作者：何星 王宏力 陆敬辉 姜伟集合在线序贯极端学习机预测精度残差动态适应性时间序列
摘要：针对集成在线序贯极端学习机（EOS-ELM）预测精度不高和动态适应性差的问题,提出一种具有选择与补偿机制的加权集合序贯极端学习机.该加权集合序贯极端学习机在序贯学习过程中,通过对当前预测模型精度的判断决定是否进行递推更新操作,同时为提高预测模型的动态跟踪能力,在加入新样本的同时对旧样本进行剔除;然后,利用EMD对残差序列处理后进行预测,并将初始预测结果与残差预测结果相加得到最终预测模型.通过对上证指数的预测,结果表明所提方法具有更好的泛化性能,预测精度相比EOS-ELM提高了近36.1%.
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
