基于ARIMA和LSSVM的非线性集成预测模型

被引：7

作者：

朱帮助 ^{[1
]}

林健 ^{[2
]}

机构：

[1] 五邑大学管理学院

[2] 北京航空航天大学经济管理学院

来源：

数学的实践与认识 | 2009年 / 39卷 / 12期

关键词：

时间序列预测; 非线性集成; ARIMA; LSSVM;

D O I：

暂无

中图分类号：

O211.67 [期望与预测];

学科分类号：

摘要：

针对复杂时间序列预测困难的问题,在综合考虑线性与非线性复合特征的基础上,提出一种基于ARIMA和最小二乘支持向量机(LSSVM)的非线性集成预测方法.首先采用ARIMA模型进行时间序列线性趋势建模,并为LSSVM建模确定输入阶数;接着根据确定的输入阶数进行时间序列样本重构,采用LSSVM模型进行时间序列非线性特征建模;最后采用基于LSSVM的非线性集成技术形成一个综合的预测结果.将该方法用于中国GDP预测取得的结果,与单独预测方法及流行的其他集成预测方法相比,预测精度有了较大的提高,从而验证了方法的有效性和可行性.

引用

页码：34 / 40

页数：7

共 11 条

[1] Combining neural network model with seasonal time series ARIMA model [J].

Tseng, FM ;

Yu, HC ;

Tzeng, GH .

TECHNOLOGICAL FORECASTING AND SOCIAL CHANGE, 2002, 69 (01) :71-87

[2] Least squares support vector machine classifiers [J].

Suykens, JAK ;

Vandewalle, J .

NEURAL PROCESSING LETTERS, 1999, 9 (03) :293-300

[3]

Time series forecasting by combining RBF networks, certainty factors, and the Box-Jenkins model[J] . Donald K. Wedding,Krzysztof J. Cios. &nbspNeurocomputing . 1996 (2)

[4] Combining kohonen maps with arima time series models to forecast traffic flow [J].

vanderVoort, M ;

Dougherty, M ;

Watson, S .

TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES, 1996, 4 (05) :307-318

[5] 基于PSO-PLS的组合预测方法在GDP预测中的应用 [J].

肖智 ;

吴慰 .

管理科学, 2008, (03) :115-121

[6]

中国统计年鉴[M]. 中国统计出版社 , 中华人民共和国国家统计局, 2008

[7]

外汇汇率与国际原油价格波动预测[M]. 湖南大学出版社 , 余乐安,汪寿阳,黎建强著, 2006

[8]

Yu,L.,Wang,S.Y.,Lai,K.K.A novel nonlinear ensemble forecasting model incorporating GLAR and ANN for foreign exchange rates. Computers and Operations Research . 2005

[9]

Lin J,Zhu B Z.Neural Network Ensemble Based on Forecasting Effective Measure and Its Application. Journal of Computa-tional Information Systems . 2005

[10]

Zhang G P.Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing . 2003

← 1 2 →