1、概率论与数理统计专业优秀论文 -支持向量回归在时间序列型数据预测上的应用关键词：支持向量回归 时间序列 核函数 数据预测摘要：支持向量机(Support Vector Machine，SVM)是基于由 Vapnik 等人提出的可应用于小样本的统计学习理论(Statiaical Learning Theory，SLT)的一种新的机器学习方法，由于引入了结构风险最小化(Structural Risk Minimization，SRM)的思想，有很好的学习能力，并解决了如维数灾难，小样本，非线性，局部极值等问题，已经成为数据挖掘技术中的研究热点。目前SVM 主要在分类和回归两个领域有着广泛的应用。由
2、于 SVM 最先是在分类问题上取得成功的，因此这方面的理论和实际应用的研究已经日趋成熟，而回归方面还有很多应用有待发掘。 本文首先简要介绍了统计学习理论的主要内容，在此基础上较为系统的介绍了支持向量回归(Support Vector Machine for Regression，SVR)中的一种算法 C-SVR 的基本原理和实现过程，并用此方法对不同的时间序列类型的经济数据(深圳市旅游客流量月度数据和成都市物价指数月度数据)进行了回归和预测，在对旅游客流量的回归和预测中，比较了采用不同的核函数(RBF 核函数和多项式核函数)的预测效果，前者明显优于后者，并与传统的时间序列分析方法进行了比较，预
3、测性能也比传统的时间序列分析方法好很多。此外，还与已有的对成都物价指数预测的方法进行了比较，体现了C-SVR 在时间序列型数据的回归和预测方面的有效性。正文内容支持向量机(Support Vector Machine，SVM)是基于由 Vapnik 等人提出的可应用于小样本的统计学习理论(Statiaical Learning Theory，SLT)的一种新的机器学习方法，由于引入了结构风险最小化(Structural Risk Minimization，SRM)的思想，有很好的学习能力，并解决了如维数灾难，小样本，非线性，局部极值等问题，已经成为数据挖掘技术中的研究热点。目前SVM 主要在分
4、类和回归两个领域有着广泛的应用。由于 SVM 最先是在分类问题上取得成功的，因此这方面的理论和实际应用的研究已经日趋成熟，而回归方面还有很多应用有待发掘。 本文首先简要介绍了统计学习理论的主要内容，在此基础上较为系统的介绍了支持向量回归(Support Vector Machine for Regression，SVR)中的一种算法 C-SVR 的基本原理和实现过程，并用此方法对不同的时间序列类型的经济数据(深圳市旅游客流量月度数据和成都市物价指数月度数据)进行了回归和预测，在对旅游客流量的回归和预测中，比较了采用不同的核函数(RBF 核函数和多项式核函数)的预测效果，前者明显优于后者，并与传
5、统的时间序列分析方法进行了比较，预测性能也比传统的时间序列分析方法好很多。此外，还与已有的对成都物价指数预测的方法进行了比较，体现了C-SVR 在时间序列型数据的回归和预测方面的有效性。支持向量机(Support Vector Machine，SVM)是基于由 Vapnik 等人提出的可应用于小样本的统计学习理论(Statiaical Learning Theory，SLT)的一种新的机器学习方法，由于引入了结构风险最小化(Structural Risk Minimization，SRM)的思想，有很好的学习能力，并解决了如维数灾难，小样本，非线性，局部极值等问题，已经成为数据挖掘技术中的研究
6、热点。目前SVM 主要在分类和回归两个领域有着广泛的应用。由于 SVM 最先是在分类问题上取得成功的，因此这方面的理论和实际应用的研究已经日趋成熟，而回归方面还有很多应用有待发掘。 本文首先简要介绍了统计学习理论的主要内容，在此基础上较为系统的介绍了支持向量回归(Support Vector Machine for Regression，SVR)中的一种算法 C-SVR 的基本原理和实现过程，并用此方法对不同的时间序列类型的经济数据(深圳市旅游客流量月度数据和成都市物价指数月度数据)进行了回归和预测，在对旅游客流量的回归和预测中，比较了采用不同的核函数(RBF 核函数和多项式核函数)的预测效果
