ارائه مدل يادگير تركيب كرنل‌ها براي پيش‌بيني سري‌هاي زماني براساس رگرسيون بردار پشتيبان و جستجوي فراابتكاري

در اين مقاله به ارائه روشي براي پيش بيني سري زماني پرداخته شده است. مدلي كه در اين مقاله ارائه شده بر پايه تركيب كرنل‌ها و رگرسيون بردار پشتيبان است. رگرسيون بردار پشتيبان با استفاده از كرنل هايش توانايي بالايي در حل مسائل تخمين توابع دارد؛ اما اين كرنل ها پارامترهايي دارند كه نياز به تنظيم دارند. در مدل پيشنهادي كرنل هاي مختلف بر روي داده ها اعمال مي شوند. خروجي كرنل ها با اعمال يك ضريب، با هم تركيب مي شوند. اين تركيب باعث مي شود يك فضاي ثانويه جديدي به‌دست آيد. دليل اين امر اين است كه، ممكن است از بين كرنل هاي موجود فقط يك تعدادي از آن ها با ضريب خاصي براي صورت مسأله مفيد باشد و ما از اين‌كه كدام كرنل براي صورت مسأله ما كارا است آگاه نيستيم. همچنين هركدام از كرنل ها پارامتر هايي دارند كه بايد مقادير بهينه آن ها براي دست‌يابي به نتيجه بهتر تعيين شوند؛ از‌اين‌رو در مدل ارائه‌شده، يادگيري پارامتر هاي كرنل و وزن هاي آن ها توسط بهينه‌ساز گرگ خاكستري انجام مي شود مدل پيشنهادي روي پنج مجموعه سري زماني استاندارد پياده سازي شده كه نتايج تست براساس معيار RMSE براي سري زماني DJ، 58/1، سري زمانيRadio ، 178/0، سري زماني Sunspot ، 709/1، نسبت به روش هاي ديگر بهتر شده است. همچنين در انتها به تحليل نتايج، ارزيابي آماري با آزمون ويلكاكسون رتبه علامت دار و ارائه رابطه براي يافتن اندازه پنجره در مدل پرداخته شده است.