[發(fā)明專利]一種基于混沌優(yōu)化神經(jīng)網(wǎng)絡(luò)模型的時(shí)間序列預(yù)測方法

在審

• 申請?zhí)枺?/td>: 202010543603.1
• 申請日: 2020-06-15
• 公開（公告）號: CN111754034A
• 公開（公告）日: 2020-10-09
• 發(fā)明（設(shè)計(jì)）人: 陳超波;葉強(qiáng)強(qiáng);王景成;高嵩;王召;涂吉昌;張瑋;郝爽潔
• 申請（專利權(quán)）人: 西安工業(yè)大學(xué)
• 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(biāo)事務(wù)所有限公司 61114
• 代理人: 李鳳鳴

本發(fā)明公開了一種基于混沌優(yōu)化神經(jīng)網(wǎng)絡(luò)模型的時(shí)間序列預(yù)測方法，該方法首先通過從數(shù)據(jù)庫中在線獲取城市歷史日需水量時(shí)間序列數(shù)據(jù)并進(jìn)行數(shù)據(jù)預(yù)處理，并同時(shí)進(jìn)行混沌特征識別；然后利用模型輸入數(shù)據(jù)重構(gòu)相空間的嵌入維數(shù)確定混沌優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),并同時(shí)進(jìn)行模型訓(xùn)練；模型訓(xùn)練過程中通過混沌優(yōu)化搜索，找到BP神經(jīng)網(wǎng)絡(luò)權(quán)值的全局最優(yōu)值；模型訓(xùn)練結(jié)束后通過參數(shù)控制法對其輸出的時(shí)間序列預(yù)測值進(jìn)行混沌參數(shù)控制；最后實(shí)現(xiàn)城市日需水量時(shí)間序列的預(yù)測。本發(fā)明基于混沌優(yōu)化神經(jīng)網(wǎng)絡(luò)模型的城市日需水量時(shí)間序列預(yù)測方法所需訓(xùn)練數(shù)據(jù)樣本少，收斂速度快、易達(dá)到全局最小值，預(yù)測結(jié)果整體誤差的指標(biāo)良好，呈現(xiàn)良好的綜合預(yù)測性能。

技術(shù)領(lǐng)域

本發(fā)明屬于模型預(yù)測控制技術(shù)領(lǐng)域，尤其涉及一種基于混沌優(yōu)化神經(jīng)網(wǎng)絡(luò)模型的時(shí)間序列預(yù)測方法。

背景技術(shù)

經(jīng)濟(jì)的高速發(fā)展帶來了城市化與工業(yè)生產(chǎn)規(guī)模的不斷發(fā)展，也使得城市供水系統(tǒng)的供需矛盾變得突出，特別是夏季，城市供水量緊缺的現(xiàn)象越來越普遍。城市日需水量時(shí)間序列預(yù)測已成為現(xiàn)代供水調(diào)度系統(tǒng)學(xué)科中一個(gè)重要的研究領(lǐng)域。由于城市日需水量時(shí)間序列增長受經(jīng)濟(jì)發(fā)展、產(chǎn)業(yè)結(jié)構(gòu)、居民收入水平、氣候等諸多因素的影響，用常規(guī)的數(shù)學(xué)方法來建立模型，不僅工作量大，而且精度也難以保證。