7、，前者明显优于后者，并与传统的时间序列分析方法进行了比较，预测性能也比传统的时间序列分析方法好很多。此外，还与已有的对成都物价指数预测的方法进行了比较，体现了C-SVR 在时间序列型数据的回归和预测方面的有效性。支持向量机(Support Vector Machine，SVM)是基于由 Vapnik 等人提出的可应用于小样本的统计学习理论(Statiaical Learning Theory，SLT)的一种新的机器学习方法，由于引入了结构风险最小化(Structural Risk Minimization，SRM)的思想，有很好的学习能力，并解决了如维数灾难，小样本，非线性，局部极值等问题，已
8、经成为数据挖掘技术中的研究热点。目前SVM 主要在分类和回归两个领域有着广泛的应用。由于 SVM 最先是在分类问题上取得成功的，因此这方面的理论和实际应用的研究已经日趋成熟，而回归方面还有很多应用有待发掘。 本文首先简要介绍了统计学习理论的主要内容，在此基础上较为系统的介绍了支持向量回归(Support Vector Machine for Regression，SVR)中的一种算法 C-SVR 的基本原理和实现过程，并用此方法对不同的时间序列类型的经济数据(深圳市旅游客流量月度数据和成都市物价指数月度数据)进行了回归和预测，在对旅游客流量的回归和预测中，比较了采用不同的核函数(RBF 核函数
9、和多项式核函数)的预测效果，前者明显优于后者，并与传统的时间序列分析方法进行了比较，预测性能也比传统的时间序列分析方法好很多。此外，还与已有的对成都物价指数预测的方法进行了比较，体现了C-SVR 在时间序列型数据的回归和预测方面的有效性。支持向量机(Support Vector Machine，SVM)是基于由 Vapnik 等人提出的可应用于小样本的统计学习理论(Statiaical Learning Theory，SLT)的一种新的机器学习方法，由于引入了结构风险最小化(Structural Risk Minimization，SRM)的思想，有很好的学习能力，并解决了如维数灾难，小样本，
10、非线性，局部极值等问题，已经成为数据挖掘技术中的研究热点。目前SVM 主要在分类和回归两个领域有着广泛的应用。由于 SVM 最先是在分类问题上取得成功的，因此这方面的理论和实际应用的研究已经日趋成熟，而回归方面还有很多应用有待发掘。 本文首先简要介绍了统计学习理论的主要内容，在此基础上较为系统的介绍了支持向量回归(Support Vector Machine for Regression，SVR)中的一种算法 C-SVR 的基本原理和实现过程，并用此方法对不同的时间序列类型的经济数据(深圳市旅游客流量月度数据和成都市物价指数月度数据)进行了回归和预测，在对旅游客流量的回归和预测中，比较了采用不
11、同的核函数(RBF 核函数和多项式核函数)的预测效果，前者明显优于后者，并与传统的时间序列分析方法进行了比较，预测性能也比传统的时间序列分析方法好很多。此外，还与已有的对成都物价指数预测的方法进行了比较，体现了C-SVR 在时间序列型数据的回归和预测方面的有效性。支持向量机(Support Vector Machine，SVM)是基于由 Vapnik 等人提出的可应用于小样本的统计学习理论(Statiaical Learning Theory，SLT)的一种新的机器学习方法，由于引入了结构风险最小化(Structural Risk Minimization，SRM)的思想，有很好的学习能力，并
12、解决了如维数灾难，小样本，非线性，局部极值等问题，已经成为数据挖掘技术中的研究热点。目前SVM 主要在分类和回归两个领域有着广泛的应用。由于 SVM 最先是在分类问题上取得成功的，因此这方面的理论和实际应用的研究已经日趋成熟，而回归方面还有很多应用有待发掘。 本文首先简要介绍了统计学习理论的主要内容，在此基础上较为系统的介绍了支持向量回归(Support Vector Machine for Regression，SVR)中的一种算法 C-SVR 的基本原理和实现过程，并用此方法对不同的时间序列类型的经济数据(深圳市旅游客流量月度数据和成都市物价指数月度数据)进行了回归和预测，在对旅游客流量的
