论文部分内容阅读
外贸进出口数据作为一种时间序列,具有时间序列的随机性、复杂性、较强的非线性、以及含噪声等特点,尤其在地区外贸中,其波动性大、非线性强的特点则表现得更加明显,利用传统的时间序列模型算法来描述它就比较困难。同时,由于各种原因,重庆市外贸进出口数据在时间维度上的样本量十分有限,这使采用具有小样本学习特性的算法显得十分必要。支持向量机(SVM)是在统计学习理论基础上发展起来的一种新的模式识别方法,它是统计学习理论中的结构风险最小化思想在实际中的一种体现。它在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题。针对SVM方法所具有的拟合精度高、推广能力强、全局最优、针对小样本等特点,本文尝试采用SVM建模方法来进行重庆市外贸进出口的分析预测和辅助决策。通过对重庆市进出口现状的整体分析,针对其存在问题和数据特征,确定主要分析对象,基于重庆市外贸进出口信息系统中的数据,对重庆市的外贸进出口信息进行研究和分析。利用SVM对决策系统的对象进行分类,可以得到一个简单的判决函数。该判决函数可以对样本进行类别预报,起到与决策规则类似的作用。本文就从类别预报这个方面讨论了SVM方法在外贸决策中的应用。根据重庆市外贸进出口信息的数据特点,文中提出了基于SVM回归的外贸时序预测模型,以及利用预测结果和SVM分类算法对市场进行分类和决策方案选择的方法,并利用此法对重庆摩托车的出口及其市场进行了详细的实例讨论,对其结果进行了验证比较。文中还就SVM的不同类型,数据样本的标准化,核函数及其参数选择等对结果的影响进行了比较。结果表明,SVM方法对非平稳的小样本进出口时间序列数据有良好的建模和泛化能力,且可达到较高的预测精度和决策判断准确率,尤其是对其发展趋势的预测,模型具有很高的拟合度。因此,可以认为将支持向量机方法运用于重庆市外贸进出口分析预测和决策是可行的。