自从BP神经网络被成功地运用于时间序列分析上,人工智能技术受到了大家的热点关注。作为人工智能领域的一种新方法,SVM(Support Vector Machine,支撑向量机)以其独特的优点脱颖而出。它引入满足Karnsh-kuhn-Tucker条件的核函数,确保最大间隔问题的解的唯一性,这就避免了BP算法训练过程中所出现的局部最小值问题。它的算法复杂度由支撑向量和样本数决定,这样即克服了对有限样本数的限定。本文的研究目的是探索SVM在具体应用中,特征向量的初选对于模型效果的影响。在此基础上对标准算法进行改进,并将其应用于时间序列分析。本文的研究步骤如下:首先,对传统时间序列分析方法和人工智能方法进行比较分析。传统时间序列模型诸如:AR、ARCH等,在与BP神经网络的比较中,BP神经网络的优越性能突出体现,从而人工智能引起人们的关注。而作为上世纪90年代的SVM算法,将被提出运用于时间序列的分析。其次,对SVM算法进行详细的阐述。SVM算法起源于线性分类问题,发展运用于非线性不可分割问题,并运用回归问题中。在SVM的具体应用中,特征提取和损失函数的改进以及参数的选取是优化算法的三个考虑角度。常用的特征提取方法有:ICA、PCA等,本文提出一种基于SVM的灵敏度分析方法,依据全局重要度对特征向量进行预选,并在此基础上与基于PCA、ICA上的SVM模型进行比较。实验证明该算法优于其他算法。最后,将该算法用于具体的时间序列分析。本文共列出两个方向,一个为回归问题,一个为分类问题。数据来源于金融数据和教育数据,希望对于金融领域和教育领域的评价活动作出有力的量化支撑。