1 简介
本文提出一种基于最小二乘支持向量机的数据预测方法。LSSVM是一种新型机器学习算法，其在传统支持向量机SVM基础上，将二次规划问题中的不等式约束改为等式约束，极大地方便了求解过程，克服了数据集粗糙、数据集波动性大等问题造成的异常回归，能有效避免BP神经网络等方法中出现的局部最优等问题。GA算法是由美国密歇根大学的Holland于1975年提出的一种模拟生物进化论的自然选择和生物遗传的优化技术，是一种高度并行、自适应和全局性的概率搜索算法。GA求解问题的核心过程包括: 编码( 二进制)、遗传操作( 选择、交叉、变异)、适应度函数。首先对优化参数进行二进制编码，将解空间转换成染色体空间; 设定进化代数、个体长度、种群大小等初始群体参数; 确定合适的适应度函数，计算群体中个体的适应度; 然后对种群进行遗传算子操作，如选择、交叉和变异，经过迭代计算，使种群不断向最优方向进化，从 而 得 到 最 优解。由于LSSVM模型需要优化的参数有两个( 惩罚因子γ，核参数σ2) ，所以种群维数为2。
算法流程如下：
步骤1,采集时间序列的样本数据;
步骤2,建立基于遗传算法优化参数的LSSVM数据预测模型;
步骤3,应用预测模型对训练样本进行预测,得到训练样本的相对误差和预测值;步骤4,预测模型对训练样本的相对误差进行预测,从而得到相对误差的预测值;步骤5,对相对误差的预测值进行校正,从而得到预测速率;解决了由于最小二乘支持向量机核函数参数和惩罚参数的经验性赋值而导致的预测精度不足的问题.
