[發(fā)明專利]一種多元時(shí)間序列的預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110275355.1
• 申請(qǐng)日: 2021-03-15
• 公開（公告）號(hào): CN112925829A
• 公開（公告）日: 2021-06-08
• 發(fā)明（設(shè)計(jì)）人: 朱思宇
• 申請(qǐng)（專利權(quán)）人: 華南理工大學(xué)
• 主分類號(hào): G06F16/2458
• 分類號(hào): G06F16/2458;G06N3/08;G06N3/04;G06K9/62
• 代理公司: 深圳得本知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44762
• 代理人: 袁江龍

1.一種多元時(shí)間序列的預(yù)測(cè)方法，其特征在于，包括如下步驟：

S1多元時(shí)間序列建模；

S11對(duì)多元時(shí)間序列進(jìn)行預(yù)處理，包括非平穩(wěn)數(shù)據(jù)的平穩(wěn)化、含噪聲數(shù)據(jù)噪聲濾除、不同量綱數(shù)據(jù)歸一化以及相空間重構(gòu)；

S12然后根據(jù)數(shù)據(jù)的特點(diǎn)，建立適合的預(yù)測(cè)模型，預(yù)測(cè)模型主要分為全局預(yù)測(cè)模型、局域預(yù)測(cè)模型以及自適應(yīng)預(yù)測(cè)模型三大類；

S121全局預(yù)測(cè)模型，對(duì)所有觀測(cè)樣本均視為研究對(duì)象，通過建立相應(yīng)的非線性映射關(guān)系實(shí)現(xiàn)對(duì)未知系統(tǒng)動(dòng)態(tài)特性的研究；

S122局域預(yù)測(cè)模型僅選擇部分相鄰樣本建立映射關(guān)系，根據(jù)模型性質(zhì)的不同，局域預(yù)測(cè)模型可分為線性和非線性兩種；

S123自適應(yīng)預(yù)測(cè)模型，能夠根據(jù)當(dāng)前觀測(cè)數(shù)據(jù)以及模型誤差自適應(yīng)調(diào)整參數(shù)，適用于數(shù)據(jù)缺失或者訓(xùn)練數(shù)據(jù)不足的情況；

S2建立回聲狀態(tài)網(wǎng)絡(luò)預(yù)測(cè)模型；

回聲狀態(tài)網(wǎng)絡(luò)是一種三層遞歸神經(jīng)結(jié)構(gòu)，包括輸入層、隱含層和輸出層，隱含層又稱儲(chǔ)備池，含有成百上千個(gè)稀疏遞歸連接的神經(jīng)元；

S21回聲狀態(tài)網(wǎng)絡(luò)參數(shù)選擇與結(jié)構(gòu)優(yōu)化；

S22回聲狀態(tài)網(wǎng)絡(luò)學(xué)習(xí)計(jì)算，計(jì)算儲(chǔ)備池到輸出層之間的輸出連接權(quán)值；

S23稀疏在線高斯過程回聲狀態(tài)網(wǎng)絡(luò)，迭代學(xué)習(xí)復(fù)雜的時(shí)序動(dòng)態(tài)并產(chǎn)生預(yù)測(cè)分布，同時(shí)進(jìn)行稀疏化；

S24建立回聲狀態(tài)網(wǎng)絡(luò)組合模型；

線性逆模型與回聲狀態(tài)網(wǎng)絡(luò)結(jié)合，小波方法與回聲狀態(tài)網(wǎng)絡(luò)結(jié)合，模糊邏輯系統(tǒng)與回聲狀態(tài)網(wǎng)絡(luò)結(jié)合，單層神經(jīng)網(wǎng)絡(luò)與回聲狀態(tài)網(wǎng)絡(luò)結(jié)合，稀疏高斯過程與回聲狀態(tài)網(wǎng)絡(luò)結(jié)合，專家系統(tǒng)與回聲狀態(tài)網(wǎng)絡(luò)結(jié)合。

2.根據(jù)權(quán)利要求1所述的一種多元時(shí)間序列的預(yù)測(cè)方法，其特征在于，所述步驟S21儲(chǔ)備池主要參數(shù)包括激活函數(shù)類型、儲(chǔ)備池的規(guī)模、內(nèi)部連接矩陣的譜半徑、稀疏度以及輸入變換系數(shù)。

3.根據(jù)權(quán)利要求1所述的一種多元時(shí)間序列的預(yù)測(cè)方法，其特征在于，所述步驟S21神經(jīng)元是儲(chǔ)備池的基本信息處理單元，包括三個(gè)要素，第一要素是突觸，以神經(jīng)元間的連續(xù)權(quán)值或強(qiáng)度作為特征，第二個(gè)要素是加法器，輸入信號(hào)經(jīng)突觸加權(quán)后求和，第三個(gè)要素是激活函數(shù)，控制神經(jīng)元的輸出副值。

4.根據(jù)權(quán)利要求1所述的一種多元時(shí)間序列的預(yù)測(cè)方法，其特征在于，所述步驟S23稀疏化包括降維方法以及正則化方法。

5.根據(jù)權(quán)利要求4所述的一種多元時(shí)間序列的預(yù)測(cè)方法，其特征在于，所述降維方法：對(duì)高維儲(chǔ)備池狀態(tài)矩陣降維，通過一定的運(yùn)算，得到一個(gè)低維空間，該低維空間能夠反映原始數(shù)據(jù)的內(nèi)在本質(zhì)特征，進(jìn)而保證后續(xù)計(jì)算的數(shù)值穩(wěn)定性，減少計(jì)算量和提高泛化精度，所述降維方法分為線性和非線性兩類，線性降維方法包括主成分分析。因子分析、線性判別分析、獨(dú)立成分分析、多維尺度方法和子空間提取，非線性降維方法為流形學(xué)習(xí)方法。

6.根據(jù)權(quán)利要求4所述的一種多元時(shí)間序列的預(yù)測(cè)方法，其特征在于，所述正則化方法是指采取與原不適定問題相“鄰近”的一族適定問題的解去逼近原問題的解。

7.根據(jù)權(quán)利要求1所述的一種多元時(shí)間序列的預(yù)測(cè)方法，其特征在于，所述步驟S11含噪聲數(shù)據(jù)噪聲濾除，采用三標(biāo)準(zhǔn)差去噪、分箱處理和小波去噪。

8.根據(jù)權(quán)利要求1所述的一種多元時(shí)間序列的預(yù)測(cè)方法，其特征在于，所述步驟S2在網(wǎng)絡(luò)訓(xùn)練前，事先給定網(wǎng)絡(luò)參數(shù)，輸入連續(xù)權(quán)值和儲(chǔ)備池內(nèi)部連接權(quán)值隨機(jī)初始化不在改變，只有儲(chǔ)備池和輸出層之前的連接權(quán)值需要通過訓(xùn)練求取。