新型ε-不敏感损失函数支持向量诱导回归算法及售后服务数据模型预测系统

对含有噪声的数据序列根据预测置信度进行去噪处理，将训练集和测试集及预测数据共同作为训练向量集，以此建立新型支持向量诱导回归算法。本文利用该算法对实时售后服务的“千车故障数”进行了时间序列分析，并建立了新型的ε-不敏感损失函数小样本模型预测系统。预测显示误差小于5．3％的值占了总体的98．1％，其预测置信度达到0．983，与二次和Huber损失函数相比其MAPE值只有2．3％。用计算机模拟仿真单批次预测显，当时间参量t→＋∞，“千车故障数”将收敛于定值74．0601，这和实际相当吻合，表明所建预测模型的有效性。文章最后还和传统神经网络模型作了比较，说明新型SVM机比神经网络处理小样本能力更强。