基于最小二乘支持向量机和马尔科夫模型的混合模型研究

发布时间：2020-03-31 02:33

【摘要】：随着互联网+时代和智能终端的飞速发展,基于多角度分析的数据预测混合模型在科学研究和社会实践中起着越来越重要的作用。以机器学习为基础的人工智能使得人们的生活具有了幸福感,这是当今人类社会发展的必然趋势。分类问题作为机器学习的核心,倍受科研人员的青睐,于是越来越多的学者开始了它在多个应用领域的研究。在研究过程中,他们将基于支持向量机的智能化经典算法引入其中,解决了实际问题中的常见预测问题。但由于支持向量机自身模型在计算时比较复杂,致使它的推广性受到了很大的限制,于是解决非线性复杂性问题的最小二乘支持向量机应运而生。马尔科夫链是一种离散事件随机过程,在建模中常用来解决排队问题和统计学问题,它的模型在随机动态模型中举足轻重,也是常见的一种预测模型,它主要用来分析事物发展过程中的转移概率。这两种模型在科学研究及实践中被广泛应用,并且成效显著。支持向量机和马尔科夫链模型在众多领域被广泛应用,但传统的模型研究显得单一,在单个领域比较实用,且缺乏创新点和广泛性。而混合模型可以很好地克服单一性,通过多层次、宽角度、广领域的分析和运作,提高预测模型中的预测精度。因此,本文重点研究了最小二乘支持向量机和马尔科夫模型的混合模型,以解决单一预测模型预测精度低的问题,从而实现模型的最优化。并以甘肃省兰州市公路客运量为基准做了仿真实验。本文主要研究内容组织如下:(1)回顾了最小二乘支持向量机与马尔科夫链的发展历程以及国内外研究现状,阐述了统计学习理论中VC维的概念界定、推广性的界和模型的估计与选择,根据马尔科夫链的正定性和有限性说明了马尔科夫过程。本文利用多种核函数简化了内积运算,有效的避免了因维数相对较高使得计算变得复杂。(2)从数据预处理、模型实现过程、参数选择优化和参数验证四个角度出发建立最小二乘支持向量机模型,同时研究了基于残差序列处理的马尔科夫模型修正。针对单一模型精度低的问题,本文建立基于最小二乘支持向量机和马尔科夫模型的混合模型。(3)以甘肃省兰州市公路客运量数据为数据基础,用PSO算法优化处理了相关数据,利用建立的混合模型进行实例仿真,并对实验仿真结果进行了对比研究。实验证明:混合预测模型的预测精度要优于单一的ARIMA模型及GM-Markov混合模型,有效的解决了单一模型的预测数据精度低的问题,具有很强的实用性。
【图文】：

过程图,统计学习理论,过程

器的复杂性方面有着重要的地位，在该理论的基础上衍生出了、一致性、估计方差的界、收敛速度等有关的经典理论知识。r Machine，SVM)在此基础之上作为一种新型的统计学习理论被型的数学建模方法。相比其他传统的统计学习理论，支持向量次规划问题，，它把统计学习理论中的 VC(Vapnik Chervonenkis 风险最小化(Structural Risk Minimization, SRM)原则作为理论依维数和小样本等数学建模问题。通过这种算法原理，在建模过，这也解决了神经网络等算法中经常遇到的局部极值问题[1-4]。科夫在 20 世纪初期提出了马尔科夫过程理论，该理论起源于科践生活问题，它在概率论中是一种典型的随机过程，该理论常序列的状态和转移规律等问题。马尔科夫过程在通信、医学、等领域得到了广泛应用，并且成效显著[5-6]。究现状网+时代的迅速发展和科学技术的飞速进步，统计学习理论和马趋成熟，它们的理论也在不断改进，具体改进过程如图 1.1，

过程图,马尔科夫链,过程,支持向量机

图 1.2 马尔科夫链的改进过程理论和马尔科夫链理论思想不断改进的同时，作为它们中理论支持向量机和马尔科夫模型(Markov Model)在国内外科研和实践支持向量机主要应用于经济、医疗、食品和化工等领域，在工业及预测决断中需要建立相应的数学模型，最小二乘支持向量机利到了很好的应用。2007 年刘毅、王海清等人将最小二乘支持向量机结合，并提出了基于最小二乘支持向量机的N阶段最优控制算等人研究了最小二乘支持向量机参数选择的基本方法，并且在多论证[8]。Gocthals、Suykens Jak 等人利用最小二乘支持向量机的输出的 Herstein 模型进行了优化处理[9]。2009 年方辉通过对支持出了支持向量机多分类算法[10]。2011 年朱红求、阳春华等人对法中的参数进行了优选研究[11]。2006 年周博韬等人通过研究及持向量机的算法做了改进[12]。2013 年刘卫华对基于图像边缘检
【学位授予单位】：兰州交通大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：U495

【参考文献】