基于最小二乘支持向量机的时空序列混合预测模型及实证研究的开题报告.docx

基于最小二乘支持向量机的时空序列混合预测模型及实证研究的开题报告
一、研究背景和意义
时空序列混合预测是指通过对不同时空尺度的序列进行整合和预测，以提高预测精度和准确性。时空序列混合预测的应用场景十分广泛，如天气预报、交通流预测、社交网络预测等。然而，由于时空序列中存在多时间尺度性质，预测难度较大。因此，研究时空序列混合预测模型具有重要意义。
支持向量机（SupportVectorMachine,SVM）是一种十分有效的分类/回归算法。最小二乘支持向量机（LeastSquaresSupportVectorMachine,LSSVM）相比于传统SVM算法，具有更快的训练速度、更好的泛化性能，适用于大规模的数据集。因此，将LSSVM应用于时空序列混合预测模型的研究值得探究。
二、研究内容和目标
本研究旨在建立一种基于最小二乘支持向量机的时空序列混合预测模型，并对其进行实证研究。具体内容包括：
1.综述时空序列混合预测的相关研究，分析理论和应用现状，总结存在的问题和挑战，为本研究提供理论基础和研究思路。
2.建立基于LSSVM的时空序列混合预测模型，考虑时间尺度和空间尺度的差异性，使用LSSVM进行训练和预测。
3.通过实验证明，所提出的LSSVM模型相比于其他时空序列混合预测模型，在预测精度和准确性方面更为优秀。
三、研究方法和步骤
本研究主要采用以下方法和步骤：
1.文献综述法。对时空序列混合预测的相关研究进行文献综述和分析，总结存在的问题和挑战。
2.数据预处理。将原始数据进行预处理，包括缺失值处理、噪声处理、异常值处理等。
3.模型建立。基于LSSVM算法，建立时空序列混合预测模型，并进行模型参数的优化和训练。
4.模型评价。使用实际数据对所建立的模型进行测试和评价，比较其他模型的预测精度和准确性。
5.结果分析。对模型的预测结果进行分析和比较，探究模型的优劣和可行性。
四、预期成果和创新点
本研究预期获得以下成果和创新点：
1.建立一种基于LSSVM的时空序列混合预测模型，考虑时间尺度和空间尺度的差异性，使用LSSVM进行训练和预测。
2.通过实验证明，所提出的LSSVM模型相比于其他时空序列混合预测模型，在预测精度和准确性方面更为优秀。
3.对实际应用场景产生指导和借鉴作用，提高时空序列混合预测的效果和准确性。
五、研究进度安排
1.第1-2周：文献综述和研究方法选择。
2.第3-4周：数据集获取和预处理。
3.第5-6周：LSSVM模型建立和参数优化。
4.第7周：模型训练和预测。
5.第8周：模型评价和结果分析。
6.第9-10周：论文撰写和修改。
七、参考文献
[1]蔺炜.时空序列混合预测研究[D].大连:大连交通大学,2019.
[2]HuangC,HuangJ,LanY,etal.AHybridModelforMultiscaleTrafficFlowPredictionbasedonMultiscaleConvolutionalNeuralNetworksandMultiscaleRandomWalk[J].IEEETransactionsonIntelligentTransportationSystems,2020,21(6):1-11.
[3]不同尺度时空序列数据集成的混合预测模型研究[D].武汉:武汉理工大学,2016.
[4]LiuZR,DingXY.Ahybridmodelfortrafficflowpredictionbasedondecomposedtimeseriesandleastsquaressupportvectormachine[J].NeuralComputing&Applications,2014,25(5):1153-1161.