法对灰色 LS-SVM 自身的参数进行优选，然后将基于遗传算法优选参数的灰 色 LS-SVM用于小样本预测。选取了典型例子进行验证，并与传统 GM(1, 1)和 LS-SVM方法进行对比。 结果表明本文所提出的方法预测效果良好，且预测模型具有更好的泛化能力。 关键词：灰色 LS-SVM；GM(1, 1)模型；遗传算法；参数优选；小样本预测 1. 引言 法仍然遗留了常规神经网络存在的缺陷，比如学习方 法采用经验风险最小化 (ERM) 准则，即最小化训练 样本点误差，因而不可避免地出现过拟合现象，影响 了模型的泛化能力。文献[1]提出灰色支持向量机预测 方法，将支持向量机(SVM)和灰色预测方法结合，发 挥了灰色预测方法中“累加生成”的优点，弱化了原 始序列中随机扰动因素的影响，增强了数据的规律性， 不仅避免了灰色预测方法及模型存在的理论缺陷，而 且克服了神经网络模型中存在的局部极小问题。然而 该方法也仍然遗留了常规支持向量机存在的缺陷，比 如，模型中核函数以及模型参数的选择凭经验选取， [3] 目前，对时间序列的预测有很多种方法，从传统 的 ARMA模型到智能化的神经网络模型，这些方法的 [1] 核心在于建立一个好的预测模型 。但是由于实际应 用中时间序列具有不规则、混沌等非线性特性，加之 样本的有限性，很难对系统建立理想的预测模型，因 此，往往难以获得精确的预测结果。 将不同机理的预测方法相结合，为提高预测精度 提供了新的途径。文献 [2]提出一种串联灰色神经网 络，将神经网络和灰色预测方法结合，互相取长补短， 避免了 GM(1, 1