Wavelet support vector machines and multi-elitist particle swarm optimization for time series forecasting

• Autorzy: Martyna J.

Warianty tytułu

PL

Falkowe maszyny wektorów wspierających oraz wieloelitarna optymalizacja cząstek rojów dla przewidywania szeregów czasowych

• Języki publikacji: EN

Abstrakty

EN

In this paper, we present a new method for time series forecasting based on wavelet support vector machines (WSVM). To better represent any curve in space (quadratic continuous integral space), we used a new kernel function. This function is the wavelet function. The SVM with wavelet kernel function is referred to as a wavelet SVM. In order to determine the optimal parameter of the WSVM, the multi-elitist particle swarm optimization (PSO) was used. Computational results demonstrate the effectiveness of the proposed method over the traditional methods.

PL

W artykule przedstawiono nową wersję falkowej maszyny wektorów wspierających (ang. wavelet support vector machines, WSVM), którą zastosowano do przewidywania wielowymiarowych szeregów czasowych. Do wyznaczenia optymalnych parametrów falkowej maszyny wektorów wspierających użyto wieloelitarnej optymalizacji rojów cząstek (ang. multi-elitist particle swarm optimization, MEPSO). Efektywność uzyskanych wyników obliczeniowych została porównana z rezultatami tradycyjnych metod przewidywania wielowymiarowych szeregów czasowych.

Słowa kluczowe

EN

wavelet support vector machine; time series; particle swarm optimization (PSO)

PL

falkowa maszyna wektorów wspierających; szeregi czasowe; optymalizacja cząstek rojów

• Wydawca: Wydawnictwo Politechniki Śląskiej
• Czasopismo: Studia Informatica
• Rocznik: 2011
• Tom: Vol. 32, nr 2A
• Strony: 429--442
• Opis fizyczny: Bibliogr. 23 poz.

Twórcy

autor

Martyna J.

• Uniwersytet Jagielloński, Instytut Informatyki, ul. Prof. S Łojasiewicza 6, 30-348 Kraków,

Bibliografia

• 1. Azadeh A., Ghaderi S. F., Tarvedian S., Saberi M.: Integration of Artificial Neural Networks and Genetic Algorithm to Predict Electrical Energy Consumption. Applied Mathematics and Computation, Vol. 186, 2007, p. 1731÷1741.
• 2. Białasiewicz J. T.: Wavelets and Approximations. Warszawa: WNT, 2000.
• 3. Box G. E. P., Jenkins G. M.: Time Series Analysis: Forecasting and Control. Holdan Day, San Francisco 1976.
• 4. Burges C. J.: A Tutorial on Support Vector Machines for Pattern Recognition. Data Mining and Knowledge Discovery, 2, 1998, p. 1÷43.
• 5. Clerc M., Kennedy J.: The Particle Swarm - Explosion, Stability, and Convergence In Multidimensional Complex Space. IEEE Trans. on Evolutionary Computation, Vol. 6, No. 1, 2002, p. 58÷73.
• 6. Deb K., Pratap A., Agarwal S., Meyarivan T.: A Fast and Elitist Multiobjective Genetic Algorithm: NSGA-II. IEEE Trans. on Evolutionary Computation, Vol. 6, No. 2, 2002.
• 7. Dom Maklerski BOŚ http://bossa.pl/.
• 8. Eberhart R. C., Shi Y.: Particle Swarm Optimization: Developments, Applications and Resources. Proc. of IEEE Int. Conference on Evolutionary Computation, Vol. 1, 2001, p. 81÷86.
• 9. Haykin S.: Neural Networks: A Comprehensive Foundation. 2nd Ed., New Jersey: Prentice Hall, 1999.
• 10. Hong W. C.: Electric Load Forecasting by Support Vector Model. Applied Mathematical Modelling, Vol. 33, No. 6, p. 2444÷2454.
• 11. Hwang J. R., Chen S. M., Lee C. H.: Handling Forecasting Problems Using Fuzzy Time Series. Fuzzy Sets and systems, Vol. 100, 1998, p. 217÷228.
• 12. Khandoker A. H. K., Lai D. T. H., Begg R. K., Palaniswarni M.: Wavelet-Based Feature Extraction for Support Vector Machines for Screening Balance Impatients in the Elderly. IEEE Trans. on Neural Systems and Rehabilitation Engineering, Vol. 15, No. 4, 2007, p. 587÷597.
• 13. Lee L. W., Wang L. W., Chen S. M.: Handling Forecasting Problems Based on Two-Factor High-Order Time Series. IEEE Trans. on Fuzzy Systems, Vol. 14, No. 3, 2006, p. 468÷477.
• 14. Lu Z., Sun J., Butts K. R.: Linear Programming Support Vector Regression with Wavelet Kernel: A New Approach to Nonlinear Dynamical System Identification. Mathematics and Computers in Simulation, Vol. 79, 2009, p. 2051÷2063.
• 15. McQuarrie A. D. R., Tsai Ch.-L.: Regression and Time Series Model Selection. World Scientific, 1998.
• 16. Mercer J.: Functions of Positive and Negative Type and Their Connection with the Theory of Integral Equations. Philos. Trans. Roy. Soc., London, 209 (1909), p. 415÷446.
• 17. Piramuthu S.: Theory and Methodology - Financial Credit-Risk Evaluation with Neural and Neural-Fuzzy Systems. European Journal of Operational Research, Vol. 112, 1991, p. 310÷321.
• 18. Rodionov S. N., Martin J. H.: An Expert System-Based Approach to Prediction of Yearto-Year Climatic Variations in the North Atlantic Region. International Journal of Climatology, Vol. 19, 1999, p. 951÷974.
• 19. Widodo A., Yang B. S.: Wavelet Support Vector Machine for Induction Machine Fault Diagnosis Based on Transient Current Signal. Expert Systems and Applications, Vol. 35, No. 1-2, 2008, p. 307÷316.
• 20. Wu C. H., Tzeng G. H., Lin R. H.: A Novel Hybrid Genetic Algorithm for Kernel Function and Parameter Optimization in Support Vector Regression. Expert Systems Applications, Vol. 36, No. 4, p. 4725÷4735.
• 21. Vapnik V. N.: The Nature of Statistical Learning. New York: Springer Verlag, 1995.
• 22. Vapnik V. N.: Statistical Learning Theory, New York: JohnWiley and Sons, 1998.
• 23. Zhang G. P., Patuwo B. E., Hu Y. M.: Forecasting with Artificial Neural Networks: The State of the Art. Int. Journal of Forecasting, Vol. 14, 1998, p. 35÷62.