13、回归和预测中，比较了采用不同的核函数(RBF 核函数和多项式核函数)的预测效果，前者明显优于后者，并与传统的时间序列分析方法进行了比较，预测性能也比传统的时间序列分析方法好很多。此外，还与已有的对成都物价指数预测的方法进行了比较，体现了C-SVR 在时间序列型数据的回归和预测方面的有效性。支持向量机(Support Vector Machine，SVM)是基于由 Vapnik 等人提出的可应用于小样本的统计学习理论(Statiaical Learning Theory，SLT)的一种新的机器学习方法，由于引入了结构风险最小化(Structural Risk Minimization，SRM)的
14、思想，有很好的学习能力，并解决了如维数灾难，小样本，非线性，局部极值等问题，已经成为数据挖掘技术中的研究热点。目前SVM 主要在分类和回归两个领域有着广泛的应用。由于 SVM 最先是在分类问题上取得成功的，因此这方面的理论和实际应用的研究已经日趋成熟，而回归方面还有很多应用有待发掘。 本文首先简要介绍了统计学习理论的主要内容，在此基础上较为系统的介绍了支持向量回归(Support Vector Machine for Regression，SVR)中的一种算法 C-SVR 的基本原理和实现过程，并用此方法对不同的时间序列类型的经济数据(深圳市旅游客流量月度数据和成都市物价指数月度数据)进行了回
15、归和预测，在对旅游客流量的回归和预测中，比较了采用不同的核函数(RBF 核函数和多项式核函数)的预测效果，前者明显优于后者，并与传统的时间序列分析方法进行了比较，预测性能也比传统的时间序列分析方法好很多。此外，还与已有的对成都物价指数预测的方法进行了比较，体现了C-SVR 在时间序列型数据的回归和预测方面的有效性。支持向量机(Support Vector Machine，SVM)是基于由 Vapnik 等人提出的可应用于小样本的统计学习理论(Statiaical Learning Theory，SLT)的一种新的机器学习方法，由于引入了结构风险最小化(Structural Risk Minim
16、ization，SRM)的思想，有很好的学习能力，并解决了如维数灾难，小样本，非线性，局部极值等问题，已经成为数据挖掘技术中的研究热点。目前SVM 主要在分类和回归两个领域有着广泛的应用。由于 SVM 最先是在分类问题上取得成功的，因此这方面的理论和实际应用的研究已经日趋成熟，而回归方面还有很多应用有待发掘。 本文首先简要介绍了统计学习理论的主要内容，在此基础上较为系统的介绍了支持向量回归(Support Vector Machine for Regression，SVR)中的一种算法 C-SVR 的基本原理和实现过程，并用此方法对不同的时间序列类型的经济数据(深圳市旅游客流量月度数据和成都市
17、物价指数月度数据)进行了回归和预测，在对旅游客流量的回归和预测中，比较了采用不同的核函数(RBF 核函数和多项式核函数)的预测效果，前者明显优于后者，并与传统的时间序列分析方法进行了比较，预测性能也比传统的时间序列分析方法好很多。此外，还与已有的对成都物价指数预测的方法进行了比较，体现了C-SVR 在时间序列型数据的回归和预测方面的有效性。支持向量机(Support Vector Machine，SVM)是基于由 Vapnik 等人提出的可应用于小样本的统计学习理论(Statiaical Learning Theory，SLT)的一种新的机器学习方法，由于引入了结构风险最小化(Structur
18、al Risk Minimization，SRM)的思想，有很好的学习能力，并解决了如维数灾难，小样本，非线性，局部极值等问题，已经成为数据挖掘技术中的研究热点。目前SVM 主要在分类和回归两个领域有着广泛的应用。由于 SVM 最先是在分类问题上取得成功的，因此这方面的理论和实际应用的研究已经日趋成熟，而回归方面还有很多应用有待发掘。 本文首先简要介绍了统计学习理论的主要内容，在此基础上较为系统的介绍了支持向量回归(Support Vector Machine for Regression，SVR)中的一种算法 C-SVR 的基本原理和实现过程，并用此方法对不同的时间序列类型的经济数据(深圳市
19、旅游客流量月度数据和成都市物价指数月度数据)进行了回归和预测，在对旅游客流量的回归和预测中，比较了采用不同的核函数(RBF 核函数和多项式核函数)的预测效果，前者明显优于后者，并与传统的时间序列分析方法进行了比较，预测性能也比传统的时间序列分析方法好很多。此外，还与已有的对成都物价指数预测的方法进行了比较，体现了C-SVR 在时间序列型数据的回归和预测方面的有效性。支持向量机(Support Vector Machine，SVM)是基于由 Vapnik 等人提出的可应用于小样本的统计学习理论(Statiaical Learning Theory，SLT)的一种新的机器学习方法，由于引入了结构风
