[1]张观东,李军.KPCA-LSSVM方法在视频时间序列预测中应用[J].华侨大学学报(自然科学版),2018,39(2):281-285.[doi:10.11830/ISSN.1000-5013.201708019]
　ZHANG Guandong,LI Jun.Application of KPCA-LSSVM in Video Trace and Time Series Prediction[J].Journal of Huaqiao University(Natural Science),2018,39(2):281-285.[doi:10.11830/ISSN.1000-5013.201708019]
点击复制

KPCA-LSSVM方法在视频时间序列预测中应用()
分享到：

《华侨大学学报（自然科学版）》[ISSN:1000-5013/CN:35-1079/N]

卷:
第39卷
期数:
2018年第2期
页码:
281-285
栏目:
出版日期:
2018-03-20

文章信息/Info

Title:
Application of KPCA-LSSVM in Video Trace and Time Series Prediction
文章编号:
1000-5013(2018)02-0281-05
作者:
张观东;  李军
兰州交通大学 自动化与电气工程学院, 甘肃 兰州 730070
Author(s):
ZHANG Guandong;  LI Jun
School of Automation and Electrical Engineering, Lanzhou Jiaotong University, Lanzhou 730070, China
关键词:
时间序列预测;  交通流量;  视频流量;  核主成分分析;  最小二乘支持向量机
Keywords:
time series prediction;  traffic flow;  video flow;  kernel principal component analysis;  least squares support vector machine
分类号:
TP183
DOI:
10.11830/ISSN.1000-5013.201708019
文献标志码:
A
摘要:
为提高时间序列预测精度及降低预测过程中的计算复杂度,提出一种基于核主成分分析(KPCA)与最小二乘支持向量机(LSSVM)相结合的预测方法.首先,将输入数据通过核方法映射至高维特征空间;然后,在特征空间上提取有效非线性主元;最终,通过LSSVM建立时间序列模型.为验证KPCA-LSSVM方法的有效性,将其应用于交通流及视频流预测中,在同等条件下,与单一的LSSVM及神经网络等预测方法进行比较.实验结果表明:基于KPCA-LSSVM建立的模型具有较好的推广性及较高的辨识精度.
Abstract:
A prediction method based on kernel principal component analysis(KPCA)and least squares support vector machine(LSSVM)is proposed for the prediction of time series that increasing prediction precision and decreasing the computing complexity. Firstly, the input data will be mapped to high-dimensional feature space through kernel method, then the effective nonlinear principal element can be extracted in the feature space, and finally the time series model is established by LSSVM. In order to verify the validity of KPCA-LSSVM method, it is used in traffic flow and video flow prediction, and compared with single LSSVM and neural network in the same condition. The experimental results show that the model based on KPCA-LSSVM has good generalization and high identification accuracy compared with other methods.

参考文献/References:

[1] 李海林,杨丽彬.时间序列数据降维和特征表示方法[J].控制与决策,2013,28(11):1718-1722.
[2] SUN Baiqing,GUO Haifeng,KARIMI H R,et al.Prediction of stock index futures prices based on fuzzy sets and multivariate fuzzy time series[J].Neurocomputing,2015,151(3):1528-1536.DOI:10.1016/j.neucom.2014.09.018.
[3] BHATTACHARYA D,KONAR A,DAS P.Secondary factor induced stock index time-series prediction using self-adaptive interval type-2 fuzzy sets[J].Neurocomputing,2015,171(C):551-568.DOI:10.1016/j.neucom.2015.06.073.
[4] 李哲敏,许世卫,崔利国,等.基于动态混沌神经网络的预测研究: 以马铃薯时间序列价格为例[J].系统工程理论与实践,2015,35(8):2083-2091.DOI:10.12011/1000-6788(2015)8-2083.
[5] 李瑞国,张宏立,范文慧,等.基于改进教学优化算法的Hermite正交基神经网络混沌时间序列预测[J].物理学报,2015,64(20):104-116.DOI:10.7498/aps.64.200506.
[6] 李松,刘力军,刘颖鹏.改进PSO优化BP神经网络的混沌时间序列预测[J].计算机工程与应用,2013,49(6):245-248.DOI:10.3778/j.issn.1002-8331.1108-0081.
[7] 李松,罗勇,张铭锐.遗传算法优化BP神经网络的混沌时间序列预测[J].计算机工程与应用,2011,47(29):52-55.
[8] 赵志宏,杨绍普.基于SVM的混沌时间序列分析[J].动力学与控制学报,2009,7(1):5-8.
[9] 郑永康,陈维荣,戴朝华,等.Gaussian小波SVM及其混沌时间序列预测[J].控制工程,2009,16(4):468-471.
[10] 刘婷婷,史久根,韩江洪.基于SVM的瓦斯体积分数混沌时间序列预测[J].合肥工业大学学报(自然科学版),2009,32(8):1150-1153.DOI:10.3969/j.issn.1003-5060.2009.08.008.
[11] MIRANIAN A,ABDOLLAHZADE M.Developing a local least-squares support vector machines-based neuro-fuzzy model for nonlinear and chaotic time series prediction[J].IEEE Transactions on Neural Networks and Learning Systems,2013,24(2):207-218.DOI:10.1109/TNNLS.2012.2227148.
[12] 韩敏,许美玲,任伟杰.多元混沌时间序列的相关状态机预测模型研究[J].自动化学报,2014,40(5):822-829.
[13] 韩敏,许美玲.一种基于误差补偿的多元混沌时间序列混合预测模型[J].物理学报,2013,62(12):106-112.
[14] 赵永平,张丽艳,李德才,等.过滤窗最小二乘支持向量机的混沌时间序列预测[J].物理学报,2013,62(12):113-121.DOI:10.7498/aps.62.120511.
[15] 张森,肖先赐.混沌时间序列全局预测新方法: 连分式法[J].物理学报,2005,54(11):5062-5068.
[16] 莫小琴,李钟慎.混沌时间序列的LSSVM预测方法[J].华侨大学学报(自然科学版),2014,35(4):373-377.DOI:10.11830/ISSN.1000-5013.2014.04.0373.

备注/Memo

备注/Memo:
收稿日期: 2017-08-16
通信作者: 李军(1969-),男,教授,博士,主要从事复杂非线性建模与控制的研究.E-mail:lijun691201@mail.lzjtu.cn.
基金项目: 国家自然科学基金资助项目(51467008)
更新日期/Last Update: 2018-03-20