基于SVR與半監(jiān)督學(xué)習(xí)的時間序列預(yù)測.pdf

1、支持向量機(Support Vector Machine,SVM)是一種有監(jiān)督的高效機器學(xué)習(xí)方法,以 SVM為基礎(chǔ)的回歸算法被稱為支持向量機回歸( Support Vector Regression,SVR),SVR的非線性時間序列預(yù)測是智慧預(yù)測的重要前沿課題。本文在分析了標(biāo)準(zhǔn)SVR應(yīng)用于非線性時間序列預(yù)測的算法之后,針對隧道數(shù)據(jù)的特性,對預(yù)測方法做出了幾點改進。
　　在隧道中常常設(shè)置多組傳感器來采集數(shù)據(jù),傳統(tǒng)的預(yù)測方法一般是只對

2、一個傳感器采集到的數(shù)據(jù)進行預(yù)測和分析,并沒有充分考慮其預(yù)測器精度對預(yù)測結(jié)果的影響。本文選取隧道中位置比較相近的幾個傳感器的數(shù)據(jù)分別訓(xùn)練其對應(yīng)的預(yù)測器,然后計算每個預(yù)測器的置信度,選取高置信度的預(yù)測器的預(yù)測結(jié)果用來分析隧道內(nèi)的安全狀況。通過實驗證明,高置信度的預(yù)測器相對來說具有較高的準(zhǔn)確性。
　　預(yù)測領(lǐng)域中,長期預(yù)測一直是研究的熱點。一般的SVR預(yù)測器只能進行單步預(yù)測,無法進行準(zhǔn)確的長期預(yù)測。本文將半監(jiān)督學(xué)習(xí)與SVR相結(jié)合,改進了半

3、監(jiān)督預(yù)測方法,利用當(dāng)前數(shù)據(jù)訓(xùn)練一個SVR全局預(yù)測器,再利用歷史同期數(shù)據(jù)進行局部預(yù)測,對當(dāng)前數(shù)據(jù)的預(yù)測結(jié)果進行修正與平滑。這樣就通過歷史數(shù)據(jù)的補充,提高了長期預(yù)測的準(zhǔn)確性。
　　半監(jiān)督預(yù)測器的學(xué)習(xí)需要進行反復(fù)的迭代訓(xùn)練,時間消耗比較大。為了減少時間消耗,本文在半監(jiān)督預(yù)測的基礎(chǔ)上,通過考慮訓(xùn)練樣本間的幾何關(guān)系,將當(dāng)前數(shù)據(jù)樣本與歷史同期數(shù)據(jù)樣本進行組合與變換,之后利用最大均值差異(Maximum Mean Discrepancy,MMD