基于统计学习理论的正则化最小二乘回归在时间序列建模和预测中的应用 ——太阳黑子数、石油价格、汇率的预测

发布时间：2021-12-24 16:23

　　时间序列模型经历了从线性模型到非线性模型的发展。非线性时间序列模型又分为参数模型和非参数模型。人工智能发展起来以后，神经网络、支持向量回归在时间序列建模中，发挥着越来越重要的作用。本文借鉴神经网络和支持向量回归应用到时间序列预测的思想，将基于统计学习（Statistical Learning记为：SL）理论的正则化最小二乘回归（Regularized Least-Squares Regression记为：RLSR）应用到时间序列建模和预测中。利用RLS方法，对平稳序列和非平稳序列进行了随机模拟，并得到较好结果。之后，将RLS方法分别应用到太阳黑子、石油价格和英镑／美元的汇率的时间序列预测中，取得了比文献中已有研究更好的结果。RLS方法充分利用了统计学习理论中再生核希尔伯特空间（Reproducing Kernel Hilbert Space记为：RKHS）的性质。在算法的求解过程中，最终转化为一个简单的线性方程。相对于文献中已有的模型，RLS方法的求解过程相对简单。文章的贡献：●尝试将基于统计学习理论的RLS方法应用于时间序列建模和预测中。●通过随机模拟，用RLS方法对平稳序列、非平稳... 

【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校

【文章页数】：119 页

【学位级别】：博士

【部分图文】：

-5:不同p值对应的最小的NMsE

}一~}。}，.卜—厂份叮一一~卞一下一‘了一门 024二亏 01214呀.，.匆240.，0， 214翎p)1.匆圈3-24:不同p值对应的最小的xMSE图3-2-5:不同p值对应的最小的NMsE图3一2一6展示了，在厂5的条件下，用不同的lambda对应的补11练样本和验证样本的NMSE。能使验证样本的NMSE达到最小的l别滋b血即是最优的正则化参数。，夕粗洲.认，切如l闻..目.目山目生2一//\/\//\\1r、汀1/一/，令100，了10.圈3一衣p叱时，lambd.对应的最小的.泊自I

需要预测的序列为:又=戈+m，根据式(3一3一l)随机产生300个点，其中训练样本、验证样本、测试样本各100个点(图3一3一1)。然后利用RLS方法进行建模，并运行500次(图3一3一2)。 ~~~’八，怂---一一丽讨丫丫 ___飞飞丫一 ___——阳目以目目 ...目 目圈冬孚l:含一次泊势项人侧匀序列圈(其中一条)目习一:Rl名方法对含一次趋势项序列预翻棋拟圈(10条) 1.2参数选取利用二维搜索的方法，在p盯l，20]，勿脚bda。[10乃，1护l范围内搜索最优的参数。当验证样本的NMSE达到最小的时候，对应的p


本文编号：3550812