基于支持向量机(SVM)的时间序列预测(libsvm) 预测未来(递归) SVM时间序列递归 Matlab代码暂无版本要求 注: 推荐 Matlab 2018B 及以上版本 注采用 Libsvm 工具箱无需安装可直接运行仅支持 Windows 64位系统时间序列预测总带着点玄学色彩——直到你发现SVM那宛如瑞士军刀般的稳定手感。今天咱们用MatlabLibsvm玩点实在的搞个递归预测实战。老规矩先准备点数据假设我们有个正弦波叠加白噪声的时间序列先造点假数据方便测试。% 生成带噪声的正弦波 t 0:0.1:20; y sin(t) 0.2*randn(size(t));关键操作来了——时间序列转监督学习格式。这步处理直接决定模型能不能学到时序特征。我们用滑动窗口构造特征矩阵比如用前3个时间点预测第4个lookback 3; % 回溯窗口长度 X []; Y []; for i 1:length(y)-lookback X [X; y(i:ilookback-1)]; % 输入窗口 Y [Y; y(ilookback)]; % 输出目标 end这时候就该Libsvm出场了。注意这个工具箱的训练函数命名有点特别直接调用的姿势很重要% 数据归一化重要 [X_scaled, x_setting] normalize(X); [Y_scaled, y_setting] normalize(Y); % 训练参数设置C和gamma得自己调 model svmtrain(Y_scaled, X_scaled, -s 3 -t 2 -c 2 -g 0.1);参数里的-s 3指定epsilon-SVR回归模型-t 2用RBF核。这里有个坑Libsvm的归一化是自动的但预测时需要手动处理后面会看到。基于支持向量机(SVM)的时间序列预测(libsvm) 预测未来(递归) SVM时间序列递归 Matlab代码暂无版本要求 注: 推荐 Matlab 2018B 及以上版本 注采用 Libsvm 工具箱无需安装可直接运行仅支持 Windows 64位系统重点戏码——递归预测。核心逻辑就是用预测值当新输入像滚雪球一样往前推pred_steps 10; % 预测未来10步 current_input X_scaled(end,:); % 从最后一个已知点开始 predictions zeros(pred_steps,1); for i 1:pred_steps % 预测并反归一化 [pred, ~, ~] svmpredict(0, current_input, model); pred_real denormalize(pred, y_setting); % 更新输入窗口 current_input [current_input(2:end), pred]; predictions(i) pred_real; end这段代码里有几个魔鬼细节输入窗口每次丢弃最旧的数据插入最新预测值svmpredict第一个参数传0是占位符因为测试时真实值未知归一化必须使用训练时的参数否则数据分布就乱了最后画个对比图看看效果figure; plot(t, y, b); hold on; plot(t(end)0.1*(1:pred_steps), predictions, r--); legend(历史数据, 递归预测);实测时会发现预测步数超过5步后误差明显累积——这是递归预测的通病。这时候可以祭出两个补救方案混合预测每预测3步就重新用真实值校准滚动训练每次预测后更新模型想提升性能的可以试试调整C和gamma参数或者改用动态窗口大小。不过要注意Libsvm在时间序列预测里有个先天不足——对趋势项敏感记得先做差分处理。代码包自取解压后注意把libsvm文件夹添加到Matlab路径。遇到报错mex文件不兼容的话八成是用了32位Matlab或者没装VS运行时库换2018B之后的64位版本基本都能搞定。