技术特征：
技术总结
本发明涉及一种基于双隐层量子线路循环单元神经网络的趋势预测方法，包括以下步骤：构建原始运行数据的排列熵集；排列熵集输入DHL‑QCRUNN训练和预测，得到预测的排列熵集；构建各时间点预测值与实际值的排列熵误差集；将排列熵误差集输入DHL‑QCRUNN训练和预测，得到预测的归一化的排列熵误差集；反归一化处理，得到最终预测结果。本发明提出了一种新型量子神经网络——双隐层量子线路循环单元神经网络，本发明通过LM算法来更新DHL‑QCRUNN的网络参数以提高该神经网络的收敛性能，与其它人工智能方法相比，DHL‑QCRUNN具有更好的非线性逼近能力、泛化特性和更快的收敛速度，本发明用于对监控的对象的运行趋势预测，达到了较高的预测精度、预测稳定性和计算效率。
技术研发人员：李锋;向往;邓成军
受保护的技术使用者：四川大学
技术研发日：2018.12.11
技术公布日：2019.10.22