基于信息粒化的SVM混沌时间序列预测算法及应用

摘要

时间序列预测一直以来都是预测领域内的一个重要得研究方向,由于监测的新技术的不断应用,导致累计数据越来越多、数量极其大。如何有效地利用这些数据,找出其中的规律,进而对数据进行预测,具有非常重要的实用价值和理论意义。
　　由于生活中很多数据所具有混沌性,传统的统计分析方法在数据处理的应用上效果欠佳,寻找新的相关数据的处理方法成为新的热点。支持向量机由于其优良的非线性特性,非常适用于混沌时间序列数据的分析与处理,在诸如水文、气象、交通等很多领域得到了广泛的应用。支持向量机的优势在于处理小样本数据,而目前大多数的混沌时间序列都具有庞大的数据样本。信息粒化技术具有将大数据样本转化成较小数据样本,且能使该小数据样本保持原样本数据特性的能力,因此针对支持向量机在大样本数据预测的局限性,本文将信息粒化技术引入支持向量机的混沌时间序列预测中,提出了一种基于信息粒化的支持向量机预测模型。该模型将混沌时间序列重构及粒化,然后训练支持向量机模型进行预测。将该预测方法应用到3个典型的非线性系统的混沌时间序列和实测交通流时间序列进行有效性验证,结果表明了该方法对典型混沌时间序列和实测交通流时间序列具有更好的非线性拟合能力。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪 论

1.1 研究背景及意义

1.2 国内外研究现状

1.3 研究内容和创新点

第2章 相关理论基础

2.1 混沌理论

2.2 统计学习理论与支持向量机

2.3 信息粒化理论

2.4 本章小结

第3章 基于信息粒化的SVM混沌时间序列预测模型

3.1 基本思想

3.2 模糊粒子构建

3.3 基于信息粒化的支持向量机预测模型

3.4 本章小结

第4章 典型混沌时间序列的预测仿真

4.1 实验的条件

4.2 仿真实验

4.3 结果分析

4.4 本章小结

第5章 城市交通流量的预测仿真

5.1 交流预测概述

5.2 仿真实验

5.3 结果分析

5.4 本章小结

第6章 结论与展望

6.1 主要研究结论

6.2 研究展望

参考文献

致谢

攻读学位期间取得的科研成果