view in publisher's site

LSSVR ensemble learning with uncertain parameters for crude oil price forecasting

Least squares support vector regression (LSSVR) is an effective and competitive approach for crude oil price prediction, but its performance suffers from parameter sensitivity and long tuning time. This paper considers the user-defined parameters as uncertain (or random) factors to construct an LSSVR ensemble learning paradigm, by taking four major steps. First, probability distributions of the user-defined parameters in LSSVR are designed using grid method for low upper bound estimation (LUBE). Second, random sets of parameters are generated according to the designed probability distributions to formulate diverse individual LSSVR members. Third, each individual member is applied to individual prediction. Finally, all individual results are combined to the final output via ensemble weighted averaging, with probabilities measuring the corresponding weights. The computational experiment using the crude oil spot price of West Texas Intermediate (WTI) verifies the effectiveness of the proposed LSSVR ensemble learning paradigm with uncertain parameters compared with some existing LSSVR variants (using other popular parameters selection algorithms), in terms of prediction accuracy and time-saving.

یادگیری گروهی LSSVR با پارامترهای نامعلوم برای پیش‌بینی قیمت نفت خام

رگرسیون بردار پشتیبان کم‌ترین مربعات (LSSVR)یک رویکرد موثر و رقابتی برای پیش‌بینی قیمت نفت خام است، اما عملکرد آن از حساسیت پارامتر و زمان تنظیم طولانی رنج می‌برد. این مقاله پارامترهای تعریف‌شده توسط کاربر را به عنوان عوامل نامشخص (یا تصادفی)برای ساخت یک الگوی یادگیری گروهی LSSVR، با اتخاذ چهار مرحله اصلی در نظر می‌گیرد. اول، توزیع‌های احتمالی پارامترهای تعریف‌شده توسط کاربر در LSSVR با استفاده از روش شبکه‌ای برای تخمین حد بالای پایین (LSSBE)طراحی شده‌اند. دوم، مجموعه‌های تصادفی پارامترها با توجه به توزیع‌های احتمالی طراحی شده‌برای فرمول‌بندی اعضای مختلف LSSVR تولید می‌شوند. سوم، هر عضو به پیش‌بینی فردی اعمال می‌شود. در نهایت، تمام نتایج فردی با خروجی نهایی از طریق میانگین وزنی گروهی، با احتمالات اندازه‌گیری وزن‌های مربوطه ترکیب می‌شوند. آزمایش محاسباتی با استفاده از قیمت نفت خام نقطه میانی غرب تگزاس (WTI)، اثربخشی الگوی یادگیری گروهی LSSVR پیشنهادی را با پارامترهای نامشخص در مقایسه با برخی از انواع LSSVR موجود (با استفاده از دیگر الگوریتم های انتخاب پارامترهای محبوب)، از نظر دقت پیش‌بینی و صرفه‌جویی در زمان تایید می‌کند.
ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.