基于支持向量機(jī)的非線性模型及其在區(qū)域經(jīng)濟(jì)預(yù)測中的應(yīng)用.pdf

1、隨著近年來機(jī)器學(xué)習(xí)和人工智能算法的快速發(fā)展,一些新的預(yù)測技術(shù)被運(yùn)用到經(jīng)濟(jì)管理的實(shí)際研究中。支持向量機(jī)(SVM)是在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上發(fā)展起來的一種新的模式識(shí)別方法,是機(jī)器學(xué)習(xí)界的熱點(diǎn)之一。它在解決小樣本、非線性以及高維度模式識(shí)別與回歸估計(jì)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(chǔ)上,針對(duì)SVM方法所具有的擬合精度高、推廣能力強(qiáng)、全局最優(yōu)、針對(duì)小樣本等特點(diǎn),將支持向量機(jī)應(yīng)用于對(duì)區(qū)域經(jīng)濟(jì)發(fā)展水平的預(yù)測中,建立了基于支持向量機(jī)的區(qū)域經(jīng)濟(jì)

2、非線性預(yù)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(jì)預(yù)測的評(píng)價(jià)指標(biāo)體系,其中考慮了政策變動(dòng)因素對(duì)區(qū)域經(jīng)濟(jì)發(fā)展的影響;其次,時(shí)間序列預(yù)測是建立在對(duì)歷史信息已知的基礎(chǔ)上,本文按照將當(dāng)期的經(jīng)濟(jì)發(fā)展水平構(gòu)造為過去3年各類指標(biāo)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(jìn)行指標(biāo)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(jī)模型中的參數(shù)選擇對(duì)模型預(yù)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(yù)測精確度最好的參數(shù)組合構(gòu)造最終的預(yù)測模型;最后,通過將BP神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果與支持向量機(jī)方法進(jìn)行對(duì)比,驗(yàn)證了支持向量機(jī)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(biāo)準(zhǔn)化以及核函數(shù)選擇等對(duì)結(jié)果的影響進(jìn)行了比較。通過對(duì)重慶市區(qū)域經(jīng)濟(jì)預(yù)測的實(shí)際應(yīng)用研究,結(jié)果表明,SVM方法對(duì)非平穩(wěn)的小樣本區(qū)域經(jīng)濟(jì)數(shù)據(jù)有良好的建模和泛化能力,且可達(dá)到較高的預(yù)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(shí)用性和較高的準(zhǔn)