摘要：在ε-不敏感支持向量回歸（ε—insensitive support vector regression，ε-SVR）正則化路徑的基礎上，提出基于輸入盡近鄰的三步式SVR模型組合方法。在整個樣本集上進行訓練，求得ε—SVR的正則化路徑。由SVR正則化路徑的分段線性性質確定初始模型集合，并應用平均貝葉斯信息準則（Bayesian Information Criterion，BIC）策略對初始模型集合進行修剪以獲得候選模型集合。該修剪策略可減小候選模型集合的規模，提高模型組合的計算效率和預測性能。在預測或測試階段，根據樣本輸入向量采用缸近鄰法確定最終組合模型集合，并實現貝葉斯組合預測。證明了ε-SVR模型組合的Lε-風險-致性，給出了SVR模型組合基于樣本的合理性解釋。試驗結果驗證了正則化路徑上基于輸入K-近鄰的ε-SVR模型組合的有效性。