基于麻雀搜索算法优化的SVM回归预测 - 附代码

基于麻雀搜索算法优化的SVM回归预测

摘要：利用麻雀搜索算法对SVM回归预测进行优化。优化参数主要是SVM的惩罚参数和核惩罚参数。优化结果表面麻雀搜索算法能够提升SVM的性能。

1.数据集

测试数据：上证指数 （ 1990. 12. 19-2009.08. 19)

整体数据存储在 chapter_sh. mat ，数据是一个 4 579 × 6 的 double 型矩阵，记录的是从1990 年 12 月 19 日开始到 2009 年 8 月 19 日这期间内 4579 个交易日每日上证综合指数的各 种指标，1579 行表示每一天的上证指数的各种指标， 6 列分别表示当天上证指数的开盘指数、 指数最高值、指数最低值、收盘指数、当日交易量、 当 日交易额。上证指数每日的开盘指数如图1所示 。

图1.上证指数每日的开盘指数 ## 2.模型的建立

模型目的：利用 SVM 建立的回归模型对上证指数每日的开盘数进行回归拟合．

模型假设：假设上证指数每日的开盘数与前一日的开盘指数、指数最高值、指数最低值、收盘指数、交易量、交易额相关，即把前一日的开盘指数、指数最高值、指数最低值、收盘指数、交易量、交易额作为当日开盘指数的自变量，当日的开盘指数为因变量。

算法流程图如下图2所示：

图2.算法模型图

3.模型处理

选取第 1 ～ 4 578 个交易日内每日的开盘指数、指数最高值、指数最低值，收盘指数、交易量、交易额作为自变量 ，选取第 2～4 579 个交易日内每日的开盘数作为因变量 ．同时对数据进行归一化处理。

4.基于麻雀搜索的SVM回归预测

麻雀搜索算法的具体原理参考博客：https://blog.csdn.net/u011835903/article/details/108830958。

优化参数主要是SVM的惩罚参数和核惩罚参数。是适应度函数设计为：
$$fitness=argmin(MS{E}_{pridect})$$
适应度函数选取SVM训练后的MSE误差。MSE误差越小表明预测的数据与原始数据重合度越高。

5.测试结果：

最终均方误差 MSE = 1.71874e-05 相关系数 R = 99.943% 。没优化前的结果：均方误差 MSE = 2.35705e-05 相关系数 R = 99.9195%（数据来源于《MATLAB神经网络43个案例分析》）

从结果上来看，改进后的SVM能够取得更好的结果。

6.参考文献

书籍《MATLAB神经网络43个案例分析》

7.matlab代码

[基于麻雀搜索算法优化的SVM回归预测]
[基于引力搜索算法优化的SVM数据回归预测]
[基于鲸鱼算法优化的SVM数据回归预测]
[基于郊狼算法优化的SVM回归预测]
[基于粒子群算法优化的SVM回归预测]
[基于遗传算法优化的SVM回归预测]
个人资料介绍