計算機Matlab軟件的SVM回歸分析設計研究

秦昌琪

（江蘇信息職業技術學院，江蘇 無錫 214000）

0 引言

隨著我國電子計算機技術的不斷發展，Matlab得到了越來越廣泛的應用，該軟件在鐵路貨運領域的應用大幅提升了貨運量運輸預測的準確性，為鐵路資源的合理調配提供了大量的科學依據。做好SVM回歸分析的關鍵在于預測模型的設計工作，本文將對SVM預測模型的設計方案進行重點介紹。

1 鐵路貨運量SVM預測模型的基本設計思路

SVM即Support Vector Machine，中文為支持向量機，是一種常用的回歸分析手段，本質上特征空間上間隔最大的線性分類器[1]，能夠針對未知的新樣本實施高水平的分類預測，其根本目的在于以二次規劃求解的方式來實現預測[2]。在鐵路貨運量的預測方向，本次研究所提出的SVM預測模型的建立流程如下：

第一步：基于現有的貨運量數據實施歸一化處理，進而建立測試樣本數據集和訓練樣本數據集，即通過歸一化的方式將原始數據樣本納入至[a,b]范圍內，所采用的計算公式為：

上式將原始數據記為X；將X經過歸一化處理后的數據記為Y；將原數據樣本的最大值記為Max，將原數據樣本的最小值記為Min。

第二步：通過交叉驗證法確定核函數參數g和參數懲罰因子c[3]。設有一個核函數參數g，再隨機將訓練集劃分為k個不相交的子集，將測試樣本鎖定為k，將訓練樣本鎖定為除第k以外的部分，在此基礎上估計該參數的效果，經過k次測試后對比結果，進而提取出合理的參數，最終所獲取的性能評價指標為k次模型結果的MSE平均值。

第三步：在獲取最佳參數的基礎上學習訓練樣本集數據[4]。

第四步：基于測試樣本數據實施預測，通過反歸一化的方式獲取數值。

第五步：對梯形預測結果進行驗證。

為了對所建模型的預測精度及有效性進行驗證，本次研究通過兩種檢驗標準對模型進行了檢驗[5-6]。

（1）通過預測相對誤差對模型預測精度進行檢驗

定義如下所示的預測相對誤差（FRE）：

2 鐵路貨運量SVM預測模型的具體設計方案

2.1 基于模糊信息粒化的鐵路貨運量SVM預測模型

本次研究基于MATLAB軟件R2016a版本設計了如圖1所示的鐵路貨運量預測流程。

圖1 SVM 預測流程

第一步：基于目標鐵路站點的流量數據提取出用于預測和訓練的貨運量數據。

第二步：通過三角形模糊信息粒化的處理方式在鐵路貨運量數據中提取出Up數據、R數據和Low數據。

第三步：通過交叉驗證的方式對經過模糊粒化處理的Up數據、R數據和Low數據進行SVM尋優，進而獲得RBF核函數，在此基礎上確定參數g、c的值，再對擬合結果和誤差狀況進行分析。

第四步：在最優參數的基礎上獲取最終決策函數，再針對鐵路貨運量實施訓練與預測，獲取Up、R和Low的值。

第五步：對模型的預測結果進行驗證。

2.2 模糊信息粒化FIG-SVM預測模型

本次研究基于MATLAB軟件R2016a版本設計了如圖2所示的鐵路貨運量預測流程。

圖2 相空間重構-SVM預測流程圖

第一步：基于目標鐵路站點的流量數據提取出用于預測和訓練的貨運量數據。

第二步：以矩陣形式對鐵路貨運時間序列進行轉換，明確數據之間的關系。為了充分反映系統的運動特征，還需要選取合理的延遲時間τ和嵌入維m，基于經過變形后的一維時間序列提取出輸入樣本X并用于訓練，每一列為一個相點。

第三步：選取RBF核函數，在對貨運量數據進行空間重構處理后對SVM進行尋優，進而獲取參數g和參數c的值，并對誤差進行分析。

第四步：在最優參數的基礎上獲取最終決策函數，再針對鐵路貨運量實施訓練與預測。

第五步：對模型的預測結果進行驗證。

3 結語

本文以鐵路貨運量的SVM預測為例詳細介紹了基于計算機Matlab軟件的SVM回歸分析方法，在未來的研究中，還可以利用最小二乘法、神經網絡法等方法對各種不同的特征的數據進行更加深入的分析，以提升數據預測的準確度，為科學管理提供更加有效的指導。