摘要:针对LS—SVM应用于大样本时问序列预测时存在的计算复杂度高和泛化能力降低的问题,提出一种采用局部模型的时间序列预测方法。该方法采用K—means算法对训练样本进行聚类,并以VRC原则确定最佳聚类数,然后利用LS—SVM对聚类后样本进行局部建模;同时,针对一般LS—SVM建模过程中共轭梯度方法计算效率低的问题,采用Cholseky分解方法以实现计算效率的提升。仿真实验和应用测试表明,该方法用于大规模数据分析时,可在保持预测精度的前提下,提高训练效率5~28倍,在降低计算复杂度的同时,有效地提高了模型的泛化能力。
关键词:时间序列 预测
单位:哈尔滨工业大学自动化测试与控制研究所 哈尔滨150080
注:因版权方要求,不能公开全文,如需全文,请咨询杂志社
相关期刊
Journal of Genetics and Genomics Journal of Semiconductors Acta Pharmacologica Sinica Hepatobiliary Pancreatic Diseases International Communications in Theoretical Physics Journal of Systems Engineering and Electronics Hepatobiliary Pancreatic Diseases International Acta Metallurgica Sinica Acta Geologica Sinica Acta Oceanologica Sinica