文摘

一个新的正确的方法预测原油价格,基于ε支援向量回归(εsvr)机器与动态校正因子修正预测错误。我们还提出了混合遗传算法(HRGA) RNA位置位移梗概的粒子群优化(PSO)改变变异算子。算法的有效性通过使用三个基准函数测试。比较的结果通过使用HRGA RNA和标准遗传算法(RGA),分别的准确性比RGA HRGA要好得多。最后,使预测结果更加准确,HRGA应用于优化参数εsvr。预测的结果很好。本文提出的方法可以很容易地用来预测原油价格在我们的生活中。

1。介绍

近年来,原油价格经历了四个跳跃和两个衰退。原油价格的波动增加了更多的变化,世界经济的发展。贪婪的石油价格的变化可以为经济发展提供指导(1]。因此,它是非常重要的准确预测原油价格。

预测方法可以分为两个方面。一个是从定性的角度2];另从定量的角度,如计量经济学模型和统计模型(3,4]。和大多数学者采用后一种方法。但这是一个困难的工作预测原油价格,因为价格是非线性和非平稳的时间序列5]。传统的预测方法等模型中,模型,模型,基于线性模型。它们只适用于线性预测和不能应用于模型和非线性时间序列预测6]。王得到了利用时间序列预测模型和人工神经网络在2005年(7谢),提出了一种新的方法对原油价格预测基于支持向量机(SVM)在2006年[8),穆罕默德提出原油价格预测的混合人工智能模型的前馈神经网络和遗传算法在2007年(9郭],提出了混合时间序列模型的基础上GMTD模型在2010年(10]。实验结果告诉我们,这些方法的预测精度比传统的模型。但结果仍是现有较大的错误,特别是当原油价格剧烈波动。

神经网络对非线性时间序列预测技术提供了一个有利的工具。但传统神经网络的预测能力很低,因为如局部最小值的问题,过度学习,缺乏理论方向选择隐层节点。在1990年代提出了支持向量机(11];它可以获得最优结果的基础上,目前的信息。支持向量机的基本思想是,它符合函数的样本容量的基础上调节最小上界的VC维,这也意味着支持向量的数量。与神经网络相比,(12,13SVM具有较强的泛化能力,学习的小样本和差量的依赖。但SVM的预测性能参数是非常明智的选择。另一方面,支持向量机的参数优化研究是很少的。参数通常是经验或试验方法确定。通过这种方式,如果不适当的参数选择,支持向量机将导致糟糕的预测性能。因此,重要的是要找到一个好的方法来获取支持向量机的最优参数。

在本文中,一个支援向量回归机提出了动态校正因子。和一种新的混合遗传算法(HRGA) RNA提出获得支持向量机的最优参数。HRGA来自生物科学和技术的发展;RNA分子的结构和信息是已知的深刻。改进遗传算法的优化性能,一个遗传算法基础上的编码和生物分子操作已被广泛关注14]。这种方法提高了搜索效率和优化性能通过使用编码的个体为生物分子的基地(15,16]。适当的变异算子可以提高种群多样性,防止过早。虽然古典RNA遗传算法的变异算子(RGA)是固定的,所以我们需要找到一个合适的方法来确定变异算子。2003年,肯尼迪做了一些改进粒子群优化(PSO)并提出了梗概粒子群算法(17]。

提出HRGA,位置位移的梗概算法应用于改变变异算子。核苷酸基础编码,RNA重新编码操作,和蛋白质折叠操作保留在新算法。因此,全局搜索能力强。同时,为了确保本地搜索的方向性,整个人口的最佳经验和个人的历史经验。的收敛速度和精度提高的解决方案。此外,为了测试HRGA的有效性,采用三个基准函数。最佳的平均值HRGA小于传统的RNA遗传算法。

一旦设计最优支持向量回归机,它可以用来预测原油价格。动态校正系数,提高预测效果,可以增强系统的鲁棒性。为了测试提出的性能预测方法,我们提供了预测结果通过使用反向传播神经网络和传统的支持向量回归机也得到了改进,动态校正因子(7,8]。结果表明,我们的预测方法获得比其他两个更大的准确性。

本文组织如下。部分2讨论了支持向量回归机动态校正因子。部分3提出了基于梗概HRGA PSO和一些测试例子应用来验证该算法的有效性。部分4应用动态校正预测原油价格。部分5总结了纸。

2。支持向量回归机动态校正因子

考虑训练样本集,,,作为输入变量作为输出变量。

支持向量机的基本思想是要找到一个非线性映射从输入空间到输出空间(18- - - - - -20.]。数据被映射到一个高维特征空间的基础上的非线性映射。线性回归估计函数的特征空间如下: 在哪里表示阈值。

函数逼近问题等于以下函数: 在哪里表示目标函数,表示经验风险函数,表示样本数量,表示调整常数,表示错误惩罚因子。反映出的复杂性在高维特征空间中。

由于线性不敏感损失函数具有更好的稀疏,我们可以得到以下损失函数:

经验风险函数如下:

根据统计理论,我们引入两组负的松弛变量和。然后,可以转化为下面的非线性问题支援向量回归机()问题: 在哪里表示不敏感损失函数。用于平衡复杂的项目和模型的训练误差。

我们带拉格朗日乘数法和,然后上面的凸二次规划问题可以改变成以下对偶问题: 在哪里表示内核满足Mercer内积定理。

我们可以得到通过解决上述双重问题函数:

