基于萤火虫算法的多输出支持向量回归

Figueiras Vidal和A.Artés-Rodríguez，多维函数逼近和回归估计，人工神经网络ICANN 2002，（2002），796-796。[26]D.Tuia，J.Verrelst，L.Alonso，F.Pérez Cruz和G.Camps Valls，遥感生物物理参数估计的多输出支持向量回归，地球科学与遥感通讯，IEEE，99，（2011），804-808。[27]M.Sanchez Fernandez，M.de Prado Cumplido，J.Arenas García和F.Pérez Cruz，多输入多输出系统中非线性信道估计的SVM多元回归，IEEE T.Signal Proc e s。，52(8),(2004), 2298-2307.[28]毛伟，田M.和严G.基于多输入多输出支持向量机模型选择的负荷识别研究，机械工程师学会论文集，C部分：机械工程科学杂志，226（5），（2012），1395-1409。[29]杨晓松，萤火虫多峰优化算法，发表于《随机算法：基础与应用》，论文集；渡边。；泽格曼，T.，编辑。；Springer Verlag Berlin:Berlin，（2009），169-178[30]A.Kazem，E.Sharifi，F.K.Hussain，M.Saberi和O.K.Hussain，支持向量回归与基于混沌的萤火虫算法用于股市价格预测，应用。软计算机，13(2),(2012), 947-958.[31]X.-S.Yang，S.S.Sadat Hosseini和A.H.Gandomi，求解具有阀门负载效应的非对流经济调度问题的萤火虫算法，应用。软计算，12(3),(2012),1180-1186.[32]A.M.S.罗克、C.马特、J.阿罗约和'A。萨拉比亚，iMLP：将多层per ceptrons应用于区间值数据，神经过程Lett，25（2），（2007），157-169。[33]B.Sch"olkopf和A.J.Smola，用核学习：支持向量机，正则化，优化和超越：麻省理工出版社，2001年。[34]A.H.甘多米、X.-S.Ya ng和A.H。

Alavi，使用萤火虫算法的混合变量结构优化，计算机。结构，89(23),(2011), 2325-2336.[35]许志伟、张志强、林志强，《支持向量分类实用指南》，技术报告，国立台湾大学计算机科学系，2003年。可获得：http://www.csie.ntu.edu.tw/~cjlin/文件/指南/指南。pdf。），（[36]F.Ramsay and D.Schaefer，《统计调查：马萨诸塞州波士顿市杜克斯伯里》[37]A.W.He，J.T.K.Kwok and A.T.K.Wan，《能源经济》第32（6）、（2010）页，1499-1506页，西德克萨斯中质原油价格日高日低的经验模型。[38]S.Ben Taieb，G.Bontempi，A.Sorjama和A.Lendasse，通过结合直接和MIMO策略对时间序列的长期预测，发表于2009年美国亚特兰大IEEE国际神经网络联合会会议记录，2009年，第305 4-3061页。[39]张志强和林志强，LIBSVM：支持向量机库，智能系统与技术ACM交易（TIST），2（3），（2011），27。[40]S.Satchell和A.Timmermann，《非线性外汇汇率预测的经济价值评估》，J。

预测，14（6），（1995），477-497。描述页面表1：区间值变量稳定2区间值股票价格指数时间序列的周期和长度可处理3 FA-MSVR人口规模对预测的影响表4区间值标准普尔500指数系列协整检验结果表5 A O VA检验结果可保留样本表6多重比较结果可保留方法样本表7每个预测水平的检查模型所需时间表8使用持有样本交易策略的不同方法的性能比较表9基于三种启发式算法的MSVR方法的性能比较表10基于持有样本的三种启发式算法的MSVR方法的性能比较表11每个预测水平图所需的三种基于启发式算法的MSVR方法时间。1：区间结构图。2：（a）标准普尔500指数10分钟；（b） 相应的每日标准普尔500指数区间。图3:FA-MSVR方法的伪代码图。4.区间标准普尔500指数（估计样本为前一部分，保留样本为后一部分）图5：计算相关标准的伪代码。6:ARVIon区间值S&P500指数系列不同方法的性能比较图。7:ARVIon区间值FTSE100指数系列不同方法的性能比较图。8：ARVIon区间值日经225指数系列不同方法的性能比较。FiguresTimeStock价格指数上限下限半径中心Fig。1.

区间结构。12月11日。12十二月13日十二月14日十二月17日十二月18日十二月19日十二月20日十二月21日十二月24日十二月26日。271400140514101415142014251430143511440144514502012s&p500指数（a）12月11日12月13日12月14日17日12月。12月18日12月19日。2010年12月20日12月21日12月24日12月26日12月271400140514101415142014251430143511440144514502年12月21日12月24日12月26日图2。（a） 10分钟标准普尔500指数；（b） 相应的每日标准普尔500指数区间。算法1 FA-MSVR方法根据公式（6）定义适应度函数（）fx，（）log，log，logxCσε=∈ 初始化萤火虫种群（）1，2，ixi n=.定义光吸收系数。γWhile（）maxGenerationt<for1:in=allnfirefliesfor1:ji=allnfireflieslig-ht-int-ensitiviatixis由（）tifxif（）ttjiII>移动萤火虫向stjxin根据公式（5）确定所有三个维度的距离-评估新的解决方案，并更新光线强度，同时清除萤火虫并输出最佳萤火虫作为最终最佳解决方案图。3.FA-MSVR方法的伪代码2010年7月19日2010年12月12日2011年8月10日20126.9577.057.17.157.27.257.3次和P500指数上界下界。4.区间标准普尔500指数（估计样本为前一部分，保留样本为后一部分）算法2.数据集相关标准的计算（）（{}22，NDIIDD==∈×xy, 其中，TLU L Ui id idXX X X-+ -+x=和11，TLUi iiXX++y=给定一组可变VOF大小（）mm d≤, 用{}.1.1。

17  [1413.54, 1430.67]表2区间价值股票价格指数时间序列过程的周期和长度编辑周期样本量&P500 2010年7月19日至8月10日，2012523FTSE 100 2007年10月15日至2012年8月10日1218Nikkei 225 2004年1月8日至8月10日，2012年2165表3 FA-MSVR人口规模对预测精度的影响预测范围人口规模10 15 20 25 30面板A:S&P 500指数X=10.294 0.301 0.299 0.294 0.299h=30.261 0.256 0.255 0.247 0.252h=50.274 0.258 0.263 0.249 0.273面板B:FTSE 100指数X=10.309 0.308 0.301 0.296 0.298h=30.345 0.353 0.351 0.349 0.3H=300.352 0.340 0.326 0.341面板C:Nikkei 225 indexh=10.317 0.324 0.324 0.332 0.322h=30.534 0.539 0.541 0.550 0.536h=50.429 0.444 0.432 0.431 0.441表4标准普尔500指数系列的协整检验结果-0.97097注：“特征值”和“跟踪”列下给出了特征值和跟踪统计信息r=0\'对应于无协整的零假设，\'r=1\'对应于一个协整向量的假设。*表示在0.05水平上拒绝假设。无协整空值被拒绝，一个协整向量的假设不被拒绝。”U\'和L\'识别与每日上下限系列方程相关的Q-统计量。所有的Q统计都是无关紧要的。标记为“C”的行给出了协整向量，上界序列的系数归一化为1。