一种基于神经网络的经济预测方法与流程
本公开涉及神经网络技术，更特别地涉及一种基于神经网络的经济预测方法。
背景技术：
国内生产总值(grossdomesticproduct，简称gdp)是衡量国民经济发展情况最重要的一个指标，也是经济运行状况的综合反映。准确地预测gdp，为经济发展提供政策参考，具有重要的现实意义。gdp预测是对gdp时间序列的预测，而gdp时间序列是特殊形式的一组数据，在这组数据中前面的数据对后面的数据会产生影响，这种影响关系表现为一定的趋势变化或周期变化等。而该影响关系一般是非线性，很难建立定量的、固定的数学关系式。目前的研究方法主要有线性预测方法和非线性预测方法，如平滑法、德尔斐法、投入产出、经济计量模型、马尔可夫预测、灰色预测、神经网络方法等等。经济系统是一个非常复杂的系统，其中广泛存在着非线性、时变性和不确定作用关系。在计量经济学基础上建立的各种经济模型，大部分都是线性模型。线性模型在发挥巨大作用的同时，也逐渐显露出它的缺陷，即很难把握经济系统中的非线性现象，因而必然造成经济预测的误差加大。而人工神经网络则可以有效地解决此类问题，理论上人工神经网络可以逼近任意非线性函数并可以随机调整。
人工神经网络(artificialneuralnetwork，ann)是模拟人脑工作机制而建立的计算理论与技术。神经生物学家是以自下而上方法从单个神经到神经网络对刺激响应进行研究，而神经生理学家是自上而下方式对脑的认识与行为功能进行研究，在对脑的部分功能有了一定认识的基础上，数学家、计算机科学家与工程技术员，企图用数学的方法表现脑的工作过程。从1943年mcculloch和pitts提出m－p神经网络模型开始，ann已经取得了在理论、技术与应用方面的效果，应用范围涉及神经生理科学、认识科学、数理科学、心理科学、信息科学、计算机科学、管理科学、环境科学等学科。由于ann高度抽象地模拟人脑思维过程和神经元之间并行存贮、传递信息与信息处理功能，其并行性、容错性、稳定性以及自学习、高度的非线性、自组织和联想记忆等特点，使ann模型具有很强的适应性和应用价值。
然而，时空数据并非总是同质化的，而是常常存在异质性，即不同类别的时空数据的时间相关性和/或空间相关性是有差别的。而上述的时空神经网络构建方法对于所有数据均采用的相同来处理，因此对于具有异质性的时空数据，该时空神经网络并不适用。传统的bp算法虽然能保证网络学习过程的最终收敛，但存在显著局限性：(1)这个网络易陷入局部极小，可能得不到整体最优解；(2)学习训练时间长。以往研究虽然对bp算法做了改进，但没有对各种改进算法进行比较，而且近年来出现了新的改进算法，比如levenberg－marquardt优化方法，因此，运用不同改进bp算法的人工神经网络对gdp进行预测，来揭示其变化规律和发展趋势，为制定科学的宏观调控政策提供科学依据。
技术实现要素：
为了解决当前神经网络对于预测方面，尤其是经济的预测准确性，本发明请求保护一种基于神经网络的经济预测方法，其特征在于，包括：
步骤一：确定多个子区域中的各个子区域的时空相关性，基于各个子区域的时空相关性来构建时空神经网络；
步骤二：基于灰色关联分析的人工神经网络经济运行维护费预测，采用某种编码方案对权值进行编码，对时空序列数据集进行聚类，随机产生一组分布，它就对应着一组神经网络的连接权，采用灰色关联分析从因子库中提取经济运行维护费的主要影响因素，作为人工神经网络的输入变量，输入训练样本，计算它的误差函数值，以误差平方和倒数作为适应度，若误差越小，适应度越大，反之适应度大，以此来评价连接权的优劣；
步骤三：选择适应度大的个体，将时空序列数据集在空间区域上划分成多个子区域，直接遗传给下一代，再利用交叉，变异等操作对当前群体进化，产生下一代群体，依据灰色关联度筛选出与经济运行维护费同步变动程度最高的影响因素，作为人工神经网络的输入，初始确定的一组权值得到不断进化，直到训练目标满足条件为止；
