[发明专利]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

说明书

技术领域

本发明属于信息处理技术领域，特别是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。 

背景技术

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)：1~8”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)：172~180”的“基于预测有效度的优性组合预测模型的研究”，提出了基于预测有效度的组合预测模型，给出其线性规划的解法，同时研究了基于预测有效度的组合预测模型的性质；王应明发表于“预测,2002,21(2)∶58~62”中 的“基于相关性的组合预测方法研究”，提出了基于相关性指标的最优组合预测模型。上述的组合预测模型大多是以某一种最优化标准来寻找一个固定的权重，由于组合预测的权重应该是随着预测步数而变化的，即应该是变权重。支持向量机（SVM）处理小样本数据具有其他模型无法比拟的优势，且SVM回归方法具有良好的拟合和外推能力。因此，本发明考虑同时采用多种不同的预测模型对预测数据进行预测，然后将各种预测结果进行综合，经过SVM二次预测，得到比单个预测模型更全面的组合预测模型，以提高预测模型的精度和有效性。并且本发明采用的最小二乘支持向量机（LSSVM），将标准支持向量机中的不等式约束改成等式约束，并把经验风险由误差的一范数改为二范数，这样，求解二次优化的问题就转化成了求解一次线性方程组问题，极大提高了算法的收敛速度。 

发明内容

本发明针对上述问题，本发明提出了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。 

为达成上述目的，本发明的技术方案是： 

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，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T_r和测试集T_e，y_Tri和n_Tr分别代表训练集T_r的实际值和样本量；y_Tei和n_Te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T_r和测试集T_e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；