当用于预测,它可能有一定的错误,因为数据波动剧烈,如原油价格。尽可能地减少一定的误差,我们引入动态校正因子。的动态校正因子的主要思想是,我们使用错误的相乘修改当前的预测结果。因此,我们可以减少当前的预测误差。动态校正SVR可以定义如下: 在哪里表示真正的结果,表示最终的预测结果,表示初步预测结果,表示动态校正系数,表示预测的步骤。

为了使预测结果更准确,最优值的参数涉及(高斯核函数中的变量)应该设计((8))。为此,一个HRGA低于优化研究以下问题:

3所示。基于梗概PSO HRGA

假设人口规模粒子的尺寸。粒子的位置上一代是。粒子的速度上一代是。个人的历史最优值。

让全局最优值。

标准粒子群,位置和速度更新 在哪里表示惯性权重(21),和加速运营商表示,和均匀分布随机数。

梗概的粒子群优化(PSO), (10)取而代之的是(11粒子群算法的演化方程):

粒子的位置是一些得到高斯分布的随机数。分布的平均值和标准差。

RNA遗传算法基本编码和生物分子的基础上操作。由于在生物分子,每个三个碱基组成一个氨基酸。换句话说,个人的基地的长度必须被3整除。当重新编码RNA和蛋白质折叠22),以减少计算和控制人口规模,我们假定蛋白质折叠操作只发生在个人没有RNA重新编码。然后最重要的工作是改变变异概率(23,24]。

安吉莉告诉我们,粒子群的位置更新的本质是1998年一个变异操作(25]。传统RNA遗传算法变异为固定的变异概率,并与一个方向突变是随机的。然而HRGA可以反映个体的历史信息和共享信息的人口。HRGA可以让每个人做定向突变,提高搜索效率。此外,HRGA保证了全局搜索能力强,因为它并没有改变选择和交叉算子。

HRGA的过程基于梗概粒子群算法来优化参数和动态校正系数如下。

步骤1。得到一组随机参数和动态校正因子,代码每个参数,得到初始人口与RNA个人,交叉概率和变异概率。赋值为每一个(个体历史最优解)和(人口的全局最优解)。

步骤2。计算其误差函数和适应度函数。比较它与相应的健身价值和,然后更新和。

步骤3。选择操作执行。通过处理得到一代个人从最初和最后一代。

步骤4。决定是否符合价值RNA重新编码条件。如果重新编码RNA,然后去一步6。如果请转到步骤5。

第5步。决定满足蛋白质相互折叠状态。如果,执行蛋白质相互折叠操作。如果,执行该蛋白质的折叠操作。

步骤6。执行变异操作(11)所有的交叉个体,的基础上和,从步骤2。

步骤7。重复步骤2步6直到培养目标符合条件。最后,我们得到的最优参数和动态校正因子。

HRGA优化的流程图参数和动态校正系数如图1。

3.1。HRGA测试

三个经典基准函数表所示1用于测试HRGA的财产。

此外,三个函数中,球体是单峰函数,另两个是多通道的功能。

与人口规模和其他参数为每个函数由多个测试。每个函数被HRGA测试和标准RGA在不同的维度。每一次经历都是进行100次。记录目标函数的最优的平均值(所示(12))。结果显示在表中2:

在这个方程,表示目标函数的最优值;表示每个实验基准函数的优化。

实验结果,与不同的维度拥有相同的迭代时间,最佳的平均值HRGA小于RGA的三个基准函数。HRGA的平均性能接近最优。我们可以适当增加变异概率,提高收敛速度,自变异算子HRGA定向本地搜索。

4所示。原油价格预测基于动态校正SVR

在本文中,我们得到了原油价格从Web(美国能源信息管理局26]。自石油价格剧烈波动,为了方便处理,减少错误,我们采用库欣WTI现货价格(美元/桶)离岸价每月从1986年1月到现在。我们把一百年的数据从1986年1月至1994年4月作为测试样本。给下一个20个月动态预测数据从1994年5月到1995年12月。预测的相对误差如表所示2。图HRGA和预测效果与动态校正因子图所示2。我们使用高斯函数作为核函数提供的如下:

HRGA -参数设置人口规模是100,最大进化一代是150,编码的长度吗9、编码的长度8、编码的长度13、编码的长度8,0.8,0.1。

优化间隔设置

在分析结果时,我们定义评价指标:

预测误差分析结果如图3。在这个图中,支持向量机是指。BP神经网络与动态校正系数,不同的传统方法。从图2,我们可以知道,预测结果是非常接近真实值。HRGA -SVR可以用来预测原油价格。表3告诉我们,WTI原油价格预测相对误差的20个月。在20个月的三种方法中,的最大相对误差的绝对值HRGA -7.35%是最小的,最小的均方根相对误差为3.87%。至于图3的波动幅度HRGA -是明显小于其他两种方法。这意味着HRGA -三种方法中是最好的。

5。结论

在本文中,我们提出了一种新颖的方法预测原油价格。这种方法基于一个支援向量回归机动态校正因子修正预测错误。我们还提出了HRGA,位置位移梗概PSO的想法改变变异算子,在优化参数svr。原油价格的预测结果显示了该方法的有效性。因此,svr模型还可以应用于其他实用领域的预测趋势。

确认

这项研究部分由格兰特没有支持。60974039从美国国家科学基金会的中国和批准号ZR2011FM002山东省自然科学基金。