一种时间序列预测的智能优化递归神经网络方法
【技术领域】
[0001] 本发明涉及时间序列预测分析，尤其是涉及一种时间序列预测的智能优化递归神 经网络方法。
【背景技术】
[0002] 时间序列的分析与预测在诸多领域具有重要的应用价值。而早期用于时间序列预 测分析的大多是线性模型，这些模型在理论与方法上具有一定的局限性。多数系统均具有 复杂的非线性特征，引入非线性研宄范式对时间序列进行分析和预测，通过非线性迭代、学 习模型，近似描述混沌动力系统，是非线性时间序列预测理论发展的必然结果。
[0003] 混沌是时间序列非线性特征之一。混沌预测理论认为：一方面，混沌所具有的确 定性特征使得很多看起来随机的表象实际上是可以预测的；另一方面，混沌现象所固有的 对初始条件的极度敏感性，又在根本上限制了其长期预测效果。因而，混沌动力系统在短期 内的演化趋势是可预测的，但长期预测不太现实。人工神经网络具备超强的自组织与自适 应能力，以及对信息具有较好的容错率与联想记忆性，使其在预测混沌时间序列方面具有 得天独厚的优势，包括时延（Time-delay)神经网络、递归（Recurrent)神经网络等多种网 络在内的模型，被应用于混沌时间序列的预测研宄中。以递归预测器神经网络（RPNN)是专 门针对混沌时间序列预测而设计的一种动态神经网络，是特殊的多重分支时间延迟神经网 络。RPNN具有时间延迟多重分支，模拟了非线性动态系统的时序特性，具备存储功能和联想 记忆能力。
【发明内容】
[0004] 本发明的目的在于克服现有非线性时间序列预测技术上的不足，提供基于递归预 测器神经网络（RecurrentPredictorNeuralNetwork,RPNN)结合模拟退火-粒子群优化 算法（SimulatedAnnealingcombinedwithParticleSwarmOptimization,SAPSO)，以混 沌和相空间重构为理论基础，实现非线性时间序列短期预测，提高预测精度的一种时间序 列预测的智能优化递归神经网络方法。
[0005] 本发明包括以下步骤：
[0006] (1)由饱和关联维（G-P)法计算时间序列吸引子维度D，并选取嵌入维数m> = 2D+1 ;再根据预测步长的需要，选取相应的时间延迟t，进行相空间重构；
[0007] (2)由嵌入维数m唯一确定RPNN网络的结构，其节点数和m-致，设RPNN有n个 节点，网络输入为
【主权项】
1. 一种时间序列预测的智能优化递归神经网络方法，其特征在于包括w下步骤： (1) 由饱和关联维（G-巧法计算时间序列吸引子维度D，并选取嵌入维数m> = 2D+1 ; 再根据预测步长的需要，选取相应的时间延迟T，进行相空间重构； (2) 由嵌入维数m唯一确定RP順网络的结构，其节点数和m-致，设RP順有n个节点， 网络输入为；(O=(x〇)，x〇-r)，…，x(i-(?-l)r)r，则网络的输出为；
其中，y,.(t)表示t时刻节点j的输出，Xj.(t)为t时刻节点j的外部输入，bj.(t)为节 点j的阔值，P。表示节点i到节点j的分支数，D。(P)是节点i到j的第P条分支延迟时 间，邸W为节点i到j的第P条分支权值在t时刻的值，0j. (?)是节点j的激活函数，决 定了神经元j的输出。
2. 如权利要求1所述一种时间序列预测的智能优化递归神经网络方法，其特征在于在 步骤（2)中，所述RP順网络的训练采用SAPSO混合优化算法，具体步骤如下： 1) 随机初始化粒子群（当前位置，历史最优位置），初始化退火温度T。、降温系数C; 2) 计算每个粒子的适应度值fit。。,,化）； 3) 对每个粒子进行评价，将当前适应度值与其历史最优位置对应的适应度值相比较， 决定是否更新个体历史最优位置Pbwt化）； 4) 对每个粒子进行评价，将其适应度值与群体最优位置对应的适应度值进行比较，决 定是否更新群体最优位置Gbwt化）； 5) 更新粒子当前速度和当前位置，粒子完成进化； 6) 在温度Tk下重复W下步骤，直到达到温度Tk下的平衡： ① 在群体历史最优位置Gbwt(k)的邻域中随机产生做微小摄动Gbest(k) -G'bwt化)， ② 计算Gbest化）的适应度值与G，best化）适应度值的差值么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]区间内的随机数； 7. W降温系数C(CG(0，1))缓慢退火，Tw=CTk，更新粒子群历史最优位置Gbwt似， k一k+1 ; 8) 若满足算法停止的条件，即达到最大迭代次数或既定的适应度值，则整个算法结束； 否则重复步骤2)~7)。
【专利摘要】一种时间序列预测的智能优化递归神经网络方法，涉及时间序列预测分析。基于RPNN结合模拟退火粒子群优化算法的时间序列预测模型，以混沌和相空间重构为理论基础，实现非线性时间序列预测。步骤包括由饱和关联维法计算时间序列吸引子维度，并选取嵌入维数和时间延迟，进行相空间重构。RPNN网络的结构由嵌入维数唯一确定，网络训练采用SAPSO混合优化算法。SAPSO算法结合了PSO算法的快速收敛特性和SA算法的全局搜索特性，在保留了收敛速度的同时，扩大了寻优搜索范围，保证了不陷入局部极值；主要用于非线性时间序列的预测。
【IPC分类】G06N5-04, G06N3-04
【公开号】CN104850891
【申请号】CN201510288774
【发明人】孟力, 高鑫, 刘曦, 毕业平
【申请人】厦门大学
【公开日】2015年8月19日
【申请日】2015年5月29日