基于DE-SVM非线性组合预测模型的研究.docVIP

基于DE-SVM非线性组合预测模型的研究 ComputerEngineeringandApplications计算机工程与应用 基于DE.SVM非线性组合预测模型的研究 陈涛 CHENTao 陕西理工学院数学系,陕西汉中723000 DepartmentofMathematics,ShaanxiUniversityofTechnology,Hanzhong,Shaanxi723000,China CItENTao.ResearchonnonHnearcombinedforecastingmodelbasedonDE-SVM.ComputerEngineeringandAppHca— tions.2011.47(13):33—36. Abstract:AnonlinearcombinedforecastingmodelbasedonDE-SVMispresentedtoimprovetheaccuracyofforecasting, whereoptimalruleiStheleastsumofsquareerrorofthecombinedforecastingmode1.andtheparametersofSVMareopti— mizedbyusingDE,andtheresultsofeachforecastingmodelareforecastedbyusingSVM.Thesimulationresultsshowthat DE.SVMcai1synthesizeimportantforecastinginformationofeachforecastingmode1.nsforecastingerroriSobviouslyless thanthatofeachmode1.Theaccuracyofforecastingwillbehigherandpracticalityofthemodelwillbestronger. Keywords:Suppo~VectorMachine(SVM);DifferentialEvolution(DE);nonlinear;combinedforecast 摘要:为提高预测精度,提出DE.SVM非线性组合预测模型.以组合预测模型的误差平方和最小为优化准则,用差分进化算法 (DE)对支持向量机参数进行优化,并利用支持向量机对单一模型的预测结果进行组合预测.算例结果表明,DE.SVM综合利用 了各单个预测模型的重要预测信息,其预测误差远远小于各单个模型的预测误差,其预测精度更高,模型的实用性更强. 关键词:支持向量机;差分进化算法;非线性;组合预测 DOI:10.3778~.issn.1002.8331.2011.13.010文章编号:1002-8331(2011)13-0033—04文献标识码:A中图分类~’:TP181 预测就是根据历史科学地推测未来.目前有时间序列预 测,回归预测,马尔可夫预测,灰色预测,神经网络预测等,不 同方法是从不同的角度对系统进行预测,各有特点,但又有自 身不足,使得预测精度往往不能满足需要.为了减少和分散 单个预测模型的近似性和不确定性,从而提高总体预测精度, BatesJ.M.和GrangerC.wJ.在1969年提出了一种新的预测方 法——组合预测n.,它是建立在最大信息利用的基础上,综合 了多种单一预测模型所包含的重要信息,从而进行最优组 合.通常组合预测方法是将个体预测结果进行简单加权平均 而得到组合预测值.但这种线性组合模型得到的预测值总 是介于所有预测方法与其相对应的最大与最小预测值之间. 对于非线性系统预测,这种线性组合方法误差较大,而且具有 很大的局限性. 支持向量机(Suppo~VectorMachine,sVM)是Vapnik 等人于1995年在统计学习理论基础上提出的一种新的优化算 法,它以结构风险最小化为准则,很好地解决小样本,非线性, 高维数,局部极小点等实际问题.而核函数参数和惩罚参数 是影响支持向量机性能的主要因素.人们往往通过大量试验 来获得较优的参数,但这种方法比较费时,而且获得的参数也 不一定是最优的.近年来,很多学者又提出了一些其他参数 优化方法,文献[7】利用梯度下降法(GradientDescend,GD)进 行参数优化,该方法虽然缩短了参数搜索时间,但它对初始点 的选取要求较高,而且是一种线性搜索方法,极易陷入局部最 优;文献[8]提出遗传算法(GeneticAlgorithm,GA),文献[9】提 出粒子群算法(ParticleSwarmOptimization,PSO),文献[101 提出蚁群算法分别对SVM参数进行优化选择,这些智能方法 虽然降低了对初值选择的依赖性,但算法原理和思想比较复 杂,对不同