目前國內(nèi)外采用的城市日需水量時(shí)間序列預(yù)測模型方法主要有時(shí)間序列預(yù)測模型、灰色預(yù)測模型、人工神經(jīng)網(wǎng)絡(luò)模型等。時(shí)間序列預(yù)測模型是一種定量分析方法，它是在時(shí)間序列變量分析的基礎(chǔ)上，運(yùn)用一定的數(shù)學(xué)方法建立預(yù)測模型，使時(shí)間趨勢向外延伸，從而預(yù)測未來的發(fā)展變化趨勢，確定變量預(yù)測值。具有運(yùn)算過程簡單，對于中短期預(yù)測的效果要比長期預(yù)測的效果好等優(yōu)點(diǎn)。但其因突出時(shí)間序列暫不考慮外界因素影響，故存在著預(yù)測誤差的缺陷。當(dāng)遇到外界因素發(fā)生較大變化，往往會有較大偏差?；疑A(yù)測模型通過對原始數(shù)據(jù)的處理挖掘系統(tǒng)變動規(guī)律，建立相應(yīng)微分方程，從而預(yù)測事物未來發(fā)展?fàn)顩r。對于不確定因素的復(fù)雜系統(tǒng)預(yù)測效果較好，且所需樣本數(shù)據(jù)較小；但是基于指數(shù)率的預(yù)測沒有考慮系統(tǒng)的隨機(jī)性，中長期預(yù)測精度較差。人工神經(jīng)網(wǎng)絡(luò)模型是一種模仿動物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系，從而達(dá)到處理信息的目的。該網(wǎng)絡(luò)具有強(qiáng)大的非線性逼近能力，同時(shí)其良好的自適應(yīng)性、自組織性以及較強(qiáng)的學(xué)習(xí)、聯(lián)想、容錯(cuò)和抗干擾能力使其廣泛應(yīng)用于諸多領(lǐng)域，可以解決涉及到多變量、強(qiáng)耦合、非線性等的數(shù)值擬合預(yù)測問題。其不足之處為：網(wǎng)絡(luò)算法學(xué)習(xí)速度較慢，網(wǎng)絡(luò)訓(xùn)練失敗的可能性較大，隱含層層數(shù)和輸入層神經(jīng)元個(gè)數(shù)難以確定，一般根據(jù)經(jīng)驗(yàn)公式結(jié)合實(shí)際問題選取，網(wǎng)絡(luò)結(jié)構(gòu)的選擇尚無一種統(tǒng)一而完整的理論指導(dǎo)，一般只能由經(jīng)驗(yàn)選定。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于混沌優(yōu)化神經(jīng)網(wǎng)絡(luò)模型的時(shí)間序列預(yù)測方法，解決了現(xiàn)有城市日需水量時(shí)間序列預(yù)測模型方法所需訓(xùn)練樣本多，預(yù)測誤差大，算法學(xué)習(xí)收斂速度慢，網(wǎng)絡(luò)結(jié)構(gòu)難以確定等問題。

為了解決上述問題，本發(fā)明技術(shù)方案包括以下步驟：

一種基于混沌優(yōu)化神經(jīng)網(wǎng)絡(luò)模型的時(shí)間序列預(yù)測方法，其特征在于，首先通過從數(shù)據(jù)庫中在線獲取城市歷史日需水量時(shí)間序列數(shù)據(jù)并進(jìn)行數(shù)據(jù)預(yù)處理，并同時(shí)進(jìn)行混沌特征識別；然后利用模型輸入數(shù)據(jù)重構(gòu)相空間的嵌入維數(shù)確定混沌優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，并同時(shí)進(jìn)行模型訓(xùn)練；模型訓(xùn)練過程中通過混沌優(yōu)化搜索，找到BP神經(jīng)網(wǎng)絡(luò)權(quán)值的全局最優(yōu)值；模型訓(xùn)練結(jié)束后通過參數(shù)控制法對其輸出的時(shí)間序列預(yù)測值進(jìn)行混沌參數(shù)控制；最后實(shí)現(xiàn)城市日需水量時(shí)間序列的預(yù)測。

進(jìn)一步的，具體包括如下步驟：

步驟1：從ORACLE數(shù)據(jù)庫中獲取某市原始?xì)v史日需水量時(shí)間序列數(shù)據(jù)；所有輸入模型的時(shí)間序列數(shù)據(jù)集被劃分為一個(gè)訓(xùn)練輸入時(shí)間序列數(shù)據(jù)集和一個(gè)測試輸入時(shí)間序列數(shù)據(jù)集；

步驟2：對獲取的某市日需水量時(shí)間數(shù)據(jù)序列進(jìn)行數(shù)據(jù)預(yù)處理，將處理后的數(shù)據(jù)輸入模型內(nèi)部；