[發(fā)明專利]一種基于帶狀時(shí)變模糊信息粒的時(shí)間序列長(zhǎng)期預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810555787.6
• 申請(qǐng)日: 2018-06-01
• 公開（公告）號(hào): CN108846057B
• 公開（公告）日: 2021-02-23
• 發(fā)明（設(shè)計(jì)）人: 駱超;譚晨皓
• 申請(qǐng)（專利權(quán)）人: 山東師范大學(xué)
• 主分類號(hào): G06F16/2458
• 分類號(hào): G06F16/2458;G06Q10/04;G06Q10/06
• 代理公司: 濟(jì)南圣達(dá)知識(shí)產(chǎn)權(quán)代理有限公司 37221
• 代理人: 李琳

本發(fā)明公開了一種基于帶狀時(shí)變模糊信息粒的時(shí)間序列長(zhǎng)期預(yù)測(cè)方法，劃分目標(biāo)時(shí)間序列，得到若干筆數(shù)據(jù)集；基于劃分后的數(shù)據(jù)集，構(gòu)造帶狀時(shí)變模糊信息粒，將時(shí)間序列轉(zhuǎn)化為顆粒時(shí)間序列；將顆粒時(shí)間序列劃分為訓(xùn)練集和預(yù)測(cè)集，利用訓(xùn)練集中帶狀時(shí)變模糊信息粒建立模糊邏輯規(guī)則，基于模糊邏輯規(guī)則和三階模糊邏輯關(guān)系構(gòu)建模糊預(yù)測(cè)模型，利用模糊預(yù)測(cè)模型對(duì)預(yù)測(cè)集中帶狀時(shí)變模糊信息粒進(jìn)行預(yù)測(cè)；對(duì)預(yù)測(cè)結(jié)果進(jìn)行去模糊化處理，并計(jì)算預(yù)測(cè)精度評(píng)價(jià)指標(biāo)，對(duì)預(yù)測(cè)結(jié)果進(jìn)行評(píng)價(jià)。本發(fā)明構(gòu)造一種基于帶狀時(shí)變模糊信息的模糊預(yù)測(cè)模型，進(jìn)行粒度層次上的預(yù)測(cè)以對(duì)時(shí)間序列進(jìn)行長(zhǎng)期預(yù)測(cè)，并將預(yù)測(cè)結(jié)果去模糊化，使用RMSE、MAPE、MAE指標(biāo)對(duì)預(yù)測(cè)結(jié)果進(jìn)行評(píng)價(jià)。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于帶狀時(shí)變模糊信息粒的時(shí)間序列長(zhǎng)期預(yù)測(cè)方法。

背景技術(shù)

時(shí)間序列是指將同一統(tǒng)計(jì)變量的數(shù)值按照其發(fā)生的時(shí)間先后順序排列而成的序列。與橫截面數(shù)據(jù)不同，重點(diǎn)在分析同一經(jīng)濟(jì)行為者不同時(shí)間的資料，以展現(xiàn)研究對(duì)象的動(dòng)態(tài)行為。進(jìn)行時(shí)間序列分析的一個(gè)重要目的就是進(jìn)行時(shí)間序列的預(yù)測(cè)，即就是利用統(tǒng)計(jì)方法和技術(shù)，從變量的觀測(cè)數(shù)據(jù)中找出其內(nèi)在演變模式，建立數(shù)學(xué)模型，對(duì)預(yù)測(cè)變量的變化趨勢(shì)進(jìn)行定量估計(jì)。時(shí)間序列預(yù)測(cè)一直是學(xué)者們研究的熱點(diǎn)問(wèn)題，已經(jīng)被廣泛的應(yīng)用到氣象學(xué)、農(nóng)業(yè)產(chǎn)量、旅游人數(shù)及能源等諸多領(lǐng)域，特別是在控制領(lǐng)域和金融市場(chǎng)中有極其重要的意義。近幾十年關(guān)于時(shí)間序列的預(yù)測(cè)工作，可以總結(jié)為三大類：一是經(jīng)典時(shí)間序列模型，二是基于計(jì)算智能技術(shù)的預(yù)測(cè)模型，三是基于模糊集合理論的模糊時(shí)間預(yù)測(cè)模型。

