本文關(guān)鍵詞：SVR模型及其用于經(jīng)濟數(shù)據(jù)預測的研究

  更多相關(guān)文章： 支持向量機 支持向量回歸機 電力消費 商品房價格 股票價格 ARIMA-SVR模型 小波分析 多尺度核函數(shù)

【摘要】：支持向量機(Support Vector Machines,SVM)是在統(tǒng)計學理論基礎(chǔ)上發(fā)展起來的一種新的、非常有效的機器學習方法。它最早被Vapnik教授在20世紀90年代提出,近年不管是理論研究、算法實現(xiàn)還是應用方面都取得了突飛猛進的發(fā)展。特別是在應用方面,SVM被廣泛應用,解決了許多實際應用問題。SVM分為支持向量回歸機(Support Vector Regression,SVR)和支持向量分類機(Support Vector Classification,SVC),SVR具有很好的預測能力,且其預測模型推廣能力很強,即使在較長區(qū)間內(nèi)預測仍然具有較高的精度。因此,被廣泛用于各種實際問題的預測。但在經(jīng)濟數(shù)據(jù)預測方面,SVR的應用還比較鮮見,因此本文將主要研究應用SVR對電力消費、商品房價格和股票價格這3種經(jīng)濟數(shù)據(jù)進行回歸預測。本文主要在以下方面進行研究和探討:(1)對電力消費建立基于SVR模型的多變量和雙變量預測模型并比較之,得出前者比后者的預測更加準確。對商品房價格建立基于SVR模型和自回歸移動平均模型(Autoregressive Integrated Moving Average Model,ARIMA),得出SVR模型優(yōu)于ARIMA的結(jié)論。(2)針對股票市場高度非線性的特點,單一預測模型很難描述出股票價格趨勢的整體特征,提出了一種ARIMA-SVR的組合預測模型。首先采用二進正交小波的Mallat算法對股票收盤價數(shù)據(jù)進行小波分解和重構(gòu),得到了低頻信息和高頻信息;然后對高頻信息建立ARIMA模型,以及對低頻信息建立SVR模型,應用ARIMA模型和SVR模型進行訓練和預測;最后對分析結(jié)果進行整合,得出組合模型的預測結(jié)果。實驗表明,ARIMA-SVR模型優(yōu)于單一SVR模型。(3)將小波分析和核函數(shù)的知識結(jié)合起來,構(gòu)造多尺度小波核作為SVR的核函數(shù)。首先通過Morlet小波和多尺度核函數(shù)構(gòu)造出多尺度小波(MWK)的核函數(shù)表達式;然后采用核函數(shù),利用SVR模型對股票收盤價進行了預測。實驗表明,多尺度核函數(shù)模型優(yōu)于單一SVR模型。
【關(guān)鍵詞】：支持向量機 支持向量回歸機 電力消費 商品房價格 股票價格 ARIMA-SVR模型 小波分析 多尺度核函數(shù)
【學位授予單位】：西華師范大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：F224;TP181
【目錄】：

• 摘要5-6
• Abstract6-8
• 第1章 緒論8-13
• 1.1 課題的背景、目的和意義8
• 1.2 支持向量機國內(nèi)外研究綜述8-9
• 1.3 支持向量回歸機理論9-12
• 1.4 論文的主要成果和內(nèi)容12-13
• 第2章 基于SVR的多變量電力消費預測13-16
• 2.1 引言13
• 2.2 樣本數(shù)據(jù)選取與來源13
• 2.3 數(shù)據(jù)歸一化處理13-14
• 2.4 電力預測實驗步驟14
• 2.5 電力預測實驗結(jié)果14-16
• 第3章 基于SVR模型的房價預測16-19
• 3.1 引言16
• 3.2 數(shù)據(jù)的選取16-17
• 3.3 房價預測實驗結(jié)果17-19
• 第4章 基于組合模型和多尺度核函數(shù)模型的股票價格預測19-30
• 4.1 引言19-20
• 4.2 小波分析20-24
• 4.3 多尺度核函數(shù)24-25
• 4.4 ARIMA-SVR模型的實驗25-28
• 4.5 多尺度核函數(shù)模型的實驗28-30
• 第5章 總結(jié)與展望30-31
• 5.1 本文總結(jié)30
• 5.2 今后展望30-31
• 參考文獻31-38
• 致謝38-41
• 在學期間的科研情況41

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 王習濤;;ARIMA模型在期貨交易預測中的應用研究[J];微計算機信息;2006年15期

2 張翼飛;陳洪;劉嶺;張彥琦;郭波濤;易東;;ARIMA季節(jié)乘積模型在腸道傳染病預測中的應用[J];激光雜志;2008年02期

3 蔣金良;林廣明;;基于ARIMA模型的自動站風速預測[J];控制理論與應用;2008年02期

4 曹昱東;王浩;;基于ARIMA模型上海市生活垃圾的預測與分析[J];電子測試;2013年16期

5 吳u，

本文編號：600672