基于小波和支持向量机的多尺度时间序列预测

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (29): 182-185.

基于小波和支持向量机的多尺度时间序列预测

曲文龙^1,2,李海燕¹,刘永伟¹,杨炳儒²

1.石家庄经济学院计算机系,石家庄 050031
2.北京科技大学信息工程学院,北京 100083

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-10-11 发布日期:2007-10-11
通讯作者: 曲文龙

Research on multi-scale prediction of time series based on wavelet and Support Vector Machines

QU Wen-long^1,2,LI Hai-yan¹,LIU Yong-wei¹,YANG Bing-ru²

1.Department of Computer Science,Shijiazhuang University of Economics,Shijiazhuang 050031,China
2.Information Engineering College,University of Science and Technology Beijing,Beijing 100083,China

Received:1900-01-01 Revised:1900-01-01 Online:2007-10-11 Published:2007-10-11
Contact: QU Wen-long

摘要/Abstract

摘要： 介绍了相空间重构和基于支持向量机的时间序列预测建模技术,提出了基于小波和支持向量机的复杂时间序列预测方法,利用小波对复杂时间序列进行多尺度分解,对重构后的近似序列和细节序列分别利用支持向量机进行回归预测并将结果融合。对股票数据进行预测,试验结果表明该方法预测精度高于单尺度支持向量机和神经网络预测方法,可用于复杂非平稳时间序列的预测。

关键词: 时间序列预测, 小波, 支持向量机, 多尺度, 数据挖掘

Abstract: The technology of phase construction and modeling of time series prediction based on SVM（Support Vector Machines）was introduced firstly.A complicated time series predicting method based on Support Vector Machines and wavelet was proposed.It performances multiple-scaled decomposition on complicated time series using discrete wavelet transform.Then the reconstructed approximate series and detail series were regressed and predicted respectively using SVM and the outcomes were composed finally.The prediction model was established and applied it to the stock data.Experimental result indicates that the prediction model has superiority over simple SVM and ANN（Artificial Neural Network） for it has higher prediction precision and is applicable to predicting complicated and unstable time series.

Key words: time series prediction, wavelet, SVM, multiple scale, data mining

曲文龙^1,2,李海燕¹,刘永伟¹,杨炳儒². 基于小波和支持向量机的多尺度时间序列预测[J]. 计算机工程与应用, 2007, 43(29): 182-185.

QU Wen-long^1,2,LI Hai-yan¹,LIU Yong-wei¹,YANG Bing-ru². Research on multi-scale prediction of time series based on wavelet and Support Vector Machines[J]. Computer Engineering and Applications, 2007, 43(29): 182-185.

[1]	张朕通，单玉刚，袁杰. 联合多尺度和注意力机制的遥感影像检测[J]. 计算机工程与应用, 2021, 57(9): 212-216.
[2]	王兵，乐红霞，李文璟，张孟涵. 改进YOLO轻量化网络的口罩检测算法[J]. 计算机工程与应用, 2021, 57(8): 62-69.
[3]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[4]	李现国，冯欣欣，李建雄. 多尺度残差网络的单幅图像超分辨率重建[J]. 计算机工程与应用, 2021, 57(7): 215-221.
[5]	梁芳烜，杨锋，卢丽云，尹梦晓. 基于卷积神经网络的脑肿瘤分割方法综述[J]. 计算机工程与应用, 2021, 57(7): 34-43.
[6]	韩卫宇，程龙生. 结合马田系统-SVM的滚动轴承故障模式分类研究[J]. 计算机工程与应用, 2021, 57(6): 239-246.
[7]	宗晓萍，陶泽泽. 基于掌握速度的知识追踪模型[J]. 计算机工程与应用, 2021, 57(6): 117-123.
[8]	罗会兰，彭珊，陈鸿坤. 目标检测难点问题最新研究进展综述[J]. 计算机工程与应用, 2021, 57(5): 36-46.
[9]	雷恒林，古兰拜尔·吐尔洪，买日旦·吾守尔，张东梅. 新奇检测综述[J]. 计算机工程与应用, 2021, 57(5): 47-55.
[10]	温杰彬，杨文忠，马国祥，张志豪，李海磊. 基于Apex帧光流和卷积自编码器的微表情识别[J]. 计算机工程与应用, 2021, 57(4): 127-133.
[11]	李佐龙，王帮海，卢增. 多尺度特征融合重建的行人检测方法[J]. 计算机工程与应用, 2021, 57(4): 176-182.
[12]	李俊侠，张秦，郑桂妹. 超宽带雷达人体姿态识别综述[J]. 计算机工程与应用, 2021, 57(3): 14-23.
[13]	高天宇，王庆荣，杨磊. 粗糙集属性依赖度强化的应急数据挖掘模型[J]. 计算机工程与应用, 2021, 57(3): 87-93.
[14]	朱惠娟，宗平，丛玉华. 基于权重池的多尺度图像质量评估方法[J]. 计算机工程与应用, 2021, 57(3): 215-221.
[15]	徐先峰，蔡路路，张丽. 融合MLP和DBN的光伏发电预测算法[J]. 计算机工程与应用, 2021, 57(3): 266-272.