基于支持向量機的非線性模型及其在區(qū)域經(jīng)濟預測中的應用.pdf

1、隨著近年來機器學習和人工智能算法的快速發(fā)展,一些新的預測技術(shù)被運用到經(jīng)濟管理的實際研究中。支持向量機(SVM)是在統(tǒng)計學習理論基礎上發(fā)展起來的一種新的模式識別方法,是機器學習界的熱點之一。它在解決小樣本、非線性以及高維度模式識別與回歸估計問題中表現(xiàn)出許多特有的優(yōu)勢。本文在前人研究的基礎上,針對SVM方法所具有的擬合精度高、推廣能力強、全局最優(yōu)、針對小樣本等特點,將支持向量機應用于對區(qū)域經(jīng)濟發(fā)展水平的預測中,建立了基于支持向量機的區(qū)域經(jīng)濟

2、非線性預測模型。在建立模型的過程中,首先,通過定量分析與定性分析構(gòu)建了區(qū)域經(jīng)濟預測的評價指標體系,其中考慮了政策變動因素對區(qū)域經(jīng)濟發(fā)展的影響;其次,時間序列預測是建立在對歷史信息已知的基礎上,本文按照將當期的經(jīng)濟發(fā)展水平構(gòu)造為過去3年各類指標的作用結(jié)果的原則組成數(shù)據(jù)樣本集,并根據(jù)相關(guān)關(guān)系分析方法進行指標的篩選;再次,在模型參數(shù)的選擇優(yōu)化過程中,利用網(wǎng)格搜索算法,研究支持向量機模型中的參數(shù)選擇對模型預測效果的影響以及它們之間的相關(guān)關(guān)系,并

3、選取其中一組預測精確度最好的參數(shù)組合構(gòu)造最終的預測模型;最后,通過將BP神經(jīng)網(wǎng)絡的預測結(jié)果與支持向量機方法進行對比,驗證了支持向量機方法的有效性和優(yōu)越性。本文還就支持向量回歸的不同類型、數(shù)據(jù)樣本的標準化以及核函數(shù)選擇等對結(jié)果的影響進行了比較。通過對重慶市區(qū)域經(jīng)濟預測的實際應用研究,結(jié)果表明,SVM方法對非平穩(wěn)的小樣本區(qū)域經(jīng)濟數(shù)據(jù)有良好的建模和泛化能力,且可達到較高的預測精度,模型具有很高的擬合度。因此,本文成果具有較好的實用性和較高的準