1 预测算法，预测就是人们对客观事物未来发展的预料、估计、分析、判断和推测。预测所涉及的领域包括政治、经济、文化、教育以及人们的心理、社会道德等各个方面[3]。预测对于国家以及我们普通百姓来说，都是具有一定价值的，国家需要根据本国国情做出预测，进而选择实行的政策。而商人需要对市场的发展进行预测，从而决定货物的存入以及出售。目前各个国家的科学家们研究出各种预测算法，其中应用的比较广泛的有逻辑回归，简称LR，人工神经网络（如BPNN，ESN），支持向量回归预测，简称SVR，特征选择算法，简称SRN，深度学习等，这些算法在各种科研项目中都有着应用，效果也比较理想，本文着重研究的是SVR算法。82390

2 主成分分析

在用统计分析方法研究多变量的课题时，变量个数太多会使得课题变得复杂很多[4]。当然，我们希望变量的数量少，而且能够反映出多的信息，但是，在很多情况下，变量与变量之间是有一定的相关关系的，当两个变量之间有一定相关关系时，可以理解为变量之间隐藏了重叠的信息。主成分分析就是把原本所有的变量，通过一种算法把它们用更少的变量表示，而同时尽可能少得丢失信息，这也是数学上用来降维的一种方法。目前，主成分分析在统计和预测方面应用比较广泛，它能够减少变量个数的优点，使得一些需要大数据运算的研究得以开展，所以越多越多的科研中运用到了主成分分析算法进行变量的降维。

主成分分析被广泛应用于科研项目中，比如在人口统计学，数量地理学，分子动力学等，尤其是在变量个数很多的情况下，对变量进行降维处理显得尤为重要，因此采用主成分分析法是很好的解决方案。主成分分析经过了这些年的发展，有不少人提出了改进，如对原始数据处理的改进，综合评价的改进等等，经过这些努力，主成分分析已经发展成一门成熟的技术。论文网

3 支持向量回归

支持向量回归是基于支持向量机的一种回归分析预测方法，支持向量机主要是基于训练数据得到模型，对数据进行分类，而支持向量回归则是基于训练数据得到模型，对数据进行预测。

支持向量机理论20世纪90年代提出以来[5]，在各种应用领域表现出较好的推广能力和发展潜力，应用比较广泛，并在模式识别等领域得到成功应用。手写数字的识别是支持向量机在模式识别领域的第一个应用，此后SVM逐渐在人脸识别与人脸检测以及文本分类等各种领域里应用开来，支持向量机刚被提出来时，运行效率和收敛速度都不甚理想，特别在当时计算机性能还没有如今这么好的情况下，对于速度的提升是支持向量机继续发展必须解决的问题，为此研究人员们付出了巨大的努力，提出了如下的很多改进方法，不断推动支持向量机研究向前发展。 

1）模糊支持向量机。为了提高支持向量机的抗噪音能力，引入了样本对于类别的隶属度函数，这样一来，每个样本对于类别的影响度是不同的，大大增加了抗噪能力，尤其适合在未能完全揭示输入样本特性的情况下。

2）最小二乘支持向量机。这种方法是在1999年提出，经过这么多年的发展，已经取得了相当的运用。

3）加权支持向量机，主要有两种，一种是偏样本的加权，另一种是偏风险的加权。 

4）主动学习支持向量机。主动学习可以在学习过程中根据学习进程以及学习目标，选择有利于分类器性能提高的样本来进一步训练分类器，继续学习，这样能减少评价样本的数量以及提高利用率[6]。