核函数支持向量机时间序列预测应用研究.docVIP

核函数支持向量机时间序列预测应用研究 　　[摘要]核函数支持向量机是最新尖端的模式识别与回归分析技术，并且成功应用于时间序列预测。本文叙述了核函数支持向量机的基本理论，介绍了其在时间序列模型构造方面的研究，同时指出相关的研究焦点问题。 　　[关键词]核函数 支持向量机 时间序列 预测 　　 　　当前，支持向量机和核函数方法日愈流行，二者珠联璧合成为核函数支持向量机。在时间序列预测领域，核函数支持向量机已被追捧为最新尖端技术。时间序列在商务活动中扮演重要角色，其协助人们计划未来，促使人们做出更多理性的决策，从而减少人们处理未知事件时所担当的风险。因此，时间序列预测广泛应用于金融、贸易和制造等领域。 　　 　　一、基本理论 　　核函数方法是迄今最先进的分类算法，伴随支持向量机的迅速发展，在解决分类与回归问题方面，核函数支持向量机已成为最流行且功能强大的工具。核这个名称源出于积分算子理论，该理论主要以核及其相关的特征空间的关系为基础，核函数方法善于将样本经非线性映射到特征空间。 　　 　　对支持向量机而言，核函数的构造和选择尤其重要。在满足Mercer条件下，核函数可以有多种形式供选择。在特征空间中，选择不同形式的核函数就会构成不同的支持向量机，因而也构造出不同的超平面。目前常用的核函数有三种：多项式核函数、径向基核函数和Sigmoid核函数。以下几点值得注意： 　　（1）若支持向量机选用多项式核函数和径向基核函数作为内积核，则始终满足Mercer条件。相反，如果支持向量机选用Sigmoid核函数作为内积核，那么会有不同的情形：很难确定所给的内积核是否满足Mercer条件。 　　（2）对于常用的三种核函数支持向量机，特征空间的维数取决于从训练样本中萃取出来的支持向量数目。 　　（3）与传统的径向基核函数方法和多层感知机相比较，核函数支持向量机具有明显的特点：①径向基核函数支持向量机自动确定核函数与中心点；②Sigmoid核函数支持向量机自动选定二层感知机的隐含层节点数和权向量。 　　 　　二、时间序列预测 　　在时间序列预测建模方面，存在着噪音??非平稳性的棘手问题。噪音是由于预测模型未能包含相关的信息而产生，噪音将导致过度适应或者欠缺适应的问题。非平稳性是指时间序列的统计规律随着时间的位移而发生变化，这将促使输入变量与输出变量的相关性随着时间的推移而改变，因此具有非线性和不确定性。时间序列预测的首要任务是辨识影响时间序列的项目因素，然后对时间序列的观察样本建立尽可能合适的分析预测模型。对于时间序列预测，所使用的传统方法有：自回归模型、滑动平均模型、自回归滑动平均模型、自回归求和滑动平均模型和逐步多元性回归模型等。面对仅有自变量和因变量的简单问题时，传统预测方法可以胜任，然而，在现实商务世界里的许多时间序列存在固有的噪音、非平稳性和极其无序性，由于传统方法的局限性和缺乏柔性，因此难于对这些问题准确地预测。许多研究寻求从人工智能方面来弥补传统预测方法的不足，从而提出更多高效能和高精度的预测方法。其中，神经网络方法理论是众多研究者与应用者追捧的热点。神经网络具有非参数化和通过学习获得解决问题智能的特性。但由于常规神经网络运用经验风险最小化原理来最小化学习误差，因此具有容易陷入局部极小值、难于获得稳定的解、收敛速度缓慢和出现过度适应等缺陷。 　　1964年，Aizerman等引荐了核函数。核函数能在特征空间中变换成内积表达形式，在特征空间中仅涉及内积运算的线性运算，并且求和是对样本个数，不涉及特征空间的维数，也不需要知道非线性映射的具体形式。1992年，Boser、Guyon和Vapnik将前人的理念进一步诠释与拓展，并根据结构风险最小化原理提出了支持向量机的概念。支持向量机求解分类问题与回归问题时，最常用的方法是利用核函数，首先将问题映射到一个高维空间，尔后在高维空间求解分类的最大间隔。在短短的几年里，核函数支持向量机就成为一个新的研究方向，许多分析理论与算法思想犹如雨后春笋应时而生。核函数支持向量机以统计学习理论为基础，与传统的神经网络明显不同之处在于风险最小化原理：核函数支持向量机运用结构风险最小化原理，而传统的神经网络运用经验风险最小化原理。同时，核函数支持向量机的核函数的应用，使其可以处理非线性问题，同时通过求解二次函数来训练，克服了传统神经网络的局部最优问题，因此具有很好的推广性能。 　　近年来，核函数支持向量机已成为时间序列预测领域的领先技术。运用核函数支持向量机进行非平稳的时间序列预测，能有效地解决过度适应问题且增强推广能力，进而提升预测水准。1997年，Mukherjee、Osuna与Girosi运用核函数支持向量机对混乱时间序列进行预测，并将预测结果与多项有理逼近方法、局部多项技术、