一種時間序列預測的智能優化遞歸神經網絡方法技術

一種時間序列預測的智能優化遞歸神經網絡方法，涉及時間序列預測分析。基于RPNN結合模擬退火粒子群優化算法的時間序列預測模型，以混沌和相空間重構為理論基礎，實現非線性時間序列預測。步驟包括由飽和關聯維法計算時間序列吸引子維度，并選取嵌入維數和時間延遲，進行相空間重構。RPNN網絡的結構由嵌入維數唯一確定，網絡訓練采用SAPSO混合優化算法。SAPSO算法結合了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測。

【技術實現步驟摘要】

本專利技術涉及時間序列預測分析，尤其是涉及一種時間序列預測的智能優化遞歸神 經網絡方法。
技術介紹
時間序列的分析與預測在諸多領域具有重要的應用價值。而早期用于時間序列預 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。多數系統均具有 復雜的非線性特征，引入非線性研宄范式對時間序列進行分析和預測，通過非線性迭代、學 習模型，近似描述混沌動力系統，是非線性時間序列預測理論發展的必然結果。 混沌是時間序列非線性特征之一。混沌預測理論認為：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測的；另一方面，混沌現象所固有的 對初始條件的極度敏感性，又在根本上限制了其長期預測效果。因而，混沌動力系統在短期 內的演化趨勢是可預測的，但長期預測不太現實。人工神經網絡具備超強的自組織與自適 應能力，以及對信息具有較好的容錯率與聯想記憶性，使其在預測混沌時間序列方面具有 得天獨厚的優勢，包括時延（Time-delay)神經網絡、遞歸（Recurrent)神經網絡等多種網 絡在內的模型，被應用于混沌時間序列的預測研宄中。以遞歸預測器神經網絡（RPNN)是專 門針對混沌時間序列預測而設計的一種動態神經網絡，是特殊的多重分支時間延遲神經網 絡。RPNN具有時間延遲多重分支，模擬了非線性動態系統的時序特性，具備存儲功能和聯想 記憶能力。
技術實現思路
本專利技術的目的在于克服現有非線性時間序列預測技術上的不足，提供基于遞歸預 測器神經網絡（RecurrentPredictorNeuralNetwork,RPNN)結合模擬退火-粒子群優化 算法（SimulatedAnnealingcombinedwithParticleSwarmOptimization,SAPSO)，以混 沌和相空間重構為理論基礎，實現非線性時間序列短期預測，提高預測精度的一種時間序 列預測的智能優化遞歸神經網絡方法。 本專利技術包括以下步驟： (1)由飽和關聯維（G-P)法計算時間序列吸引子維度D，并選取嵌入維數m> = 2D+1 ;再根據預測步長的需要，選取相應的時間延遲t，進行相空間重構； (2)由嵌入維數m唯一確定RPNN網絡的結構，其節點數和m-致，設RPNN有n個 節點，網絡輸入為【主權項】1. ，其特征在于包括w下步驟： (1) 由飽和關聯維（G-巧法計算時間序列吸引子維度D，并選取嵌入維數m> = 2D+1 ; 再根據預測步長的需要，選取相應的時間延遲T，進行相空間重構； (2) 由嵌入維數m唯一確定RP順網絡的結構，其節點數和m-致，設RP順有n個節點， 網絡輸入為；(O=(x〇)，x〇-r)，…，x(i-(?-l)r)r，則網絡的輸出為；其中，y,.(t)表示t時刻節點j的輸出，Xj.(t)為t時刻節點j的外部輸入，bj.(t)為節 點j的闊值，P。表示節點i到節點j的分支數，D。(P)是節點i到j的第P條分支延遲時 間，邸W為節點i到j的第P條分支權值在t時刻的值，0j. (?)是節點j的激活函數，決 定了神經元j的輸出。2. 如權利要求1所述，其特征在于在 步驟（2)中，所述RP順網絡的訓練采用SAPSO混合優化算法，具體步驟如下： 1) 隨機初始化粒子群（當前位置，歷史最優位置），初始化退火溫度T。、降溫系數C; 2) 計算每個粒子的適應度值fit。。,,化）； 3) 對每個粒子進行評價，將當前適應度值與其歷史最優位置對應的適應度值相比較， 決定是否更新個體歷史最優位置Pbwt化）； 4) 對每個粒子進行評價，將其適應度值與群體最優位置對應的適應度值進行比較，決 定是否更新群體最優位置Gbwt化）； 5) 更新粒子當前速度和當前位置，粒子完成進化； 6) 在溫度Tk下重復W下步驟，直到達到溫度Tk下的平衡： ① 在群體歷史最優位置Gbwt(k)的鄰域中隨機產生做微小攝動Gbest(k) -G'bwt化)， ② 計算Gbest化）的適應度值與G，best化）適應度值的差值么fitness， ⑨依概率 exp(-Af/Tk)} >random接受新解G'best化)，其中random 是區間內的隨機數； 7. W降溫系數C(CG(0，1))緩慢退火，Tw=CTk，更新粒子群歷史最優位置Gbwt似， k一k+1 ; 8) 若滿足算法停止的條件，即達到最大迭代次數或既定的適應度值，則整個算法結束； 否則重復步驟2)~7)。【專利摘要】，涉及時間序列預測分析。基于RPNN結合模擬退火粒子群優化算法的時間序列預測模型，以混沌和相空間重構為理論基礎，實現非線性時間序列預測。步驟包括由飽和關聯維法計算時間序列吸引子維度，并選取嵌入維數和時間延遲，進行相空間重構。RPNN網絡的結構由嵌入維數唯一確定，網絡訓練采用SAPSO混合優化算法。SAPSO算法結合了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測。【IPC分類】G06N5-04, G06N3-04【公開號】CN104850891【申請號】CN201510288774【專利技術人】孟力, 高鑫, 劉曦, 畢業平 【申請人】廈門大學【公開日】2015年8月19日【申請日】2015年5月29日本文檔來自技高網...

【技術保護點】
一種時間序列預測的智能優化遞歸神經網絡方法，其特征在于包括以下步驟：(1)由飽和關聯維(G?P)法計算時間序列吸引子維度D，并選取嵌入維數m>＝2D+1；再根據預測步長的需要，選取相應的時間延遲τ，進行相空間重構；(2)由嵌入維數m唯一確定RPNN網絡的結構，其節點數和m一致，設RPNN有n個節點，網絡輸入為X→(t)=(x(t),x(t-τ),···,x(t-(n-1)τ))T,]]>則網絡的輸出為：yj(t)=σj(xj(t)+bj(t)+Σi=1jΣp=1Pijyi(t-Dij(p))×ωijp(t)),t∈T---(1)]]>其中，yj(t)表示t時刻節點j的輸出，xj(t)為t時刻節點j的外部輸入，bj(t)為節點j的閾值，Pij表示節點i到節點j的分支數，Dij(p)是節點i到j的第p條分支延遲時間，為節點i到j的第p條分支權值在t時刻的值，σj(·)是節點j的激活函數，決定了神經元j的輸出。

【技術特征摘要】

【專利技術屬性】
技術研發人員：孟力，高鑫，劉曦，畢業平，
申請(專利權)人：廈門大學，
類型：發明
國別省市：福建;35