[發明專利]一種太陽黑子月均值的混合預測方法

在審

• 申請號: 201810308301.9
• 申請日: 2018-04-08
• 公開（公告）號: CN108549956A
• 公開（公告）日: 2018-09-18
• 發明（設計）人: 楊宏;馬驍;李國輝;鄭蒙濤;李正春
• 申請（專利權）人: 西安郵電大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/00;G06N3/08
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 徐文權

本發明公開一種太陽黑子月均值的混合預測方法，屬于預測技術領域，通過VMD變分模態分解將太陽黑子月均值時間序列分解成不同頻率的固有模態函數，然后通過訓練樣本對FA?BP預測模型進行訓練，訓練完成后，進行太陽黑子月均值的預測。通過對比預測數據與實際數據，得到結果表明本發明提供的太陽黑子月均值的混合預測方法的預測結果的均方根誤差、平均絕對誤差小于現有技術，預測精度高。

技術領域

本發明涉及預測技術領域，具體為一種太陽黑子月均值的預測方法。

背景技術

文獻“Sunspots Time-Series Prediction Based on Complementary EnsembleEmpirical Mode Decomposition and Wavelet Neural Network,Mathematical Problemsin Engineering,vol.2017,Article ID 3513980,7pages,2017”公開了一種太陽黑子月均值的預測方法，采用互補集合經驗模式分解CEEMD和小波神經網絡WNN的預測方法。首先用CEEMD對太陽黑子時間序列進行分解，得到一組固有模態函數IMFs，然后對每個分量分別建立訓練樣本和預測樣本，并由WNN進行訓練和預測，再將各分量的預測值重構得到原始時間序列的預測值。其預測的誤差為：平均絕對誤差值MAE＝1.58413，均方根誤差值RMSE＝12.64374，有一定的逼近能力，能夠對非平穩數據進行預測，但仍需進一步優化神經網絡算法，從而提高預測精度。

發明內容

針對現有技術中存在的問題，本發明提供一種太陽黑子月均值的混合預測方法，預測值的均方根誤差和平均絕對誤差小，預測精度高。

本發明是通過以下技術方案來實現：

一種太陽黑子月均值的混合預測方法，包括如下步驟：

步驟S1，獲取訓練樣本，通過VMD變分模態分解將訓練樣本時間序列分解成多個IMFs(固有模態函數)，所述訓練樣本為太陽黑子歷史月均實際數據；

步驟S2，將步驟S1中得到的每個IMF分量的數據分別進行歸一化處理；

步驟S3，建立FA-BP預測模型，將步驟S2中的每個歸一化處理的IMF分量的數據分別輸入FA-BP預測模型，對FA-BP預測模型進行訓練，訓練完成后，預測每一個IMF分量的預測值；

步驟S4，將每個IMF分量的預測值累加，得到最終的預測結果。

可選的，步驟S3中，建立FA-BP預測模型，將步驟S2中的每個歸一化處理的IMF分量的數據分別輸入FA-BP預測模型，對FA-BP預測模型進行訓練包括：

初始化BP神經網絡，根據訓練樣本確定每層神經元的個數，計算權值數和閾值數；

輸入訓練樣本，初始化螢火蟲算法參數，將BP神經網絡的權值和閾值視為種群中的螢火蟲個體；

進入螢火蟲算法迭代更新過程，搜索適應度最優個體權值和閾值；

將最優個體權值和閾值傳回BP神經網絡，對FA-BP預測模型進行訓練。

可選的，步驟S4之后還包括：

計算預測結果的均方根誤差值RMSE；

其中，計算均方根誤差值RMSE的公式為：

式中，為預測結果數據，x(t)為預測樣本數據，所述預測樣本為訓練樣本時間之后的太陽黑子歷史月均實際數據。

可選的，步驟S4之后還包括：

計算預測結果的平均絕對誤差值MAE；

其中，計算均方根誤差值RMSE的公式為：