支持向量机是基于统计学习理论的一种机器学习方法。近年来随着机器学习的发展，SVM由于其出色的学习性能，对非线性的小样本数据优秀的处理能力，已成为当前国内外机器学习研究的热点，在分类、回归等方面有广泛应用^[1-3]。

基于支持向量机的数据预测在国内外的应用非常广泛，近年来涌现出大量的研究成果。以下是几个例子：

1. 股票预测

随着经济社会的发展，越来越多的民众选择投资股市来实现自己资产的增值。如何把握股票的涨跌规律，从上千只股票中选择优质股一直是股市中的一个难题。支持向量机作为算法对股票价格的变化进行建模，旨在通过机器学习和数据挖掘方法对股票的涨跌进行预测。

国内学者郝知远^[4]提出了基于技术指标序列的特征构造方法，依据最大化收益思想，提出了根据ROC曲线下面积AUC值进行遗传参数寻优的支持向量机，实现了股票数据获取、股票行情可视化、股票买点预测和量化选股四个模块，给普通投资者的分析提供了便利。

国外学者Nayak^[5]提出了一种基于K近邻法的支持向量机混合框架，用于印度股市指数预测。该混合模型使用具有不同核函数的支持向量机预测利润和损失，相对于高维数据具有较好的尺度，并且可以明确控制分类器复杂度和误差之间的权衡，具有更好的预测能力。

2. 人民币汇率预测

汇率弹性的加大和波动性的增强给国际经济中的企业和个人决策带来挑战，也凸显了人民币汇率预测的重要性。然而，在新的经济环境下，许多传统理论模型和线性预测方法表现出的预测效果不理想，支持向量机方法建立在统计学习理论的结构风险最小原理基础之上，其理论基础完备且在金融时间序列预测领域应用广泛。国内学者马超^[6]将汇率预测的传统理论与支持向量机方法相结合，通过构建新型的汇率预测指标体系，对人民币汇率进行了实证预测和分析。

3. 住宅供热需求预测

区域供热系统(District HeatingSystem, DHS)是用于满足住宅热需求最有效的技术之一。在这项研究中，为了获得最准确的住宅供热消费预测，国外学者Izadyar，Ghadamian^[7]等使用了三种支持向量机模型：SVM-Wavelet、SVM-FFA、SVM-RBF，将这些模型的估计和预测结果进行比较，对住宅热需求做出了准确的预测。