PCR-RBF-SVM预测模型在财政数据中的应用

J4 ›› 2012, Vol. 50 ›› Issue (01): 111-113.

PCR-RBF-SVM预测模型在财政数据中的应用

王喆¹, 王有力², 孙雯雯¹, 吕巍¹

1. 吉林大学计算机科学与技术学院, 长春 130012|2. 吉林吉信通信咨询设计有限公司, 长春 130012

收稿日期:2011-04-22 出版日期:2012-01-26 发布日期:2012-03-06
通讯作者: 吕巍 E-mail:lvwei@jlu.edu.cn

Application of Prediction Model Based on PCRRBFSVM to Finance Data

WANG Zhe¹, WANG Youli², SUN Wenwen¹, Lv Wei¹

1. College of Computer Science and Technology, Jilin University, Changchun 130012, China;2. Jilin Jixin Communications Consulting and Design Co., Ltd, Changchun 130012, China

Received:2011-04-22 Online:2012-01-26 Published:2012-03-06
Contact: Lv Wei E-mail:lvwei@jlu.edu.cn

摘要/Abstract

摘要：

通过使用支持向量机算法将主成分回归的线性预测结果和径向基神经网络的非线性预测结果相结合, 提出一种新的预测模型, 该模型提高了预测精
度, 解决了预测方式单一的问题. 将新预测模型应用于财政数据预测结果表明, 与传统主成分回归和径向基神经网络方法相比, 该模型预测效果更好.

关键词: 主成分回归, 径向基神经网络, 支持向量机, 预测

Abstract:

On the basis of support vector machine algorithm and the result of principal component regression of the linear prediction and radial basis function neural network of the nonlinear prediction, a new forecasting model was proposed by which one can effectively improve the prediction accuracy and
solve the problem of single prediction. Application of the new prediction model to the prediction of finance data showed that compared with the traditional principal component regression and radial basis neural network method, the new model has better effect and practical significance in prediction.

Key words: principal component regression, radial basis neural network, support vector machine, prediction

中图分类号:

TP399

王喆, 王有力, 孙雯雯, 吕巍. PCR-RBF-SVM预测模型在财政数据中的应用[J]. J4, 2012, 50(01): 111-113.

WANG Zhe, WANG Youli, SUN Wenwen, Lv Wei. Application of Prediction Model Based on PCRRBFSVM to Finance Data[J]. J4, 2012, 50(01): 111-113.

[1]	聂逯松, 常方圆, 常学智, 刘畅, 金有为, 刘国晟, 付加胜, 韩霄松. 一种新型的自适应多核学习算法[J]. 吉林大学学报(理学版), 2021, 59(5): 1212-1218.
[2]	刘桂锋, 于绍楠, 崔璐. 一种基于集成学习策略的单细胞转录组数据集成分类算法[J]. 吉林大学学报(理学版), 2021, 59(5): 1252-1255.
[3]	李永丽, 王浩, 金喜子. 基于随机森林优化的自组织神经网络算法[J]. 吉林大学学报(理学版), 2021, 59(2): 351-358.
[4]	曲豫宾, 陈翔, 李龙. 可缓解类重叠问题的跨版本软件缺陷预测方法[J]. 吉林大学学报(理学版), 2021, 59(2): 372-378.
[5]	刘颖, 杜星秋, 温东欣, 唐伟宁, 张洪明. 基于TLSmote-SVM的非均衡用户窃漏电诊断算法[J]. 吉林大学学报(理学版), 2021, 59(1): 136-142.
[6]	胡黄水, 张国, 王宏志, 赵宏伟, 王出航. 一种基于等区域划分的RFID防碰撞算法[J]. 吉林大学学报(理学版), 2020, 58(1): 120-126.
[7]	王辉, 茹鑫鑫, 戴田旺, 娄亚龙, 刘琨. 基于NAPG模型的攻击增益路径预测算法[J]. 吉林大学学报(理学版), 2019, 57(5): 1169-1178.
[8]	魏晓辉, 许国威, 王兴旺, 徐海啸. 基于节点相似性和链接次数组合时间序列的链接预测[J]. 吉林大学学报(理学版), 2019, 57(3): 583-590.
[9]	杨健, 杨超宇, 李慧宗. 基于二维离散小波的生成图像鉴别方法[J]. 吉林大学学报(理学版), 2019, 57(3): 619-626.
[10]	朱超平, 任继平. 基于智能优化算法的物联网异构数据融合方法[J]. 吉林大学学报(理学版), 2019, 57(3): 627-632.
[11]	杨艳秋, 王德辉. NGINAR(1)模型的Bayes估计及预测[J]. 吉林大学学报(理学版), 2019, 57(06): 1385-1390.
[12]	陈惠娟, 赵旭, 陈亮. 云计算环境中移动网络低匹配度异质信息入侵感知预测算法[J]. 吉林大学学报(理学版), 2019, 57(06): 1449-1455.
[13]	魏晓辉, 崔浩龙, 李洪亮, 白鑫. 支持大规模地震探测数据快速可视化的云端数据缓存技术[J]. 吉林大学学报(理学版), 2018, 56(5): 1147-1155.
[14]	周水生, 姚丹. 一种改进的LSTSVM增量学习算法[J]. 吉林大学学报(理学版), 2018, 56(4): 909-916.
[15]	杨永强, 李淑红. 最小二乘支持向量机的点云数据孔洞修补算法[J]. 吉林大学学报(理学版), 2018, 56(3): 692-696.