本文關(guān)鍵詞：SVR模型及其用于經(jīng)濟(jì)數(shù)據(jù)預(yù)測(cè)的研究

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

【摘要】：支持向量機(jī)(Support Vector Machines,SVM)是在統(tǒng)計(jì)學(xué)理論基礎(chǔ)上發(fā)展起來的一種新的、非常有效的機(jī)器學(xué)習(xí)方法。它最早被Vapnik教授在20世紀(jì)90年代提出,近年不管是理論研究、算法實(shí)現(xiàn)還是應(yīng)用方面都取得了突飛猛進(jìn)的發(fā)展。特別是在應(yīng)用方面,SVM被廣泛應(yīng)用,解決了許多實(shí)際應(yīng)用問題。SVM分為支持向量回歸機(jī)(Support Vector Regression,SVR)和支持向量分類機(jī)(Support Vector Classification,SVC),SVR具有很好的預(yù)測(cè)能力,且其預(yù)測(cè)模型推廣能力很強(qiáng),即使在較長(zhǎng)區(qū)間內(nèi)預(yù)測(cè)仍然具有較高的精度。因此,被廣泛用于各種實(shí)際問題的預(yù)測(cè)。但在經(jīng)濟(jì)數(shù)據(jù)預(yù)測(cè)方面,SVR的應(yīng)用還比較鮮見,因此本文將主要研究應(yīng)用SVR對(duì)電力消費(fèi)、商品房?jī)r(jià)格和股票價(jià)格這3種經(jīng)濟(jì)數(shù)據(jù)進(jìn)行回歸預(yù)測(cè)。本文主要在以下方面進(jìn)行研究和探討:(1)對(duì)電力消費(fèi)建立基于SVR模型的多變量和雙變量預(yù)測(cè)模型并比較之,得出前者比后者的預(yù)測(cè)更加準(zhǔn)確。對(duì)商品房?jī)r(jià)格建立基于SVR模型和自回歸移動(dòng)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(duì)股票市場(chǎng)高度非線性的特點(diǎn),單一預(yù)測(cè)模型很難描述出股票價(jià)格趨勢(shì)的整體特征,提出了一種ARIMA-SVR的組合預(yù)測(cè)模型。首先采用二進(jìn)正交小波的Mallat算法對(duì)股票收盤價(jià)數(shù)據(jù)進(jìn)行小波分解和重構(gòu),得到了低頻信息和高頻信息;然后對(duì)高頻信息建立ARIMA模型,以及對(duì)低頻信息建立SVR模型,應(yīng)用ARIMA模型和SVR模型進(jìn)行訓(xùn)練和預(yù)測(cè);最后對(duì)分析結(jié)果進(jìn)行整合,得出組合模型的預(yù)測(cè)結(jié)果。實(shí)驗(yàn)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(shí)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(dá)式;然后采用核函數(shù),利用SVR模型對(duì)股票收盤價(jià)進(jìn)行了預(yù)測(cè)。實(shí)驗(yàn)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(jī) 支持向量回歸機(jī) 電力消費(fèi) 商品房?jī)r(jià)格 股票價(jià)格 ARIMA-SVR模型 小波分析 多尺度核函數(shù)
【學(xué)位授予單位】：西華師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：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(jī)國(guó)內(nèi)外研究綜述8-9
• 1.3 支持向量回歸機(jī)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(fèi)預(yù)測(cè)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(yù)測(cè)實(shí)驗(yàn)步驟14
• 2.5 電力預(yù)測(cè)實(shí)驗(yàn)結(jié)果14-16
• 第3章 基于SVR模型的房?jī)r(jià)預(yù)測(cè)16-19
• 3.1 引言16
• 3.2 數(shù)據(jù)的選取16-17
• 3.3 房?jī)r(jià)預(yù)測(cè)實(shí)驗(yàn)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(jià)格預(yù)測(cè)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(shí)驗(yàn)25-28
• 4.5 多尺度核函數(shù)模型的實(shí)驗(yàn)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(xiàn)31-38
• 致謝38-41
• 在學(xué)期間的科研情況41

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 王習(xí)濤;;ARIMA模型在期貨交易預(yù)測(cè)中的應(yīng)用研究[J];微計(jì)算機(jī)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(yù)測(cè)中的應(yīng)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(dòng)站風(fēng)速預(yù)測(cè)[J];控制理論與應(yīng)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(yù)測(cè)與分析[J];電子測(cè)試;2013年16期

5 吳u，

本文編號(hào)：600672