研究网络流量预测精度问题, 网络流量受多种因素的综合影响, 其变化具有周期性、非线性和随机性等特点, 将ARIMA模型和SVM模型相结合建立一种网络流量预测模型。采用ARIMA预测网络流量周期性和线性变化趋势; 然后采用SVM对网络流量非线性和随机性趋势进行拟合; 最后将两者结果再次输入SVM进行融合, 得到网络流量最终预测结果。采用具体网络流量数据对模型性能进行测试, 仿真结果表明, ARIMA-SVM提高了网络流量预测精度, 降低了预测误差, 能更全面刻画网络流量变化规律。

基于相空间重构和ARIMA-SVM模型对我国进出口总额的预测研究，李超，雷钦礼，进出口数据作为广泛经济时序数据的一种，预测通常采用时序研究方法。如经典线性模型，滑动自回归模型（ARIMA）。现实时序数据通常�

为了帮助企业、投资者和市场监管部门优化碳排放市场参与行为，需要对碳排放交易价 格进行合理有效的预测。考虑到碳排放交易价格时间序列同时具有线性和非线性２种特征，选 择ARIMA-SVM融合模型运用到碳排放交易价格预测中，发挥该模型预测精度高的优势。运用ARIMA-SVM模型、ARIMA模型、SVM模型和Db6-SVM模型对湖北碳排放交易价格进行８期 预测。通过４种模型预测值的 MSE值和 MAE值确定预测精度，对比预测精度，探究 ARIMA-SVM模型是否为准确有效的预测模型，实证结果表明：ARIMA-SVM模型的MSE值为0.1770， 是４种模型的最低值；MAE值为0.3387，是４种模型的次低值。可以认为ARIMA-SVM模型的 预测精度最高，是一种有效的且精度高的碳排放价格预测模型，可用于碳排放交易价格预测，可 以为碳排放交易参与企业和各方投资者把握价格波动趋势，增强防范能力提供保障，也可以为 市场监管职能部门防止碳排放交易价格过度波动及时制定有效措施。

R语言代码 本人亲测可以跑 ARIMA和SVM 组合预测 ARIMA 与SVM 模型各有优缺点，但由于分别对线性 模型及非线性模型处理具有优势，他们之间存在优势互 补，因此，二者组合起来进行价格预测，可能会收到较好结 果。假设时间序列Yt可视为线性自相关部分Lt与非线性 残差Nt两部分的组合, 即:Yt = Lt+ Nt，本文拟采取如下步骤 构建组合预测模型: