ارائه مدل یادگیر ترکیب کرنل ها برای پیش بینی سری های زمانی براساس رگرسیون بردار پشتیبان و جستجوی فراابتکاری

در این مقاله به ارایه روشی برای پیش بینی سری زمانی پرداخته شده است. مدلی که در این مقاله ارایه شده بر پایه ترکیب کرنل ها و رگرسیون بردار پشتیبان است. رگرسیون بردار پشتیبان با استفاده از کرنل هایش توانایی بالایی در حل مسایل تخمین توابع دارد؛ اما این کرنل ها پارامترهایی دارند که نیاز به تنظیم دارند. در مدل پیشنهادی کرنل های مختلف بر روی داده ها اعمال می شوند. خروجی کرنل ها با اعمال یک ضریب، با هم ترکیب می شوند. این ترکیب باعث می شود یک فضای ثانویه جدیدی به دست آید. دلیل این امر این است که، ممکن است از بین کرنل های موجود فقط یک تعدادی از آن ها با ضریب خاصی برای صورت مساله مفید باشد و ما از این که کدام کرنل برای صورت مساله ما کارا است آگاه نیستیم. همچنین هرکدام از کرنل ها پارامتر هایی دارند که باید مقادیر بهینه آن ها برای دست یابی به نتیجه بهتر تعیین شوند؛ از این رو در مدل ارایه شده، یادگیری پارامتر های کرنل و وزن های آن ها توسط بهینه ساز گرگ خاکستری انجام می شود مدل پیشنهادی  روی پنج مجموعه سری زمانی استاندارد پیاده سازی شده که نتایج تست براساس معیار RMSE برای سری زمانی DJ، 58/1، سری زمانیRadio ، 178/0، سری زمانی Sunspot ، 709/1، نسبت به روش های دیگر بهتر شده است.  همچنین در انتها به تحلیل نتایج، ارزیابی آماری با آزمون ویلکاکسون رتبه علامت دار و ارایه رابطه برای یافتن اندازه پنجره در مدل پرداخته شده است.