經(jīng)典時(shí)間序列模型得到了廣泛的應(yīng)用，但是也存在不足，例如AR、MA、VECM等均建立在時(shí)間序列數(shù)據(jù)具有線性結(jié)構(gòu)的假設(shè)之下，而現(xiàn)實(shí)世界中的數(shù)據(jù)通常具有較強(qiáng)的非線性結(jié)構(gòu)；預(yù)測(cè)得到的是定量的結(jié)果，不易被人們理解；對(duì)于模糊或不完整的時(shí)間序列，預(yù)測(cè)偏差較大等。

計(jì)算智能技術(shù)包括人工神經(jīng)網(wǎng)絡(luò)(ANN)、遺傳算法(GA)、貝葉斯網(wǎng)絡(luò)(Bayesiannetwork)、支持向量回歸(SVR)、粗糙集、決策樹等，這些技術(shù)最大的優(yōu)勢(shì)在于較好的捕捉到了數(shù)據(jù)中的非線性特征。其不足之處也是明顯的：預(yù)測(cè)模型相當(dāng)于是數(shù)據(jù)驅(qū)動(dòng)的黑盒子，單純以提高精度為目的，對(duì)數(shù)據(jù)完整性要求較強(qiáng)，可解釋性較弱；適用范圍普遍較小，例如，通常訓(xùn)練的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)只能對(duì)特定的時(shí)間序列預(yù)測(cè)效果較好，難以推廣；而且，沒(méi)有解決經(jīng)典時(shí)間序列模型的預(yù)測(cè)結(jié)果難以被人理解的問(wèn)題。

模糊時(shí)間序列模型解決了上述方法預(yù)測(cè)結(jié)果語(yǔ)義性不足的問(wèn)題，對(duì)于模糊語(yǔ)義變量的時(shí)間序列預(yù)測(cè)有較好的效果。在應(yīng)用方面，目前其已被廣泛應(yīng)用于預(yù)測(cè)入學(xué)人數(shù)、金融市場(chǎng)、溫度等多個(gè)領(lǐng)域，顯示出較好的預(yù)測(cè)性能。

此外，在進(jìn)行預(yù)測(cè)的過(guò)程中，使用信息粒表示模糊集可以把復(fù)雜的運(yùn)算簡(jiǎn)單化，剔除一些冗余的信息。

上述研究已經(jīng)表明在時(shí)間序列預(yù)測(cè)中運(yùn)用信息粒的優(yōu)勢(shì)。現(xiàn)有的構(gòu)造顆粒的方式普遍只關(guān)注樣本數(shù)值的變化幅度和變化區(qū)間，而忽略數(shù)據(jù)的變化趨勢(shì)。但是，實(shí)際上，趨勢(shì)信息常常是時(shí)間序列分析的一個(gè)重要的指標(biāo)。因此，研究新型信息粒的一個(gè)關(guān)鍵的目的是，設(shè)計(jì)一種新的模糊信息粒化方式，使信息顆粒能夠反映數(shù)據(jù)隨時(shí)間變化的趨勢(shì)，而不是提供一個(gè)無(wú)法判斷真假的確切數(shù)值。對(duì)于金融市場(chǎng)，這將幫助投資者進(jìn)行下一波行情的判斷。

現(xiàn)有的信息粒形式中，均沒(méi)有對(duì)預(yù)測(cè)結(jié)果進(jìn)行一定的驗(yàn)證。若信息粒形式可以使自身對(duì)預(yù)測(cè)結(jié)果進(jìn)行一定的預(yù)估、檢驗(yàn)或評(píng)價(jià)，將會(huì)大大提高預(yù)測(cè)的可信程度。這將會(huì)有非常重要的意義，尤其是對(duì)于投資者來(lái)說(shuō)，若能在給出預(yù)測(cè)結(jié)果的同時(shí)給出相應(yīng)的可信度或真實(shí)性概率，將會(huì)更加有說(shuō)服力，一定程度上避免投資的盲目性。

劃分論域作為Song和Chissom在1993年提出的構(gòu)建模糊時(shí)間序列模型的第一步，對(duì)預(yù)測(cè)結(jié)果有很大的影響。如果劃分的子區(qū)間太少或太多，會(huì)造成子區(qū)間具有的模糊語(yǔ)義過(guò)于模糊化或模糊語(yǔ)義過(guò)于接近難以區(qū)分的問(wèn)題。關(guān)于劃分論域的方法，研究成果可大致分為三類，它們各自都有其不足之處：