دوره 19، شماره 1 - ( 3-1401 )
جلد 19 شماره 1 صفحات 42-39 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Pourali H, Omranpour H. Ensemble Kernel Learning Model for Prediction of Time Series Based on the Support Vector Regression and Meta Heuristic Search. JSDP 2022; 19 (1) : 3
URL: http://jsdp.rcisp.ac.ir/article-1-1162-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1162-fa.html
پورعلی حدیثه، عمرانپور حسام. ارائه مدل یادگیر ترکیب کرنلها برای پیشبینی سری‌های زمانی براساس رگرسیون بردار پشتیبان و جستجوی فراابتکاری. پردازش علائم و دادهها. 1401; 19 (1) :39-42
دانشگاه صنعتی نوشیروانی
چکیده: (1465 مشاهده)
در این مقاله به ارائه روشی برای پیشبینی سریزمانی پرداخته شده است. مدلی که در این مقاله ارائه شده بر پایه ترکیب کرنلها و رگرسیون بردار پشتیبان است. رگرسیون بردار پشتیبان با استفاده از کرنل هایش توانایی بالایی در حل مسائل تخمین توابع دارد؛ اما این کرنلها پارامترهایی دارند که نیاز به تنظیم دارند. در مدل پیشنهادی کرنلهای مختلف بر روی دادهها اعمال میشوند. خروجی کرنلها با اعمال یک ضریب، با هم ترکیب میشوند. این ترکیب باعث میشود یک فضای ثانویه جدیدی به‌دست آید. دلیل این امر این است که، ممکن است از بین کرنلهای موجود فقط یک تعدادی از آنها با ضریب خاصی برای صورت مسأله مفید باشد و ما از این‌که کدام کرنل برای صورت مسأله ما کارا است آگاه نیستیم. همچنین هرکدام از کرنلها پارامترهایی دارند که باید مقادیر بهینه آنها برای دست‌یابی به نتیجه بهتر تعیین شوند؛ از‌این‌رو در مدل ارائه‌شده، یادگیری پارامترهای کرنل و وزنهای آنها توسط بهینه‌ساز گرگ خاکستری انجام میشود مدل پیشنهادی روی پنج مجموعه سریزمانی استاندارد پیادهسازی شده که نتایج تست براساس معیار RMSE برای سریزمانی DJ، 58/1، سریزمانیRadio ، 178/0، سری زمانی Sunspot ، 709/1، نسبت به روشهای دیگر بهتر شده است. همچنین در انتها به تحلیل نتایج، ارزیابی آماری با آزمون ویلکاکسون رتبه علامتدار و ارائه رابطه برای یافتن اندازه پنجره در مدل پرداخته شده است.
شماره‌ی مقاله: 3
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش داده‌های رقمی
دریافت: 1399/5/19 | پذیرش: 1399/10/21 | انتشار: 1401/4/1 | انتشار الکترونیک: 1401/4/1
دریافت: 1399/5/19 | پذیرش: 1399/10/21 | انتشار: 1401/4/1 | انتشار الکترونیک: 1401/4/1
فهرست منابع
1. [1] E. Kayacan, B. Ulutas and O. Kaynak, "Grey system theory-based models in time series prediction," Expert Systems with Applications, vol. 37, no. 2, pp. 1784-1789, 2010. [DOI:10.1016/j.eswa.2009.07.064]
2. [2] B. Paaben, C. Gopfert and B. Hammer, "Time Series Prediction for Graph in Kernel andDissimilarity Spaces," Neural Processing Letters, no. 48, pp. 669-689, 2018. [DOI:10.1007/s11063-017-9684-5]
3. [3] S. C. Nayak, B. B. Misra and H. S. Behera, "Efficient financial time series prediction with evolutionary virtual data position exploration," Neural Computing and Application, no. 31, pp. 1053-1074, 2019. [DOI:10.1007/s00521-017-3061-1]
4. [4] M. A. Villegas, D. J. Pedregal and J. R. Trapero, "A support vector machine for model selection in demand forecasting application," Computers & Industrial Engineering, vol. 121, pp. 1-7, 2018. [DOI:10.1016/j.cie.2018.04.042]
5. [5] P. Liu, J. Liu and K. Wu, "CNN-FCM: System modeling promotes stability of deep learning in time series prediction," Knowledge-Based Systems, vol. 203, 2020. [DOI:10.1016/j.knosys.2020.106081]
