多要素SVM时间序列预测研究及其并行化实现

摘要

支持向量机作为新提出的机器学习方法，克服了传统的线性统计方法和神经网络的局限性，因而被广泛应用模式识别、分类和预测中。近年来，随着支持向量机的广泛应用和技术的不断改进，推动了时间序列预测水平的发展。 本文通过研究时间序列预测方法和支持向量机回归理论知识，提出基于相关性分析的多要素支持向量机回归预测模型。在训练模型的构建过程中，通过引入贝叶斯网以确定要素间影响关系。将数据集中的各个要素作为贝叶斯网节点，构建贝叶斯网模型，并根据网络中要素间的依赖关系，对多个要素的关联性进行分析，选取时间序列预测的要素集，最后依据选出的要素集构建多要素支持向量机回归预测模型，以求得到更好的预测准确率。 本文在此模型的基础上，在多要素的选取过程中改进了离散贝叶斯算法，以提高贝叶斯网模型的生成效率和准确率。并在确定时间序列维数的过程中，采用了相空间重构技术。建立支持向量机模型选择参数时，本文分析并比较了交叉验证、遗传算法等方法，提出了并行的交叉验证方法（PCV），以提高支持向量机的参数优化的效率。 文中由于采用了多要素的支持向量机时间序列预测，输入数据的维数较高，对提出的训练模型应用MPI并行算法，采用单程序多数据（SPMD）并行训练模型的支持向量机训练算法，利用反馈以提高预测的精度，并应用所提出上的并行交叉验证方法进行参数寻优。 文章以气象数据作为实验数据，通过多组实验比较，该方法较之已有的单要素的支持向量机回归方法，具有预测精度更高、泛化能力更强、训练速度更短的特点，为复杂系统的时间序列预测提供了一种有效的方法，应用于复杂的非平稳时间序列研究有很好的应用前景。

目录

文摘

英文文摘

声明

第一章绪论

1.1研究背景

1.2当前研究现状

1.3文章的工作和创新点

1.3.1研究问题的引出

1.3.2研究的内容和工作

1.4文章结构组织

第二章基于支持向量机的时间序列预测原理

2.1时间序列预测原理

2.2支持向量机原理

2.2.1结构风险最小化的产生

2.2.3支持向量机基本原理

2.3基于支持向量机的时间序列回归预测

2.3.1支持向量机回归

2.3.2基于支持向量机的时间序列预测模型

第三章基于贝叶斯网分析的多要素支持向量机时间序列预测模型

3.1离散贝叶斯网算法原理

3.2多要素支持向量机时间序列预测方法构成

3.3贝叶斯网分析的多要素支持向量机时间序列预测模型

3.3.1贝叶斯网要素分析模型的结构

3.3.2离散贝叶斯网学习算法要求

3.3.3数据准备工作

3.3.4贝叶斯网结构学习

3.3.5选取多要素集构建训练模型

第四章改进的多要素支持向量机时间序列预测模型

4.1改进的离散贝叶斯网算法

4.2相空间重构确定嵌入维数

4.2.1相空间重构原理

4.2.2选取延迟时间τ

4.2.2多变量相空间重构

4.3支持向量机的参数选取方法

4.3.1支持向量机的主要参数

4.3.2交叉验证法选取参数

4.3.3遗传算法选取参数

4.3.4粒子群优化算法选取参数

第五章并行的多要素支持向量机回归预测算法

5.1 MPI并行算法原理

5.1.1并行算法原理

5.1.2 MPI并行算法原理

5.2并行的支持向量机训练算法

5.3并行的交叉验证算法

第六章实验及结果分析

6.1实验数据集和环境构成

6.2时序预测误差比较

6.3预测算法性能比较

6.4实验总结

结论

参考文献

在学期间的研究成果

致谢