【Matlab】SVM支持向量机时序预测算法（附代码）

资源下载： https://download.csdn.net/download/vvoennvv/88696066

资源合集：https://download.csdn.net/download/vvoennvv/88700669

 目录

【Matlab】BP 神经网络时序预测算法

【Matlab】CNN卷积神经网络时序预测算法

【Matlab】ELM极限学习机时序预测算法

【Matlab】基于遗传算法优化BP神经网络 (GA-BP)的数据时序预测

【Matlab】LSTM长短期记忆神经网络时序预测算法

【Matlab】PSO-BP 基于粒子群算法优化BP神经网络的数据时序预测

【Matlab】RBF径向基神经网络时序预测算法

【Matlab】RF随机森林时序预测算法

【Matlab】SVM支持向量机时序预测算法

【Matlab】CNN-LSTM时序预测 卷积神经网络-长短期记忆神经网络组合模型

【Matlab】LSSVM最小二乘支持向量机时序预测算法

【Matlab】PLS偏最小二乘法时序预测算法

【Matlab】PSO-RF 基于粒子群算法优化RF随机森林时序预测

一，概述

        SVM（Support Vector Machine）即支持向量机，是一种常见的机器学习算法，被广泛应用于分类和回归问题中。它的主要思想是将训练数据映射到高维空间中，然后在该空间中找到一个最优的超平面来分隔不同类别的样本。SVM 的目标是找到一个最大间隔超平面，即具有最大边际（Margin）的超平面，以保证分类的鲁棒性和泛化能力。在 SVM 中，支持向量是指距离超平面最近的一些样本点，它们对于寻找最大边际超平面起着非常重要的作用。SVM 通过对支持向量进行优化来确定最优的超平面，使得它们到超平面的距离最小化。 SVM 在分类问题中的应用非常广泛，尤其在处理高维数据和小样本数据时表现出色。SVM 还可以通过核函数来处理非线性分类问题，将数据映射到高维空间中进行分类。SVM 在模型选择、参数调节和解决多分类问题等方面也有许多研究成果。

二，代码

代码中文注释非常清晰，按照示例数据修改格式，替换数据集即可运行，数据集为excel。

部分代码如下：

%%  清空环境变量
warning off             % 关闭报警信息
close all               % 关闭开启的图窗
clear                   % 清空变量
clc                     % 清空命令行

%%  导入数据（时间序列的单列数据）
result = xlsread('数据集.xlsx');

%%  数据分析
num_samples = length(result);  % 样本个数 
kim = 15;                      % 延时步长（kim个历史数据作为自变量）
zim =  1;                      % 跨zim个时间点进行预测

%%  构造数据集
for i = 1: num_samples - kim - zim + 1
    res(i, :) = [reshape(result(i: i + kim - 1), 1, kim), result(i + kim + zim - 1)];
end

% %%  划分训练集和测试集
% temp = 1: 1: 922;
% 
% P_train = res(temp(1: 700), 1: 15)';
% T_train = res(temp(1: 700), 16)';
% M = size(P_train, 2);
% 
% P_test = res(temp(701: end), 1: 15)';
% T_test = res(temp(701: end), 16)';
% N = size(P_test, 2);
%%  数据集分析
outdim = 1;                                  % 最后一列为输出
num_size = 0.7;                              % 训练集占数据集比例
num_train_s = round(num_size * num_samples); % 训练集样本个数
f_ = size(res, 2) - outdim;                  % 输入特征维度

%%  划分训练集和测试集
P_train = res(1: num_train_s, 1: f_)';
T_train = res(1: num_train_s, f_ + 1: end)';
M = size(P_train, 2);

P_test = res(num_train_s + 1: end, 1: f_)';
T_test = res(num_train_s + 1: end, f_ + 1: end)';
N = size(P_test, 2);

%%  数据归一化
[p_train, ps_input] = mapminmax(P_train, 0, 1);
p_test = mapminmax('apply', P_test, ps_input);

[t_train, ps_output] = mapminmax(T_train, 0, 1);
t_test = mapminmax('apply', T_test, ps_output);

%%  转置以适应模型
p_train = p_train'; p_test = p_test';
t_train = t_train'; t_test = t_test';

%%  创建模型
c = 4.0;    % 惩罚因子
g = 0.8;    % 径向基函数参数
cmd = [' -t 2',' -c ',num2str(c),' -g ',num2str(g),' -s 3 -p 0.01'];
model = svmtrain(t_train, p_train, cmd);

%%  仿真预测
[t_sim1, error_1] = svmpredict(t_train, p_train, model);
[t_sim2, error_2] = svmpredict(t_test , p_test , model);

%%  数据反归一化
T_sim1 = mapminmax('reverse', t_sim1, ps_output);
T_sim2 = mapminmax('reverse', t_sim2, ps_output);

......

三，运行结果

资源下载： https://download.csdn.net/download/vvoennvv/88696066