[發明專利]一種基于混沌優化神經網絡模型的時間序列預測方法

在審

• 申請號: 202010543603.1
• 申請日: 2020-06-15
• 公開（公告）號: CN111754034A
• 公開（公告）日: 2020-10-09
• 發明（設計）人: 陳超波;葉強強;王景成;高嵩;王召;涂吉昌;張瑋;郝爽潔
• 申請（專利權）人: 西安工業大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08;G06F16/2458;G06F16/215
• 代理公司: 西安新思維專利商標事務所有限公司 61114
• 代理人: 李鳳鳴

1.一種基于混沌優化神經網絡模型的時間序列預測方法，其特征在于，首先通過從數據庫中在線獲取城市歷史日需水量時間序列數據并進行數據預處理，并同時進行混沌特征識別；然后利用模型輸入數據重構相空間的嵌入維數確定混沌優化BP神經網絡的結構，并同時進行模型訓練；模型訓練過程中通過混沌優化搜索，找到BP神經網絡權值的全局最優值；模型訓練結束后通過參數控制法對其輸出的時間序列預測值進行混沌參數控制；最后實現城市日需水量時間序列的預測。

2.根據權利要求1所述基于混沌優化神經網絡模型的時間序列預測方法，其特征在于，具體包括如下步驟：

步驟1：從ORACLE數據庫中獲取某市原始歷史日需水量時間序列數據；所有輸入模型的時間序列數據集被劃分為一個訓練輸入時間序列數據集和一個測試輸入時間序列數據集；

步驟2：對獲取的某市日需水量時間數據序列進行數據預處理，將處理后的數據輸入模型內部；

步驟3：預處理之后的數據輸入模型后，模型內部進行混沌特征識別，進行數據相空間重構，計算延遲時間τ和飽和嵌入維數m，以確定網絡模型的層數和輸入層神經元個數；并確定輸入向量和期望輸出向量；

步驟4：計算網絡隱含層和輸出層各神經元輸出，并計算誤差函數E；若誤差函數E達到閾值范圍，則通過參數控制法預測輸出值，若未達到閾值范圍，則通過混沌搜索優化網絡模型的權值閾值；

步驟5：判斷網絡模型迭代是否達到最大訓練次數，若達到最大訓練次數，則通過參數控制法預測輸出值，若未達到最大訓練次數，則繼續計算網絡隱含層單元誤差和誤差梯度，進行模型權值學習，并返回步驟四繼續執行。

3.如權利要求2所述的基于混沌優化神經網絡模型的時間序列預測方法，其特征在于，步驟1中，所述原始時間序列數據包括某市某水廠對應區域用戶日用水歷史時間序列特征數據。

4.如權利要求2所述的基于混沌優化神經網絡模型的時間序列預測方法，其特征在于，步驟2中，所述數據預處理是指對某市歷史時間序列數據中數據異常點、缺失點、重復點的處理。