步骤四：人工神经网络经济运行维护费预测模型的选用初始化huffman网络的权值为区间[0，1]之间的随机数，ga对其进行编码；随机产生初始种群，种群大小为n，编码ann所有权值和阈值，确定编码类型，长度，种群规模，交叉率，变异率及终止条件，评价种群，如果满足停止标准，就解码，生成ann所有权值和阈值，利用bp算法训练网络，生成最优权值和阈值；
步骤五：对种群中的每个个体进行解码，每个个体代表一个huffman网络结构，经济运行维护费影响因素的灰色关联度分析，解码得到的n组权值对应n个相同结构的网络；确定网络的训练样本和测试样本；由lm算法计算输入样本集对应的网络输出，确定适应度函数，选定为网络的误差性能函数的倒数；
步骤六：计算每个染色体的适应度，误差值越大，对应的适应度就越小；选择适应度大的个体作为新的父代，淘汰适应度小的个体；对新的父代进行交叉、变异操作；在灰色关联分析的基础上，利用人工神经网络具有无限逼近非线性连续函数关系的性质，将其作为经济运行维护费的预测模型，对新种群进行新一轮的迭代，直到训练目标满足终止条件为止，从而得到一组优化权值，将优化后的权值赋给huffman网络，用以建模并预测，以经济运行维护费的预测值为输出，建立经济运行维护费预测模型，对经济运行维护费进行准确合理的估算。
混沌时间序列有着内在、确定的规律性，这种规律性产生于非线性，表现出时间序列在相空间中相关性，这种特性使系统似乎有着某种记忆能力，但又难于用解析方法把这种规律表达出来，这种信息处理方式正好是神经网络所具备的，在实际应用中，对于一个具体的预测问题，究竟应当采用何种网络结构，是个很难事先确定的问题。是否层次越复杂，预测效果就越好，也是一个无法明确回答的问题，但大量的数值试验表明，预报结果对输入值与隐层值数目并不敏感，这为人工神经网络在时间序列预测中的应用提供了有利条件。人工神经网络具有逼近精度高、学习速度快、对资料长度要求不高等优点，因而在非线性时间序列的预测中显示出其独特的优越性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种基于神经网络的经济预测方法的工作流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参照附图1，本发明的一种基于神经网络的经济预测方法的工作流程图；
本发明请求保护一种基于神经网络的经济预测方法，其特征在于，包括：
步骤一：确定多个子区域中的各个子区域的时空相关性，基于各个子区域的时空相关性来构建时空神经网络；
步骤二：基于灰色关联分析的人工神经网络经济运行维护费预测，采用某种编码方案对权值进行编码，对时空序列数据集进行聚类，随机产生一组分布，它就对应着一组神经网络的连接权，采用灰色关联分析从因子库中提取经济运行维护费的主要影响因素，作为人工神经网络的输入变量，输入训练样本，计算它的误差函数值，以误差平方和倒数作为适应度，若误差越小，适应度越大，反之适应度大，以此来评价连接权的优劣；
步骤三：选择适应度大的个体，将时空序列数据集在空间区域上划分成多个子区域，直接遗传给下一代，再利用交叉，变异等操作对当前群体进化，产生下一代群体，依据灰色关联度筛选出与经济运行维护费同步变动程度最高的影响因素，作为人工神经网络的输入，初始确定的一组权值得到不断进化，直到训练目标满足条件为止；
步骤四：人工神经网络经济运行维护费预测模型的选用初始化huffman网络的权值为区间[0，1]之间的随机数，ga对其进行编码；随机产生初始种群，种群大小为n，编码ann所有权值和阈值，确定编码类型，长度，种群规模，交叉率，变异率及终止条件，评价种群，如果满足停止标准，就解码，生成ann所有权值和阈值，利用bp算法训练网络，生成最优权值和阈值；
步骤五：对种群中的每个个体进行解码，每个个体代表一个huffman网络结构，经济运行维护费影响因素的灰色关联度分析，解码得到的n组权值对应n个相同结构的网络；确定网络的训练样本和测试样本；由lm算法计算输入样本集对应的网络输出，确定适应度函数，选定为网络的误差性能函数的倒数；
