主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公English
2020-2021年专刊出版计划 微信服务介绍 最新一期:2020年第9期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
林树宽,徐传飞,乔建忠,张少敏,支力佳,于 戈.面向时序预测的支持向量回归参数选择方法.软件学报,2008,19(zk):121-130
面向时序预测的支持向量回归参数选择方法
Parameter Choosing Method of Support Vector Regression for Time Series Prediction
投稿时间:2008-05-01  修订日期:2008-11-25
DOI:
中文关键词:  支持向量回归  时间序列预测  改进的交叉验证  ε-加权  参数选择
英文关键词:support vector regression  time series prediction  improved cross-validation  ε-weighted  parameter choosing
基金项目:Supported by the National Natural Science Foundation of China under Grant Nos.60873009, 60773220 (国家自然科学基金); the Natural Science Foundation of Liaoning Province of China under Grant No.20072035 (辽宁省自然科学基金); the Key Project of Liaoning Province of China under Grant No.2007216007 (辽宁省攻关项目); the Key Laboratory for Software System Development of Liaoning Province of China (辽宁省软件系统开发重点实验室)
作者单位
林树宽 东北大学 信息科学与工程学院,辽宁 沈阳 110004 
徐传飞 东北大学 信息科学与工程学院,辽宁 沈阳 110004 
乔建忠 东北大学 信息科学与工程学院,辽宁 沈阳 110004 
张少敏 东北大学 信息科学与工程学院,辽宁 沈阳 110004 
支力佳 东北大学 信息科学与工程学院,辽宁 沈阳 110004 
于 戈 东北大学 信息科学与工程学院,辽宁 沈阳 110004 
摘要点击次数: 2704
全文下载次数: 4398
中文摘要:
      支持向量回归作为一种新的学习方法,在用于时间序列建模与预测时具有较好的泛化性能和预测能力.在支持向量回归建模的过程中,参数的选择对于模型的准确性至关重要.针对目前支持向量回归模型参数优化中存在的问题,提出一种面向时间序列预测的支持向量回归参数选择方法.根据时间序列及其预测的特点,对传统的交叉验证方法进行了改进,在保证时间序列预测方向性特征的基础上,充分挖掘有限样本所包含的信息,并将之与(-加权的支持向量回归相结合以选择好的模型参数.典型时间序列上的实验结果表明了所提出的支持向量回归参数选择方法的有效性,该方法在用于时间序列预测时取得了良好的效果.
英文摘要:
      As a new learning method, Support Vector Regression (SVR) has good generalization and prediction performance for time series modeling and predicting. In the course of SVR modeling, parameter choosing is very important to the accuracy of models. Aimed at problems in parameter optimization of SVR models, the paper proposes an SVR parameter choosing method for time series prediction, which improves the traditional cross-validation according to the features of time series prediction and sufficiently mines information included in numbered samples on the basis of maintaining the direction characteristic of time series. Furthermore, it is combined with (-weighted SVR in order to get good model parameters. Experimental results over typical time series show the validity of the parameter choosing method of SVR. The method gets good effect applied to time series prediction.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利