基于最优样本子集的在线模糊LSSVM混沌时间序列预测

提出一种基于最优样本子集的在线模糊最小二乘支持向量机(least squares support vector machine,LSSVM)混沌时间序列预测方法.算法选择与预测样本时间上以及欧氏距离最近的样本点构成最优样本子集,并采用ε不敏感函数对其进行模糊化处理,通过模糊LSSVM训练获得预测模型.随着时间窗口的滑动,最优样本子集和预测模型实时更新,模型更新采用分块矩阵方法降低运算复杂度.实验中对时变Ikeda序列进行预测,表明所提出的方法与离线和在线LSSVM相比,训练速度更快,预测精度更高.

最优样本子集与和极大似然估计

将观测样本看成随机变量总体的一个子集，使这个子集发生的概率最大，从而导出了和极大似然估计原理，根据这一原理得到的估值具有最小估值偏差，比最小二乘估值的准确度高；当样本容量趋于无穷大时，估值必然地收敛于它的真值；天然地具有抗差性．

小时间尺度网络流量混沌性分析及趋势预测

小时间尺度的网络流量的混沌性被噪声掩盖难以预测,本文通过局部投影降噪得到可预测的混沌性流量趋势.针对网络流量存在的时变性和长周期性,提出一种最优样本子集在线模糊最小二乘支持向量机(Least SquaresSupport VectorMachine,LSSVM)预测方法:以与预测样本时间上以及欧式距离最近的样本点构成最优样本子集,并对其模糊化处理,最后采用模糊LSSVM训练获得预测模型.通过分块矩阵降低预测模型在线更新的运算复杂度.对真实网络流量的降噪以及预测的结果表明本文方法能够快速准确的预测网络流量趋势.