【技术实现步骤摘要】
本专利技术属于信息处理
,特别是。
技术介绍
预测科学随着社会经济的不断向前发展而产生。预测专家通过历史的统计资料和当前掌握的实际信息,运用某些方法、模型和程序,分析研究预测对象和相关因素之间的相互关系,从而深层次地揭示出预测对象的变化规律,并推测出预测对象未来的发展方向以及结果。在此基础上,预测活动属于探索未来的活动,其充分体现了人类对未来世界的探知与掌控。现有的预测模型主要有时间序列预测模型、灰色预测模型、BP神经网络预测模型等,一般来说,采用预测模型不同,预测的结果也不同。 然而,利用单个预测模型进行预测存在一些缺陷,如信息源的不广泛性、对模型设定形式敏感等,这使得单一模型的预测效果往往不能令人满意。有必要考虑对待预测数据进行组合预测。组合预测方法的系统研究始于20世纪60年代末期。此后,组合预测理论与应用成为预测领域的重要且受关注的问题,目前国内外学者提出的各种不同的组合预测方法中,实际应用和理论研究最多的是以某种绝对误差最小作为最优准则来计算组合预测方法的权系数向量。唐小我发表于“电子科技大学学报1992,21(4) :448 454”中的“组合预测误差信息矩阵研究”,建立了以误差平方和达到最小的最优组合预测模型,利用组合预测绝对误差信息矩阵的性质判断简单平均方法是非劣性组合预测、优性组合预测的条件;马永开,唐小我,杨桂元发表于“运筹与管理,1997,6(2):广8”中的“非负权重最优组合预测方法的基本理论研究”,进一步研究了非负约束的误差平方和的最优组合预测模型;陈华友,侯定丕发表于“中国科学技术大学学报,2002, 32 (2) =1 ...
【技术保护点】
一种基于粒子群优化的最小二乘支持向量机组合预测方法,其特征在于,所述方法包括如下步骤:步骤A,根据数据特征选择合适的单项模型,步骤为:步骤A?1,确定训练集和测试集,对于预测数据给定时间序列的实际测试值,将它们分为训练集Tr和测试集Te,yTri和nTr分别代表训练集Tr的实际值和样本量;yTei和nTe分别代表测试集的实际值和样本量;步骤A?2,数据预处理,采用级差标准化对训练集Tr和测试集Te的实测数据进行标准化处理,标准化后的数值在[0,1]范围内;步骤A?3,训练集Tr建模,利用训练集Tr中的yTri作为样本完成单一模型建模,得到AR模型、GM(1,1)模型和BP神经网络模型的参数;对于AR模型的阶数,利用AIC准则与FPE准则,不同的模型阶数p,计算出不同的AIC值与FPE值,取平均值,最小值时的p就是适用模型的阶数,相应的模型即为最佳适用模型;并将该AR模型的阶数值作为BP神经网络模型的嵌入维数,BP神经网络模型的隐层神经元数目由经验公式给出:nH=(nI+nO)1/2+l,其中nH为隐含层神经元数目,nI为输入层神经元数目,nO为输出层神经元数目,l取值为1到10的整数; ...
【技术特征摘要】
1.一种基于粒子群优化的最小二乘支持向量机组合预测方法,其特征在于,所述方法包括如下步骤 步骤A,根据数据特征选择合适的单项模型,步骤为 步骤A-1,确定训练集和测试集,对于预测数据给定时间序列的实际测试值,将它们分为训练集Tr和测试集Te,yTri和nT,分别代表训练集T,的实际值和样本量;yTei和nTe分别代表测试集的实际值和样本量; 步骤A-2,数据预处理,采用级差标准化对训练集I;和测试集Te的实测数据进行标准化处理,标准化后的数值在[O,I]范围内; 步骤A-3,训练集I;建模,利用训练集I;中的yM作为样本完成单一模型建模,得到AR模型、GM (I, I)模型和BP神经网络模型的参数;对于AR模型的阶数,利用AIC准则与FPE准则,不同的模型阶数P,计算出不同的AIC值与FPE值,取平均值,最小值时的p就是适用模型的阶数,相应的模型即为最佳适用模型;并将该AR模型的阶数值作为BP神经网络模型的嵌入维数,BP神经网络模型的隐层神经元数目由经验公式给出nH= (ni+nQ)1/2+l,其中nH为隐含层神经元数目,H1为输入层神经元数目,n0为输出层神经元数目,I取值为I到10的整数; 步骤B,通过单项预测方法得到初步预测结论作为最小二乘支持向量机LSSVM组合预测样本,根据支持向量机回归原理,建立LSSVM回归模型;分别对AR模型、GM (I, I)模型和BP神经网络模型输入对应的参数,得到训练集中数据yM的拟合值,形成训练样本,利用得到的训练样本,训练生成LSSVM模型其中,高斯径向基核函数K (xi, Xj) = exp (-g |x「xj Il2) ; a ;为 Lagrange 因子,OiGR5b为常值偏差; 步骤C,利用粒子群优化算法PSO优化影响LSSV...
【专利技术属性】
技术研发人员:李爱,陈果,王洪伟,程小勇,郝腾飞,于明月,
申请(专利权)人:南京航空航天大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。