[發明專利]一種基于神經網絡的經濟預測方法

在審

• 申請號: 201910614831.0
• 申請日: 2019-07-09
• 公開（公告）號: CN110322072A
• 公開（公告）日: 2019-10-11
• 發明（設計）人: 程新宇
• 申請（專利權）人: 程新宇
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/00
• 代理公司: 南京利豐知識產權代理事務所(特殊普通合伙) 32256
• 代理人: 王茹

1.一種基于神經網絡的經濟預測方法，其特征在于，包括：

步驟一：確定多個子區域中的各個子區域的時空相關性，基于各個子區域的時空相關性來構建時空神經網絡；

步驟二：基于灰色關聯分析的人工神經網絡經濟運行維護費預測，采用某種編碼方案對權值進行編碼，對時空序列數據集進行聚類，隨機產生一組分布，它就對應著一組神經網絡的連接權，采用灰色關聯分析從因子庫中提取經濟運行維護費的主要影響因素，作為人工神經網絡的輸入變量，輸入訓練樣本，計算它的誤差函數值，以誤差平方和倒數作為適應度，若誤差越小，適應度越大，反之適應度大，以此來評價連接權的優劣；

步驟三：選擇適應度大的個體，將時空序列數據集在空間區域上劃分成多個子區域，直接遺傳給下一代，再利用交叉，變異等操作對當前群體進化，產生下一代群體，依據灰色關聯度篩選出與經濟運行維護費同步變動程度最高的影響因素，作為人工神經網絡的輸入，初始確定的一組權值得到不斷進化，直到訓練目標滿足條件為止；

步驟四：人工神經網絡經濟運行維護費預測模型的選用初始化Huffman網絡的權值為區間[0，1]之間的隨機數，GA對其進行編碼；隨機產生初始種群，種群大小為N，編碼ANN所有權值和閾值，確定編碼類型，長度，種群規模，交叉率，變異率及終止條件，評價種群，如果滿足停止標準，就解碼，生成ANN所有權值和閾值，利用BP算法訓練網絡，生成最優權值和閾值；

步驟五：對種群中的每個個體進行解碼，每個個體代表一個Huffman網絡結構，經濟運行維護費影響因素的灰色關聯度分析，解碼得到的N組權值對應N個相同結構的網絡；確定網絡的訓練樣本和測試樣本；由LM算法計算輸入樣本集對應的網絡輸出，確定適應度函數，選定為網絡的誤差性能函數的倒數；

步驟六：計算每個染色體的適應度，誤差值越大，對應的適應度就越小；選擇適應度大的個體作為新的父代，淘汰適應度小的個體；對新的父代進行交叉、變異操作；在灰色關聯分析的基礎上，利用人工神經網絡具有無限逼近非線性連續函數關系的性質，將其作為經濟運行維護費的預測模型，對新種群進行新一輪的迭代，直到訓練目標滿足終止條件為止，從而得到一組優化權值，將優化后的權值賦給Huffman網絡，用以建模并預測，以經濟運行維護費的預測值為輸出，建立經濟運行維護費預測模型，對經濟運行維護費進行準確合理的估算。

2.如權利要求1的一種基于神經網絡的經濟預測方法，其特征在于：

步驟一：確定多個子區域中的各個子區域的時空相關性，基于各個子區域的時空相關性來構建時空神經網絡，具體包括：

基于標準幾何分布的排序選擇，將訓練樣本輸入到BP神經網絡進行學習，將系統初始化，設置好螞蟻個數、迭代次數，采用遺傳算法對BP神經網絡的參數連接權值w及閾值θ進行優化，設置螞蟻的起始點，構造螞蟻回到起始點的路徑，即解，更新更新表；

判斷螞蟻是否全部找到食物，若是，重新構造信息素，若不是構造螞蟻回到起始點的路徑，即解，從新更新更新表，建立最優的經濟時間序列最優的非線性預測模型；

采用建立的最優非線性的經濟預測模型對經濟時間序列測試樣本進行預測，檢驗模型有效，最后對將來時刻經濟發展水平進行預測。