ISGS:一种面向滞后效应的组合模型研究

针对滞后效应明显、样本量小的数据集,为解决单一算法模型预测精度低、泛化能力差的问题,提出了一种基于等距特征映射算法(Isometric Feature Mapping,ISOMAP)、少数类过采样技术(Synthetic Minority Oversampling Technique,SMOTE)、遗传算法(Genetic Algorithm,GA)、支持向量回归(Support Vector Regression,SVR)的组合模型ISGS(ISOMPA-SMOTE-GA-SVR).首先,利用ISOMAP和SMOTE算法对滞后效应明显、样本量较小的数据集进行特征变换.其次,利用SVR算法较强的非线性分类能力及泛化能力对数据集进行回归分析.最后,利用GA算法对SVR算法的参数进行优化,以提升模型的预测精度.采用气象因素、空气质量、呼吸系统发病人数三组数据集,基于ISGS模型进行了发病人数预测的仿真实验和对比实验.实验结果表明,该模型预测精度和准确率较传统模型均有所提高,预测精度达到93.65％(传统单一模型83.481％).同时具有更好的泛化能力,能够更好地处理高维度、小样本数据集.