基于微粒群算法的L-VM时间序列预测

摘 要：将微粒群算法引入到最小二乘支持向量机(L-VM)时间序列预测，建立预测模型。思路来自微粒群算法可以在超平面空间中实现优化搜索，因此，将微粒群算法中的微粒运动公式进行修正，从而实现对L-VM 的训练。然后用训练过的L-VM进行预测，即得到最终结果。将此方法应用于销售量预测，结果表明，此模型有更高的预测精度，而且在不同的L-VM学习参数下模型的误差相对稳定。

关键词：支持向量机；微粒群算法；时间序列预测；超平面空间

ime eries Forecasting via Least quares upport Vector Machine

[JZ]Based on Particle warm Optimization

LIN Qing,BAI Zhenxing

(Engineering College,Air Force Engineering University,Xi′an,710038,China)オ

Abstract：he Particle warm Opimization(PO) are introduced to the time series forecasting method based on Least quares upport Vector Machine (L-VM),then the forecasting model is establishedhe feature that PO can optimize the procedure of searching in hyperplane space inspires the mindBy modifying the velocity equation of particle in original PO，the training of L-VM is realizedhen forecasting result is obtained by using L-VM which is trained by POhis method is applied in the sales volume predictionhe result indicates that the forecasting model has higher forecasting accuracy and steadier forecasting error at different L-VM parameters

Keywords：support vector machine;particle swarm optimization;time series forecasting;hyperplane spaceオ

20世纪90年代由Vapnik［1］提出的支持向量机技术，是基于学习统计理论的数据挖掘的一项新技术，是人工智能发展的新分支，近年来其理论研究和算法实现方面都有突破性进展，开始成为克服“维数灾难”和“过学习”等传统困难的有利手段。

微粒群算法（Particle warm Optimization，PO）是由James Kenndy博士和Russell Eberhart博士于199年提出的一种演化计算技术［2］。该算法中将鸟群运动模型中的栖息地类比于所求问题解空间中可能解的位置，通过个体间的信息传递，导引整个群体向可能解的方向移动，在求解过程中逐步增加发现较好解的可能性。

训练支持向量机需要求解一线性约束二次最优问题。微粒群算法是来自群体智能的直观而易于实现的算法，而且被认为是一种新型的训练支持向量机的方法［3］。该方法无需复杂的数学计算。在支持向量机的优化问题中，线性微粒群优化算法是一种较好的可选方法。

1最小二乘支持向量机

JAKuykens［4］在1999年首次提出L-VM支持向量机(Least quares upport Vector Machines，L-VM)用于解决分类和函数估计问题。这种方法采用最小二乘线性系统作为损失函数，代替传统的支持向量机采用二次规划方法，这种方法的优点是能够解决大尺度问题，并且具有较好的推广性和很强的鲁棒性，但是却是以支持向量机解的稀疏性损失为代价的。回归L-VM支持向量机算法