使用支持向量回归进行时间序列预测

我一直在尝试使用Python语言中的支持向量回归来实现时间序列预测工具。我使用 scikit-learn 中的 SVR 模块进行非线性支持向量回归。但我对未来事件的预测有严重的问题。回归线非常适合原始函数（根据已知数据），但一旦我想预测未来的步骤，它就会返回最后一个已知步骤的值。

我的代码如下所示：

import numpy as np
from matplotlib import pyplot as plt
from sklearn.svm import SVR

X = np.arange(0,100)
Y = np.sin(X)

svr_rbf = SVR(kernel='rbf', C=1e5, gamma=1e5)
y_rbf = svr_rbf.fit(X[:-10, np.newaxis], Y[:-10]).predict(X[:, np.newaxis])

figure = plt.figure()
tick_plot = figure.add_subplot(1, 1, 1)
tick_plot.plot(X, Y, label='data', color='green', linestyle='-')
tick_plot.axvline(x=X[-10], alpha=0.2, color='gray')
tick_plot.plot(X, y_rbf, label='data', color='blue', linestyle='--')
plt.show()

有任何想法吗？
提前致谢， 汤姆

你并没有真正进行时间序列预测。您正在尝试预测的每个元素Y从单个元素X，这意味着您只是在解决标准核化回归问题。

另一个问题是在一系列向量上计算 RBF 核时[[0],[1],[2],...]，您将沿着核矩阵的对角线得到一系列正值，而远离对角线的值将接近于零。核矩阵的测试集部分远离对角线，因此非常接近于零，这将导致所有 SVR 预测都接近偏差项。

对于时间序列预测，我建议将训练测试集构建为

 x[0]=Y[0:K]; y[0]=Y[K]
 x[1]=Y[1:K+1]; y[1]=Y[K+1]
 ...

也就是说，尝试从先前元素的窗口中预测序列的未来元素。