6. [6] J. H. Sadaei, P. Cândido de Lima e Silva, F. Gadelha Guimarães and M. Hisyam Lee, "Short-term load forecasting by using a combined method of convolutional neural networks and fuzzy time series," Energy, vol. 175, pp. 365-377, 2019. [DOI:10.1016/j.energy.2019.03.081]
7. [7] J. Hu, X. Wang, Y. Zhang, D. Zhang, M. Zhang and J. Xue, "Time Series Prediction Method Based on Variant LSTM Recurrent Neural Network," Neural Processing Letters, 2020. [DOI:10.1007/s11063-020-10319-3]
8. [8] K. Yuan, J. Liu, S. Yang, K. Wu and F. Shen, "Time series forecasting based on kernel mapping and high-order fuzzy cognitive maps," Knowledge-Based Systems, vol. 206, 2020. [DOI:10.1016/j.knosys.2020.106359]
9. [9] J. Wang, Z. Peng, X. Wang, C. Li and J. Wu, "Deep Fuzzy Cognitive Maps for Interpretable Multivariate Time Series Prediction," IEEE Transactions on Fuzzy Systems, pp. 1-1, 2020.
10. [10] S. Yang and J. Liu, "Time Series Forecasting based on High-Order Fuzzy Cognitive Maps and Wavelet Transform," IEEE Transactions on Fuzzy System, vol. 26, no. 6, pp. 3391-3402, 2018. [DOI:10.1109/TFUZZ.2018.2831640]
11. [11] Q. Xiao, "Time series prediction using bayesian filtering model and fuzzy neural networks," Optik - International Journal for Light and Electron Optics, vol. 140, pp. 104-113, 2017. [DOI:10.1016/j.ijleo.2017.03.096]
12. [12] H. Omranpour, F. Azadian, "Presenting a Fuzzy Approach to Optimize Predicting High Order Time series," Signal and Data Processing vol. 15, no. 2, pp. 3-16, 2018. [DOI:10.29252/jsdp.15.2.3]
13. [12] ح. عمرانپور, ف. آزادیان, "ارائه یک رویکرد فازی برای بهینه سازی پیش بینی سری زمانی با مرتبه ی بالا," پردازش علائم و داده¬ها, جلد 15, شماره 2, 1397.
14. [13] C. Bergmeir, R. J. Hyndman and B. Koo, "A note on the validity of cross-validation for evaluating autoregressive time series prediction," Computational Statistics and Data Analysis, vol. 120, pp. 70-83, 2018. [DOI:10.1016/j.csda.2017.11.003]
15. [14] W. Xu, H. Peng, X. Zeng, F. Zhou, X. Tian and X. Peng, "Deep belief network-based AR model for nonlinear time series forecasting," Applied Soft Computing Journal, vol. 77, pp. 605-621, 2019. [DOI:10.1016/j.asoc.2019.02.006]
16. [15] L. Bianchi, M. Dorigo, L. M. Gambardella and W. J. Gutjahr, "A survey on metaheuristics for stochastic combinatorial optimization," Natural Computing, vol. 8, pp. 239-287, 2009. [DOI:10.1007/s11047-008-9098-4]
17. [16] G. Cornuéjols , "Valid inequalities for mixed integer linear programs," Mathematical Programming, vol. 112, pp. 3-44, 2008. [DOI:10.1007/s10107-006-0086-0]
18. [17] M. Avriel, Nonlinear Programming: Analysis and Methods, New York: Dover Publications, 2003.
19. [18] A. H. Land and A. G. Doig, "An automatic method for solving discrete programming problems," 50 Years of Integer Programming 1958-2008, pp. 105-132, 2010. [DOI:10.1007/978-3-540-68279-0_5] [PMID] [PMCID]
20. [19] A. R. Simpson, G. C. Dancy and L. J. Murphy, "Genetic algorithms compared to other techniques for pipe optimization," Journal of water resources planning and management, vol. 120, no. 4, pp. 423-443, 1994. [DOI:10.1061/(ASCE)0733-9496(1994)120:4(423)]
21. [20] S. Mirjalili, "The Ant Lion Optimizer," Advances in Engineering Software, vol. 83, pp. 80-98, 2015. [DOI:10.1016/j.advengsoft.2015.01.010]
22. [21] B. T. Ojemakinde, Support Vector Regression for Non-Stationary Time Series, Knoxville: University of Tennessee, 2006.