步骤六：计算每个染色体的适应度，误差值越大，对应的适应度就越小；选择适应度大的个体作为新的父代，淘汰适应度小的个体；对新的父代进行交叉、变异操作；在灰色关联分析的基础上，利用人工神经网络具有无限逼近非线性连续函数关系的性质，将其作为经济运行维护费的预测模型，对新种群进行新一轮的迭代，直到训练目标满足终止条件为止，从而得到一组优化权值，将优化后的权值赋给huffman网络，用以建模并预测，以经济运行维护费的预测值为输出，建立经济运行维护费预测模型，对经济运行维护费进行准确合理的估算。
优选的，步骤一：确定多个子区域中的各个子区域的时空相关性，基于各个子区域的时空相关性来构建时空神经网络，具体包括：
基于标准几何分布的排序选择，将训练样本输入到bp神经网络进行学习，将系统初始化，设置好蚂蚁个数、迭代次数，采用遗传算法对bp神经网络的参数连接权值w及阈值θ进行优化，设置蚂蚁的起始点，构造蚂蚁回到起始点的路径，即解，更新更新表；
判断蚂蚁是否全部找到食物，若是，重新构造信息素，若不是构造蚂蚁回到起始点的路径，即解，从新更新更新表，建立最优的经济时间序列最优的非线性预测模型；
采用建立的最优非线性的经济预测模型对经济时间序列测试样本进行预测，检验模型有效，最后对将来时刻经济发展水平进行预测
进一步地，步骤二：基于灰色关联分析的人工神经网络经济运行维护费预测，采用某种编码方案对权值进行编码，对时空序列数据集进行聚类，随机产生一组分布，它就对应着一组神经网络的连接权，采用灰色关联分析从因子库中提取经济运行维护费的主要影响因素，作为人工神经网络的输入变量，输入训练样本，计算它的误差函数值，以误差平方和倒数作为适应度，若误差越小，适应度越大，反之适应度大，以此来评价连接权的优劣，具体包括：
确定多个子区域中的各个子区域的时空相关性，以各个个体所分配到的概率值作为其能够被遗传到下一代的概率，基于这些概率值用比例选择的方法来产生下一代群体，确定经济时间数据序列的延迟时间τ和嵌入维数m，并根据τ、m对经济时间序列样本进行重构；
计算该子区域内的时空序列数据的自相关系数；接着基于计算的自相关系数，确定该子区域内的时空序列数据的偏相关系数；然后根据偏相关系数，确定表征该子区域内的时空序列数据的时空相关性的时空延迟值；
对预处理数据进行相空间重构，选择编码策略，将重构后的经济时间序列数据划分成训练样本和测试样本两部分，训练样本用于建立经济预测模型，对群体中的所有个体按其适应度大小进行降序排序，测试样本对建立的经济预测模型进行测试，将解空间中的解数据表示成遗传空间的基因型串结构数据，这些串结构数据的不同组合便构成了不同的编码；
定义适应值函数f(x)，确定遗传策略，将混沌经济时间序列恢复成为有规律的经济时间序列数据各个子区域的时空相关性可以通过以下操作来计算，根据具体求解问题，设计一个概率分配表，将各个概率值按上述排列此行分配给各个个体，包括选择群体大小n，选择、交叉、变异方法，以及确定交叉概率、变异概率等遗传参数；
随机初始化生成群体p，计算群体中个体位串解码后的适应值f(x)，按照遗传策略，运用选择、交叉和变异算子作用于群体，形成下一代群体。
优选的，步骤三：选择适应度大的个体，将时空序列数据集在空间区域上划分成多个子区域，直接遗传给下一代，再利用交叉，变异等操作对当前群体进化，产生下一代群体，依据灰色关联度筛选出与经济运行维护费同步变动程度最高的影响因素，作为人工神经网络的输入，初始确定的一组权值得到不断进化，直到训练目标满足条件为止，具体包括：
根据选择的数据构建rbf神经网络结构图，确定输入量、隐层、输出量的节点数量，并确定激活函数和高斯函数；
随机生成一个蚂蚁样本数据的集合；
根据所预期的精度，算出每个蚂蚁的适值；
随着时间t的增加，并利用混沌蚁群算法的公式，通过混沌搜索得出最优值；
通过多次试验，得出训练后的样本，并观察训练曲线。
优选的，步骤四：步骤四：人工神经网络经济运行维护费预测模型的选用初始化huffman网络的权值为区间[0，1]之间的随机数，ga对其进行编码；随机产生初始种群，种群大小为n，编码ann所有权值和阈值，确定编码类型，长度，种群规模，交叉率，变异率及终止条件，评价种群，如果满足停止标准，就解码，生成ann所有权值和阈值，利用bp算法训练网络，生成最优权值和阈值，具体包括：