20、险最小化(Structural Risk Minimization，SRM)的思想，有很好的学习能力，并解决了如维数灾难，小样本，非线性，局部极值等问题，已经成为数据挖掘技术中的研究热点。目前SVM 主要在分类和回归两个领域有着广泛的应用。由于 SVM 最先是在分类问题上取得成功的，因此这方面的理论和实际应用的研究已经日趋成熟，而回归方面还有很多应用有待发掘。 本文首先简要介绍了统计学习理论的主要内容，在此基础上较为系统的介绍了支持向量回归(Support Vector Machine for Regression，SVR)中的一种算法 C-SVR 的基本原理和实现过程，并用此方法对不同的时间
21、序列类型的经济数据(深圳市旅游客流量月度数据和成都市物价指数月度数据)进行了回归和预测，在对旅游客流量的回归和预测中，比较了采用不同的核函数(RBF 核函数和多项式核函数)的预测效果，前者明显优于后者，并与传统的时间序列分析方法进行了比较，预测性能也比传统的时间序列分析方法好很多。此外，还与已有的对成都物价指数预测的方法进行了比较，体现了C-SVR 在时间序列型数据的回归和预测方面的有效性。支持向量机(Support Vector Machine，SVM)是基于由 Vapnik 等人提出的可应用于小样本的统计学习理论(Statiaical Learning Theory，SLT)的一种新的机器
22、学习方法，由于引入了结构风险最小化(Structural Risk Minimization，SRM)的思想，有很好的学习能力，并解决了如维数灾难，小样本，非线性，局部极值等问题，已经成为数据挖掘技术中的研究热点。目前SVM 主要在分类和回归两个领域有着广泛的应用。由于 SVM 最先是在分类问题上取得成功的，因此这方面的理论和实际应用的研究已经日趋成熟，而回归方面还有很多应用有待发掘。 本文首先简要介绍了统计学习理论的主要内容，在此基础上较为系统的介绍了支持向量回归(Support Vector Machine for Regression，SVR)中的一种算法 C-SVR 的基本原理和实现过
23、程，并用此方法对不同的时间序列类型的经济数据(深圳市旅游客流量月度数据和成都市物价指数月度数据)进行了回归和预测，在对旅游客流量的回归和预测中，比较了采用不同的核函数(RBF 核函数和多项式核函数)的预测效果，前者明显优于后者，并与传统的时间序列分析方法进行了比较，预测性能也比传统的时间序列分析方法好很多。此外，还与已有的对成都物价指数预测的方法进行了比较，体现了C-SVR 在时间序列型数据的回归和预测方面的有效性。特别提醒 ：正文内容由 PDF 文件转码生成，如您电脑未有相应转换码，则无法显示正文内容，请您下载相应软件，下载地址为 http:/ 。如还不能显示，可以联系我 q q 16275
24、50258 ，提供原格式文档。我们还可提供代笔服务，价格优惠，服务周到，包您通过。“垐垯櫃 换烫梯葺铑?endstreamendobj2x 滌甸?*U 躆 跦?l, 墀 VGi?o 嫅#4K 錶 c#x 刔 彟 2Z 皙笜?D 剧珞 H 鏋 Kx 時 k,褝仆? 稀?i 攸闥-) 荮vJ 釔絓|?殢 D 蘰厣?籶(柶胊?07 姻Rl 遜 ee 醳 B?苒?甊袝 t 弟l?%G 趓毘 N 蒖與叚繜羇坯嵎憛?U?Xd* 蛥?-.臟兄+鮶 m4嵸/E 厤U 閄 r塎偨匰忓tQL 綹 eb?抔搉 ok 怊 J?l?庮 蔘?唍*舶裤爞 K 誵Xr 蛈翏磾寚缳 nE 駔殞梕 壦 e 櫫蹴友搇6 碪近躍邀 8 顪?zFi?U 钮 嬧撯暼坻7/?W?3RQ 碚螅 T 憚磴炬 B- 垥 n 國 0fw 丮“eI?a揦(?7 鳁?H?弋睟栴?霽 N 濎嬄! 盯 鼴蝔 4sxr?溣?檝皞咃 hi#?攊(?v 擗谂馿鏤刊 x 偨棆鯍抰Lyy|y 箲丽膈淢 m7 汍衂法瀶?鴫 C?Q 貖 澔?wC(?9m.Ek?腅僼碓 靔 奲?D| 疑維 d袣箈 Q| 榉慓採紤婏(鞄-h-蜪7I冑?匨+蘮.-懸 6 鶚?蚧?铒鷈?叛牪?蹾 rR?*t? 檸?籕
