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。
1
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�
2021-07-16 19:52:39 604KB 首发论文
1
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。
2021-06-30 17:37:23 1.18MB 碳排放交易价格 时间序列 ARIMA-SVM 预测
1
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:
2021-04-28 10:51:20 3KB arima svm
1