一種時間序列預(yù)測的智能優(yōu)化遞歸神經(jīng)網(wǎng)絡(luò)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及時間序列預(yù)測分析，尤其是涉及一種時間序列預(yù)測的智能優(yōu)化遞歸神 經(jīng)網(wǎng)絡(luò)方法。
【背景技術(shù)】
[0002] 時間序列的分析與預(yù)測在諸多領(lǐng)域具有重要的應(yīng)用價值。而早期用于時間序列預(yù) 測分析的大多是線性模型，這些模型在理論與方法上具有一定的局限性。多數(shù)系統(tǒng)均具有 復(fù)雜的非線性特征，引入非線性研宄范式對時間序列進(jìn)行分析和預(yù)測，通過非線性迭代、學(xué) 習(xí)模型，近似描述混沌動力系統(tǒng)，是非線性時間序列預(yù)測理論發(fā)展的必然結(jié)果。
[0003] 混沌是時間序列非線性特征之一?；煦珙A(yù)測理論認(rèn)為：一方面，混沌所具有的確 定性特征使得很多看起來隨機的表象實際上是可以預(yù)測的；另一方面，混沌現(xiàn)象所固有的 對初始條件的極度敏感性，又在根本上限制了其長期預(yù)測效果。因而，混沌動力系統(tǒng)在短期 內(nèi)的演化趨勢是可預(yù)測的，但長期預(yù)測不太現(xiàn)實。人工神經(jīng)網(wǎng)絡(luò)具備超強的自組織與自適 應(yīng)能力，以及對信息具有較好的容錯率與聯(lián)想記憶性，使其在預(yù)測混沌時間序列方面具有 得天獨厚的優(yōu)勢，包括時延（Time-delay)神經(jīng)網(wǎng)絡(luò)、遞歸（Recurrent)神經(jīng)網(wǎng)絡(luò)等多種網(wǎng) 絡(luò)在內(nèi)的模型，被應(yīng)用于混沌時間序列的預(yù)測研宄中。以遞歸預(yù)測器神經(jīng)網(wǎng)絡(luò)（RPNN)是專 門針對混沌時間序列預(yù)測而設(shè)計的一種動態(tài)神經(jīng)網(wǎng)絡(luò)，是特殊的多重分支時間延遲神經(jīng)網(wǎng) 絡(luò)。RPNN具有時間延遲多重分支，模擬了非線性動態(tài)系統(tǒng)的時序特性，具備存儲功能和聯(lián)想 記憶能力。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于克服現(xiàn)有非線性時間序列預(yù)測技術(shù)上的不足，提供基于遞歸預(yù) 測器神經(jīng)網(wǎng)絡(luò)（RecurrentPredictorNeuralNetwork,RPNN)結(jié)合模擬退火-粒子群優(yōu)化 算法（SimulatedAnnealingcombinedwithParticleSwarmOptimization,SAPSO)，以混 沌和相空間重構(gòu)為理論基礎(chǔ)，實現(xiàn)非線性時間序列短期預(yù)測，提高預(yù)測精度的一種時間序 列預(yù)測的智能優(yōu)化遞歸神經(jīng)網(wǎng)絡(luò)方法。
[0005] 本發(fā)明包括以下步驟：
[0006] (1)由飽和關(guān)聯(lián)維（G-P)法計算時間序列吸引子維度D，并選取嵌入維數(shù)m> = 2D+1 ;再根據(jù)預(yù)測步長的需要，選取相應(yīng)的時間延遲t，進(jìn)行相空間重構(gòu)；
[0007] (2)由嵌入維數(shù)m唯一確定RPNN網(wǎng)絡(luò)的結(jié)構(gòu)，其節(jié)點數(shù)和m-致，設(shè)RPNN有n個 節(jié)點，網(wǎng)絡(luò)輸入為
【主權(quán)項】
