基于分类ＳＶＭ的时间序列预测讨论摘要：文章讨论了基于分类的 SVM 非线性回归算法及其在时间序列预测中的应用。与传统 SVM 回归算法相比，本算法有更强的不敏感性和健壮性、参数值可设定性并可避开过拟合现象。文中提出了一种计算预测模型初始参数值的方法，可以高效地找到较好的模型参数，并通过实验对方法的有效性和可行性进行了验证。关键词：SVR（支持向量回归）；时间序列；回归算法；训练算法；核函数一、引言预测是作为决策、规划之前的必不可少的重要环节，是科学决策、规划的重要前提。时间序列预测是预测领域内的一个重要讨论方向，在过去的半个多世纪里得到了迅速的进展，特别是对线性时间序列分析的讨论，已取得了系统和丰富的成果。但是，对于非线性时间序列分析的讨论，仅在近二十年里才逐渐被重视起来。综观国内外在这一方向上的讨论概况，前期大多局限于对几类典型非线性时间序列模型的参数辨识算法和建模方法等进行讨论，然而，由于现实系统的复杂性，人们在预测时存在着正确选择模型的困难，便利这些方法的应用受到很大的限制。于是，人们把目光转向了近年来兴起的人工神经网络模型。传统的时间序列预测采纳的是统计和神经网络等方法，如 YiMin 某 iong，Di-YanYeung 的文章TimeeriecluteringwithARMAmi 某 ture 中用的 ARMA 方法和IldarBatyrhin，RaulHerrera-Avelar 等的文章AociationNetworkinTimeSerieDataMining 中使用的一种关联网络方法。统计建模方法要求时间序列具有平稳性、正态性、独立性，这个方法不适用于复杂时间序列。SVM 具有很好的非线性逼近能力，但它存在模型结构难以确定，易出现过度训练或训练不足，陷入局部最小且对连接权初值敏感，并过度依赖设计技巧。目前国外已有将支持向量机用于时间序列预测的讨论，如 SayanMukherjee，EdgarOuna 和 FedericoGiroi 的NonlinearPredictionofChaoticTimeSerieUingSupportVectorMachine 就是这一方法的讨论。但这些基于 SVM 的时间序列讨论多是针对理想数据，如人工混沌序列数据等，因此支持向量机在回归中的讨论还有许多不尽如人意的地方，有很大的讨论余地，本文对此作了较为系统深化的讨论。另外，对于现实世界中常表现出非线性时间序列，人们试图用支持向量机进行预测，但相关理论成果零星分散，且存在许多不足，本文对此进行了较深化的讨论。二、基于 SVM 的回归与预测SVM 进行回归与预测的一般思想是用一个非线性映射将数据映射到一...