将已获样本量为n的数据集w平均地、随机地分为k份，而且n1∪n2∪...nk-1∪nk＝w，
如此轮流、循环将得到k个误差结果，将这k个误差结果采用最小二乘法即可作为最后的评定依据，还可以多次使用k折交叉验证，以最终的平均正确率来衡量模型的精确度，进而评价模型的优劣。
最小二乘法具体步骤包括：
第一步，按照下式，计算连续傅里叶神经网络的隐层和表征层之间的权值：
其中，t″t+1表示第t+1次递归时隐层和表征层之间的权值，t表示连续傅里叶神经网络权值训练递归的次数，tt″表示第t次递归时隐层和表征层之间的权值，μ表示隐层和表征层之间权值的学习速率，一般取值范围为0＜μ＜1，
第二步，按照下式，计算连续傅里叶神经网络的调用层和隐层之间的权值：
其中，t′t+1表示第t+1次递归时调用层和隐层之间的权值，t表示连续傅里叶神经网络权值训练递归的次数，tt′表示第t次递归时调用层和隐层之间的权值，μ表示调用层和隐层之间权值的学习速率，一般取值范围为0＜μ＜1，
第三步，按照下式，计算连续傅里叶神经网络隐层傅里叶激活函数的放缩变量：
其中，mt+1表示第t+1次递归时隐层傅里叶激活函数的放缩变量，t表示连续傅里叶神经网络权值训练递归的次数，mt表示第t次递归时隐层傅里叶激活函数的放缩变量，μ表示隐层傅里叶激活函数放缩变量的学习速率，一般取值范围为0<μ<1，
第四步，按照下式，计算连续傅里叶神经网络隐层傅里叶激活函数的位移变量：
其中，nt+1表示第t+1次递归时隐层傅里叶激活函数的位移变量，t表示连续傅里叶神经网络权值训练递归的次数，nt表示第t次递归时隐层傅里叶激活函数的位移变量，μ表示隐层傅里叶激活函数位移变量的学习速率，一般取值范围为0<μ<1，
第五步，判断是否达到最大递归次数，若否，返回第一步，若是，停止递归，得到网络的最优权值，傅里叶激活函数的最优放缩变量和最优位移变量以及最优隐层表征。
进一步地，步骤五：对种群中的每个个体进行解码，每个个体代表一个huffman网络结构，经济运行维护费影响因素的灰色关联度分析，解码得到的n组权值对应n个相同结构的网络；确定网络的训练样本和测试样本；由lm算法计算输入样本集对应的网络输出，确定适应度函数，选定为网络的误差性能函数的倒数，具体还包括：
计算原油经济预测装置系统的相对增益矩阵，根据相对增益矩阵对原油经济预测装置的控制回路进行匹配；
将测试激励信号加入到开环系统中，采集系统的输出；
用的是matlab中的newrb()函数来构造rbf神经网络模型，newrb()函数本身可自行改变神经网络中隐层的节点个数，至均方误差(rmse)达到系统所要求的精度值上为止，并利用simulink软件为所预测模型编译运行函数；
根据输入输出的数据，通过支持向量回归算法对原油经济预测装置进行建模；
将得到的模型作为经济模型预测控制方法中的预测模型；
函数形式如下：
net＝newrb(p，t，goal，spread，mn，df)
式中，spread表示的是散布常数，其值会对网络的预测准确率有直接的影响，sperad值较大时，rbf神经网络会更趋近于预测曲线，系统的平滑性更胜一筹，反之，系统的误差会较大；goal表示的是系统均方误差，mn指的是神经元数量最大值；df表示两次试验中神经元个数的改变量；
根据生产要求给出模型预测控制器追踪的设定值，并且根据能源价格和产品价格给出经济指标，综合以上两者给出模型预测控制器的目标函数；
将模型预测控制器应用于装置的控制中，采用神经网络进行预测控制时，模型输出与神经网络输出之间的预测误差，用来作为神经网络的训练信号，根据实际要求对装置的各个控制变量进行搜索求解，将最优的控制序列应用到装置的各个控制变量中，实现在产品质量合格的条件下使得经济效益最大化的目标。
上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
- 还没有人留言评论。精彩留言会获得点赞！