时间序列预测算法如今也算是百花齐放了，不过最近大家都在卷爆火的Transformer-based，卷不动的盆友其实也可以考虑从传统方法下手找创新，比如
用SVM做时间序列预测。
SVM是一种经典的机器学习算法，在处理非线性及高维模式识别方面很有优势，而且通过核函数的引入，SVM还能捕捉时间序列数据中的复杂动态，给我们提供更快的训练速度和更好的模型解释性，因此
基于SVM的时序预测也是当前时序领域的一个研究热点。
目前该研究方向的应用范围极广，涵盖了金融市场预测、股票价格预测、交通流量预测等多个领域，说明
创新需求大，
加上没有Transformer-based卷，对论文er来说是个发文的好选择。
本文挑选了
9个
基于SVM的时序预测新成果
，方便大家快速了解其最新动态，想找idea的同学可以直接看，方法和创新点已简单提炼~
扫码添加小享，
回复“
SVM
时序
”
免费获取
全部高质量论文合集
Fault Diagnosis of PV Array Based on Time Series and Support Vector Machine
方法：
文章提出了基于时间序列和支持向量机（SVM）的光伏阵列故障诊断方法。这种方法通过实时收集的电压、电流、辐射和温度等数据来获取光伏阵列的名义输出功率，并在一天中不同时间点对功率值进行归一化处理，形成时间序列。
创新点：
-
提出了一种利用时间序列和支持向量机（SVM）的故障诊断方法，有效提高了光伏阵列故障诊断的及时性、准确性和可行性。
-
设计了一种能够模拟实际光伏电站电气特性的光伏阵列仿真设备，使用LED阵列代替太阳光源，通过改变LED阵列的电流来控制光强，从而模拟白天太阳光源辐照度的变化。
-
通过对不同故障条件下生成的数据集进行训练和测试，开发出具有多类别分类能力的SVM模型。
Improved monthly runoff time series prediction using the SOA–SVM model based on ICEEMDAN–WD decomposition
方法：
论文提出了一种基于时间序列分析的预测模型，该模型结合了支持向量机（SVM）和海鸥优化算法（SOA），首先使用ICEEMDAN对原始径流序列进行分解，得到一系列固有模态函数（IMF）和残差（Res）。然后，利用WD对由ICEEMDAN分解出的高频分量进行二次分解，使径流序列尽可能平滑。
创新点：
-
提出了一种新的分解方法，即结合改进的完全集成经验模态分解（ICEEMDAN）和小波分解（WD）。这种双重分解策略有效地降低了径流序列的复杂性和非平稳性，为后续预测提供了更稳定的基础。
-
首次引入了海鸥优化算法（SOA）来优化支持向量机（SVM），形成了全新的SOA-SVM预测模型。通过SOA寻找最优参数配置，提高了SVM在径流预测中的性能。
扫码添加小享，
回复“
SVM
时序
”
免费获取
全部高质量论文合集
Prediction and analysis of time series data based on granular computing
方法：
论文提出了一种基于粒计算（Granular Computing）和支持向量机（SVM）的时间序列数据预测和分析方法，以实现大样本时间序列数据的预测。实验结果表明该模型较传统方法降低样本复杂性并提高预测准确性。
创新点：
-
提出将粒计算理论与支持向量机结合，用于大样本时间序列数据预测，克服传统方法的局限性。
-
开发了一种基于模糊颗粒化和支持向量机的预测模型，利用模糊颗粒化将数据窗口粒化为模糊区间。
-
提出基于时间轴的模糊颗粒化算法，适用于处理具有流特性和不均匀采集时间间隔的大量数据。
Stock price prediction based on particle swarm algorithm optimised SVM univariate time series algorithm