1. 一種時間序列預(yù)測的智能優(yōu)化遞歸神經(jīng)網(wǎng)絡(luò)方法，其特征在于包括w下步驟： (1) 由飽和關(guān)聯(lián)維（G-巧法計算時間序列吸引子維度D，并選取嵌入維數(shù)m> = 2D+1 ; 再根據(jù)預(yù)測步長的需要，選取相應(yīng)的時間延遲T，進(jìn)行相空間重構(gòu)； (2) 由嵌入維數(shù)m唯一確定RP順網(wǎng)絡(luò)的結(jié)構(gòu)，其節(jié)點數(shù)和m-致，設(shè)RP順有n個節(jié)點， 網(wǎng)絡(luò)輸入為；(O=(x〇)，x〇-r)，…，x(i-(?-l)r)r，則網(wǎng)絡(luò)的輸出為；
其中，y,.(t)表示t時刻節(jié)點j的輸出，Xj.(t)為t時刻節(jié)點j的外部輸入，bj.(t)為節(jié) 點j的闊值，P。表示節(jié)點i到節(jié)點j的分支數(shù)，D。(P)是節(jié)點i到j(luò)的第P條分支延遲時 間，邸W為節(jié)點i到j(luò)的第P條分支權(quán)值在t時刻的值，0j. (?)是節(jié)點j的激活函數(shù)，決 定了神經(jīng)元j的輸出。
2. 如權(quán)利要求1所述一種時間序列預(yù)測的智能優(yōu)化遞歸神經(jīng)網(wǎng)絡(luò)方法，其特征在于在 步驟（2)中，所述RP順網(wǎng)絡(luò)的訓(xùn)練采用SAPSO混合優(yōu)化算法，具體步驟如下： 1) 隨機初始化粒子群（當(dāng)前位置，歷史最優(yōu)位置），初始化退火溫度T。、降溫系數(shù)C; 2) 計算每個粒子的適應(yīng)度值fit。。,,化）； 3) 對每個粒子進(jìn)行評價，將當(dāng)前適應(yīng)度值與其歷史最優(yōu)位置對應(yīng)的適應(yīng)度值相比較， 決定是否更新個體歷史最優(yōu)位置Pbwt化）； 4) 對每個粒子進(jìn)行評價，將其適應(yīng)度值與群體最優(yōu)位置對應(yīng)的適應(yīng)度值進(jìn)行比較，決 定是否更新群體最優(yōu)位置Gbwt化）； 5) 更新粒子當(dāng)前速度和當(dāng)前位置，粒子完成進(jìn)化； 6) 在溫度Tk下重復(fù)W下步驟，直到達(dá)到溫度Tk下的平衡： ① 在群體歷史最優(yōu)位置Gbwt(k)的鄰域中隨機產(chǎn)生做微小攝動Gbest(k) -G'bwt化)， ② 計算Gbest化）的適應(yīng)度值與G，best化）適應(yīng)度值的差值么fitness， ⑨依概率 exp(-Af/Tk)} >random[0, 1]接受新解G'best化)，其中random[0, 1] 是[〇，1]區(qū)間內(nèi)的隨機數(shù)； 7. W降溫系數(shù)C(CG(0，1))緩慢退火，Tw=CTk，更新粒子群歷史最優(yōu)位置Gbwt似， k一k+1 ; 8) 若滿足算法停止的條件，即達(dá)到最大迭代次數(shù)或既定的適應(yīng)度值，則整個算法結(jié)束； 否則重復(fù)步驟2)~7)。
【專利摘要】一種時間序列預(yù)測的智能優(yōu)化遞歸神經(jīng)網(wǎng)絡(luò)方法，涉及時間序列預(yù)測分析?；赗PNN結(jié)合模擬退火粒子群優(yōu)化算法的時間序列預(yù)測模型，以混沌和相空間重構(gòu)為理論基礎(chǔ)，實現(xiàn)非線性時間序列預(yù)測。步驟包括由飽和關(guān)聯(lián)維法計算時間序列吸引子維度，并選取嵌入維數(shù)和時間延遲，進(jìn)行相空間重構(gòu)。RPNN網(wǎng)絡(luò)的結(jié)構(gòu)由嵌入維數(shù)唯一確定，網(wǎng)絡(luò)訓(xùn)練采用SAPSO混合優(yōu)化算法。SAPSO算法結(jié)合了PSO算法的快速收斂特性和SA算法的全局搜索特性，在保留了收斂速度的同時，擴大了尋優(yōu)搜索范圍，保證了不陷入局部極值；主要用于非線性時間序列的預(yù)測。
【IPC分類】G06N5-04, G06N3-04
【公開號】CN104850891
【申請?zhí)枴緾N201510288774
【發(fā)明人】孟力, 高鑫, 劉曦, 畢業(yè)平
【申請人】廈門大學(xué)
【公開日】2015年8月19日
【申請日】2015年5月29日