学位论文 > 优秀研究生学位论文题录展示

支持向量回归机在组合预测中的应用研究

作　者: 吉敏
导　师: 宋福根
学　校: 东华大学
专　业: 管理科学与工程
关键词: 组合预测单项预测模型遴选接近理想点法支持向量机 ε-支持向量回归机组合预测模型
分类号: F224
类　型: 硕士论文
年　份: 2011年
下　载: 94次
引　用: 0次
阅　读: 论文下载

内容摘要

Bates和Granger于1969年提出了组合预测的思想,并迅速得到广大预测学者的高度重视。但随着社会的发展,预测对象受到愈加错综复杂的因素影响,显然,缺乏灵活性及无法自学习的组合预测方法已经不能对复杂环境下的事物做出较为准确的预测。与此同时,对组合预测中的单项预测模型遴选问题鲜有研究,这在很大程度上影响了预测结果的稳定性和可靠性。基于此,本文在深入分析已有文献的基础上,为提高组合预测单项预测模型的遴选质量,提出了基于改进的接近理想点方法的组合预测单项预测模型遴选原理、方法与过程；为提高组合预测的稳定性和可靠性,结合统计学习和机器学习理论,提出了ε-支持向量回归机组合预测模型的构建原理、方法与过程。本文研究,将有效地提高组合预测单项预测模型的遴选质量,提高组合预测的准确性、稳定性和实用性,降低预测风险,使我国企业的经营决策能建立在更加准确的基础上,将有助于大幅度地提高我国企业的科学决策水平和市场竞争力。本文研究内容主要分为五个方面。首先,本文对组合预测相关原理及相关模型进行了论述。通过对已有文献资料的分析比较,论述了组合预测的基本概念、原理、方法和模型。同时,归纳、总结了国内外已有相关组合预测原理与模型的研究成果,奠定了本文研究的原理、方法和模型基础。其次,本文对支持向量机的理论基础及模型算法进行了探讨。论述了支持向量机的相关理论基础、原理、方法和模型；归纳、总结了支持向量机的优势,为本文的后续研究奠定了坚实的基础。然后,本文对组合预测中的单项预测模型遴选进行了研究。本文在深入分析单项预测模型特点的基础上,依据组合预测环境,构建了组合预测单项预测模型遴选准则,建立了全面科学的评价体系,并运用改进的接近理想点法对各单项预测模型进行了优劣评价,实现了组合预测单项预测模型的遴选。随后,本文对ε-支持向量回归机组合预测模型的构建进行了研究。在实现了组合预测单项预测模型遴选的基础上,运用统计学习理论,本文提出了￡-支持向量回归机组合预测模型的建模原理、过程及预测框架,提高了预测的精度,降低了预测的风险。最后,本文对ε-支持向量回归机组合预测模型进行了实证研究。在上述理论与方法研究的基础上,将组合预测单项预测模型遴选原理、方法与ε-支持向量回归机组合预测模型的构建原理、方法综合应用于美元兑日元汇率的预测实践中,通过分析比较,验证了研究成果的有效性。通过研究,论文主要在以下两个方面实现了创新：(1)依据单项预测模型特点及组合预测环境,构建了相应的组合预测单项预测模型遴选准则及评价指标体系,改进的接近理想点法的运用提高了组合预测中单项预测模型遴选质量。(2)在组合预测单项预测模型遴选基础上,提出了ε-支持向量回归机组合预测模型,对该模型的组合原理、方法进行了深入研究,有效地提高了组合预测的稳定性和准确性。

全文目录

摘要  5-7
Abstract  7-9
目录  9-12
第1章绪论  12-24
  1.1 研究背景与意义  12-15
    1.1.1 研究背景  12-14
    1.1.2 研究意义  14-15
  1.2 研究现状  15-20
    1.2.1 组合预测研究现状  15-18
    1.2.2 支持向量机研究现状  18-20
  1.3 研究内容及创新点  20-22
    1.3.1 研究内容  21-22
    1.3.2 主要创新点  22
  1.4 论文组织结构  22-24
第2章组合预测的基本原理及方法研究  24-43
  2.1 组合预测相关理论研究  24-28
    2.1.1 组合预测的起源  24-25
    2.1.2 组合预测的分类  25-27
    2.1.3 组合预测的优势  27-28
  2.2 常用单项预测模型及组合预测模型  28-40
    2.2.1 单项预测模型  31-35
    2.2.2 线性组合预测模型  35-37
    2.2.3 非线性组合预测模型  37-40
  2.3 预测效果评价  40-42
  2.4 本章小结  42-43
第3章支持向量机的理论基础  43-64
  3.1 统计学习理论  44-49
    3.1.1 产生背景  44-45
    3.1.2 VC维  45-46
    3.1.3 推广性的界  46-47
    3.1.4 结构风险最小化  47-49
  3.2 支持向量机的基本原理  49-63
    3.2.1 线性可分支持向量机  49-53
    3.2.2 近似线性可分支持向量机  53-56
    3.2.3 非线性可分支持向量机  56-58
    3.2.4 几种常用核函数及其性能分析  58-61
    3.2.5 支持向量机的优势  61-63
  3.3 本章小结  63-64
第4章组合预测中单项预测模型的评价与遴选  64-79
  4.1 预测误差分类  64-65
  4.2 预测过程评价  65-66
  4.3 单项预测模型评价指标体系的构建  66-69
  4.4 组合预测中单项预测模型遴选算法  69-78
    4.4.1 传统的TOPSIS算法  70-71
    4.4.2 改进的TOPSIS算法  71-78
  4.5 本章小结  78-79
第5章 ε-支持向量回归机组合预测研究  79-95
  5.1 ε-支持向量回归机的理论基础  79-84
  5.2 e-支持向量回归机组合预测模型及框架  84-89
  5.3 模型参数的影响  89-91
  5.4 模型参数的选择  91-93
  5.5 ε-支持向量回归机组合预测模型特点  93-94
  5.6 本章小结  94-95
第6章 ε-支持向量回归机在组合预测中的应用  95-121
  6.1 单项预测模型遴选在组合预测中的应用过程  95-105
    6.1.1 实例数据  96-97
    6.1.2 实验过程  97-100
    6.1.3 实验结果的检验与比较  100-104
    6.1.4 实验结果分析  104-105
  6.2 ε-支持向量回归机在组合预测中的应用过程  105-120
    6.2.1 实验工具简介  105-106
    6.2.2 实例数据  106-107
    6.2.3 实验过程  107-114
    6.2.4 实验结果比较  114-119
    6.2.5 实验结果分析  119-120
  6.3 本章小结  120-121
总结与展望  121-124
参考文献  124-134
附录Ⅰ 6.1节的实验数据  134-137
附录Ⅱ 6.2节中LIBSVM归一化后数据  137-138
附录Ⅲ 6.2节中BP神经网络归一化数据  138-139
攻读学位期间发表的学术论文  139-140
致谢  140-141

支持向量回归机在组合预测中的应用研究

内容摘要

全文目录

相似论文