基于支持向量机的中国石油需求量预测研究.docxVIP

2013年3月 西安石油大学学报(自然科学版) Mar. 2013 第28卷第2期 Journal of Xian Shiyou University( Natural Science Edition) Vol.28 No.2 文章编号：1673-064X(2013)02-0103-04 基于支持向量机的中国石油需求量预测研究 李春锦，闰云聚 (西北工业大学力学与土木建筑学院，陕西西安710129) 摘要：根据1990—2011年中国历年石油消费量相关数据构造输入和输出向量，选用径向基函数 (RBF) 作为其函数，在MATLAB2.10 工具箱中设置相应变量进行参数寻优，从而建立基于支持向 量机的石油需求量预测模型。为了验证其效果，同时做出了最小二乘意义下的3种预测拟合曲线， 数据误差分析结果表明，支持向量机模型的预测精度高、结果更为可靠.用支持向量机模型预测了 2012—2015年我国的石油需求量. 关键词：石油需求量预测；支持向量机；回归算法；核函数 中图分类号：TE19 文献标识码：A 石油作为我国的基础能源，占到了国内能源消 费的近四分之三[1],在我国经济与社会发展中起着 重要的作用.科学地进行石油需求预测，可以克服或 消除石油生产的盲目性，是保证经济平稳高速发展 需求的必要条件.支持向量机( support vector ma- chine,SVM) 是 由Vapnik 领导的ATTBell 实验室 研究小组提出的一种新的分类技术，SVM 是一种基 于统计学习理论的模式识别方法，主要应用于模式 识别领域.它可以较好地解决小样本、非线性和局部 极小点等问题.为了能够更方便地指导我国对石油 的消费，本文将支持向量机应用到中国石油需求量 的预测中去，同时与其他几种方法预测的结果进行 了对比，结果表明支持向量机模型在训练样本较少 的情况下，仍有较高的预测精度和较强的泛化能力， 能取得令人满意的结果. 1 支持向量机基本原理 支持向量机是从线性可分情况下的最优分类面 发展而来的，也是统计学习理论[3]中最实用的部 分.其基本原理4]可用图1的二维情况说明. 图1 中，H 代表最优分类超平面，左右两边分别代表两类 样本.直线 H? 和 H? 分别为过分类超平面最近的样 本且平行于分类超平面的平面，它们之间的距离称 为分类间隔(margin).在所给的数据样本点中， 一些 样本点(黑色点)可以决定最优超平面的构造，这些 起作用的样本点在机器学习中被称为支持向量. 图 1 线性可分情况下的最优分类面 Fig.1 Optimal class hyperplane for the linearly separable situation 图2所示为非线性情况下，选择合适的非线性 映射将低维空间内的点映射到高维空间上，在高维 空间上作出相应的最优超平面可将两类点分开，然 后降维，进而达到在低维分类的目的. 收稿日期： 2012-09- 15 基金项目： 国家自然科学基金资助项目(编号;高等学校博士学科点专项科研基金资助项目(编号 20126102130004);教育部博士点基金资助项目(编号：200806990019) 作者简介：李春锦(1987-),男，硕士研究生，主要从事数据分析与处理研究.E-mail:lichunjin0828@163.com 104- 西安石油大学学报(自然科学版) 图2 非线性情况下的最优分类面做法 Fig.2 Formation of the hyperplane for the nonlinearly separable situation 2 支持向量回归机模型的建立 2.1 支持向量回归机的算法实现 对于石油需求量预测的问题，显然用曲线代替 直线会更合适.该回归算法采用了ε不敏感损失函 数，即c(x,y,f(x))=1y-f(x)l 。, 其中ly-f(x) 1 。= max{0,ly-f(x)1-x}.ε 为事先取定的一个 正数.具体做法是将训练集 T 中每个训练点的y 值 分别增加ε和减少ε,得到正类点和负类点2个集 合，分别记作D+ 和D?, 即：D+={(x?,y;+8)T,i= 1, …,1},D?={(x;”,y;-ε)T,i=1, …,l}. 这样就 形成了一个对正负两类点进行划分问题.s- 损失函 数