23. [22] S. Lin, S. zhang, J. Qiao, H. Liu and G. Yu, "A Parameter Choosing Method of SVR for Time Series Prediction," in The 9th International Conference for Young Computer Scientists, Liaoning, China, 2008. [DOI:10.1109/ICYCS.2008.393]
24. [23] C. Hsin, J. M. Ho and D. T. Lee, "Travel-Time Prediction With Support Vector Regression," IEEE Transactions on Intelligent Transportation Systems, vol. 5, no. 4, pp. 276-281, 2004. [DOI:10.1109/TITS.2004.837813]
25. [24] X. Ma, Y. Zhang, H. Cao, S. Zhang and Y. Zhou, "Nonlinear Regression with High-Dimensional Space Mapping for Blood Component Spectral Quantitative Analysis," Journal of Spectroscopy, 2018. [DOI:10.1155/2018/2689750]
26. [25] T. Hofmann, B. Schölkopf and A. J. Smola, "Kernel Methods in Machine Learning," Institute of Mathematical Statistics, vol. 36, no. 3, pp. 1171-1220, 2008. [DOI:10.1214/009053607000000677]
27. [26] J. Xie, "Time Series Prediction Based on Recurrent LS-SVM with Mixed Kernel," in Asia-Pacific Conference on Information Processing, Shenzhen, China, 2009. [DOI:10.1109/APCIP.2009.37] [PMCID]
28. [27] S. Mirjalili, S. M. Mirjalili and A. Lewis, "Grey Wolf Optimizer," Advances in Engineering Software, vol. 69, pp. 46-61, 2014. [DOI:10.1016/j.advengsoft.2013.12.007]
29. [28] M. R. Mosavi, M. Khishe and A. Ghamgosar, "CLASSIFICATION OF SONAR DATA SET USING NEURAL NETWORK TRAINED BY GRAY WOLF OPTIMIZATION," Neural Network World, vol. 4, pp. 393-415, 2016. [DOI:10.14311/NNW.2016.26.023]
30. [29] J. Heinermann and O. Kramer, "Precise Wind Power Prediction with SVM Ensemble Regression," in International Conference on Artificial Neural Networks, Hamburg, Germany, 2014. [DOI:10.1007/978-3-319-11179-7_100]
31. [30] K. Wu, J. Liu, P. Liu and S. Yang, "Time Series Prediction Using Sparse Autoencoder and High-order Fuzzy Cognitive Maps," IEEE Transactions on Fuzzy Systems, 2019. [DOI:10.1109/TFUZZ.2019.2956904]
32. [31] J. Shing and R. Jang, "ANFIS: adaptive-network-based fuzzy inference system," IEEE Transactions on Systems, Man, and Cybernetics, vol. 23, no. 3, pp. 665-685, 1993. [DOI:10.1109/21.256541]
33. [32] G. Zheng, J. Starck, J. Campbell and F. Murtagh, "Multiscale transforms for filtering financial data streams," Journal of Computational Intelligence in Finance, vol. 7, no. 18-35, 1999.
34. [33] O. Renaud, J. L. Starck and F. Murtagh, "Wavelet-Based Combined Signal Filtering and Prediction," IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), vol. 35, no. 6, pp. 1241-1251, 2005. [DOI:10.1109/TSMCB.2005.850182] [PMID]
35. [34] A. B. Geva, "ScaleNet-multiscale neural-network architecture for time series prediction," IEEE Transactions on Neural Networks, vol. 9, no. 6, pp. 1471-1482, 1998. [DOI:10.1109/72.728396] [PMID]
36. [35] J. Derrac, S. García, D. Molina and F. Herrera, "A practical tutorial on the use of nonparametric statistical tests as a methodology for comparing evolutionary and swarm intelligence algorithms," Swarm and Evolutionary Computation, vol. 1, no. 1, pp. 3-18, 2011. [DOI:10.1016/j.swevo.2011.02.002]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
