时间序列预测算法如今也算是百花齐放了，不过最近大家都在卷爆火的Transformer-based，卷不动的盆友其实也可以考虑从传统方法下手找创新，比如用SVM做时间序列预测。
SVM是一种经典的机器学习算法，在处理非线性及高维模式识别方面很有优势，而且通过核函数的引入，SVM还能捕捉时间序列数据中的复杂动态，给我们提供更快的训练速度和更好的模型解释性，因此基于SVM的时序预测也是当前时序领域的一个研究热点。
目前该研究方向的应用范围极广，涵盖了金融市场预测、股票价格预测、交通流量预测等多个领域，说明创新需求大，加上没有Transformer-based卷，对论文er来说是个发文的好选择。
本文挑选了9个基于SVM的时序预测新成果，方便大家快速了解其最新动态，想找idea的同学可以直接看，方法和创新点已简单提炼~
论文原文合集需要的同学看文末
Fault Diagnosis of PV Array Based on Time Series and Support Vector Machine
方法：文章提出了基于时间序列和支持向量机（SVM）的光伏阵列故障诊断方法。这种方法通过实时收集的电压、电流、辐射和温度等数据来获取光伏阵列的名义输出功率，并在一天中不同时间点对功率值进行归一化处理，形成时间序列。
创新点：
-
提出了一种利用时间序列和支持向量机（SVM）的故障诊断方法，有效提高了光伏阵列故障诊断的及时性、准确性和可行性。
-
设计了一种能够模拟实际光伏电站电气特性的光伏阵列仿真设备，使用LED阵列代替太阳光源，通过改变LED阵列的电流来控制光强，从而模拟白天太阳光源辐照度的变化。
-
通过对不同故障条件下生成的数据集进行训练和测试，开发出具有多类别分类能力的SVM模型。
Improved monthly runoff time series prediction using the SOA–SVM model based on ICEEMDAN–WD decomposition
方法：论文提出了一种基于时间序列分析的预测模型，该模型结合了支持向量机（SVM）和海鸥优化算法（SOA），首先使用ICEEMDAN对原始径流序列进行分解，得到一系列固有模态函数（IMF）和残差（Res）。然后，利用WD对由ICEEMDAN分解出的高频分量进行二次分解，使径流序列尽可能平滑。
创新点：
-
提出了一种新的分解方法，即结合改进的完全集成经验模态分解（ICEEMDAN）和小波分解（WD）。这种双重分解策略有效地降低了径流序列的复杂性和非平稳性，为后续预测提供了更稳定的基础。
-
首次引入了海鸥优化算法（SOA）来优化支持向量机（SVM），形成了全新的SOA-SVM预测模型。通过SOA寻找最优参数配置，提高了SVM在径流预测中的性能。
Prediction and analysis of time series data based on granular computing
方法：论文提出了一种基于粒计算（Granular Computing）和支持向量机（SVM）的时间序列数据预测和分析方法，以实现大样本时间序列数据的预测。实验结果表明该模型较传统方法降低样本复杂性并提高预测准确性。
创新点：
-
提出将粒计算理论与支持向量机结合，用于大样本时间序列数据预测，克服传统方法的局限性。
-
开发了一种基于模糊颗粒化和支持向量机的预测模型，利用模糊颗粒化将数据窗口粒化为模糊区间。
-
提出基于时间轴的模糊颗粒化算法，适用于处理具有流特性和不均匀采集时间间隔的大量数据。
Stock price prediction based on particle swarm algorithm optimised SVM univariate time series algorithm
方法：作者使用基于粒子群算法优化的支持向量机单变量时间序列算法对可口可乐股票开盘价进行预测，通过训练和测试模型并与实际数据对比分析，验证了该方法在提高预测精度和捕捉股价趋势方面的有效性和优越性，为投资者提供了可靠的决策工具。
创新点：
-
提出了一种结合粒子群优化（PSO）和支持向量机（SVM）的单变量时间序列预测方法。
-
通过对可口可乐股票开盘价的预测研究，该算法展示了极高的预测精度。训练集和测试集的均方根误差（RMSE）分别为0.78195和0.56134，这表明预测值非常接近实际值，并且模型具有良好的稳定性和趋势捕捉能力。
关注下方《学姐带你玩AI》🚀🚀🚀
回复“SVM时序”获取全部论文合集
码字不易，欢迎大家点赞评论收藏
