[發明專利]構建分級重構的混沌時間序列預測通用模型的方法

在審

• 申請號: 202210370838.4
• 申請日: 2022-04-11
• 公開（公告）號: CN114861983A
• 公開（公告）日: 2022-08-05
• 發明（設計）人: 劉芳
• 申請（專利權）人: 沈陽理工大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N7/08
• 代理公司: 沈陽利泰專利商標代理有限公司 21209
• 代理人: 史進斗

1.構建分級重構的混沌時間序列預測通用模型的方法，其特征在于包括下列步驟：

步驟1：輸入觀測序列X_I×N，I為序列維度，N為每維度序列長度，從而得到I維的長度為N的序列x_i(n)，其中i＝1,2,…I，n＝1,2,…N；

步驟2：設置預測長度為M，M的取值由用戶定義并設置；當預測需求為觀測序列N長度內的部分序列預測時定義為限內預測，即在N長度內的某M長度預測；當預測需求為觀測序列N長度外的未來序列預測時定義為限外預測，即在N長度外的某M長度預測；進一步，依據用戶需求設置重構碼集C＝{c₁,c₂,…c₁₀}，具體重構碼集的解釋如下：

步驟3：結合用戶需求及應用觸發位c₁分析用戶需求，進行一級驅動；如果c₁＝0則為限內預測，并跳轉至步驟4；如果c₁＝1則為限外預測，并跳轉至步驟11；

步驟4：分析優先級位c₂，進行二級驅動；如果c₂＝0則跳轉至步驟5，如果c₂＝1則跳轉至步驟6；

步驟5：利用維度為I長度為N的序列x_i(n)進行限內預測，建立長期預測方法，計算預測結果y_i(m)，其中，m＝1,2,…M、i＝1,2,…I、n＝1,2,…N，LTF[·]為長期預測方法；進而輸出y_i(m)并跳轉至步驟18；

y_i(m)＝LTF[x_i(n)] [1]；

步驟6：對維度為I長度為N的序列x_i(n)進行維度分析，如果I大于1則跳轉至步驟7，否則跳轉至步驟8；

步驟7：利用維度為I長度為N的序列x_i(n)進行限內預測，利用公式[1]所示的長期預測方法LTF[·]，計算預測結果y_i(m)，進而輸出y_i(m)并跳轉至步驟18；

步驟8：對維度為I長度為N的序列x_i(n)進行結構分析，分別構建6類混沌特性的數據矩陣及觀測矩陣，6類混沌分別為：Logistic羅切斯特、Sine正弦映射、分段Logistic分段羅切斯特、Kent肯特、Bemouilli shift伯努利移位和Chebyshev切比雪夫；在構建數據矩陣及觀測矩陣的基礎上，分別推導相應的分型參數α_j，從而生成待識別序列{z₁(n),z₂(n)…z₆(n)}，并建立交叉驗證誤差函數e_j，其中，j＝1,2,…6；

進一步，計算誤差最小值滿足min(e_j)＜10^-10，則輸出此時的j值，即：J＝j，并跳轉至步驟9，否則跳轉至步驟10；其中，min(·)是計算最小值函數；

步驟9：利用維度為I長度為N的序列x_i(n)進行限內預測，并利用y₀＝x_i(1)和α_J建立精準預測函數，計算預測結果y_i(m)，其中，m＝1,2,…M、i＝1,2,…I、n＝1,2,…N，為初值為y₀分型參數為α_J的精準預測函數，進而輸出y_i(m)并跳轉至步驟18；

步驟10：利用維度為I長度為N的序列x_i(n)進行限內預測，建立自適應盲估計方法，計算預測結果y_i(m)，其中，m＝1,2,…M、i＝1,2,…I、n＝1,2,…N，HPABE[·]為自適應盲估計方法；進而輸出y_i(m)并跳轉至步驟18；

y_i(m)＝HPABE[x_i(n)] [4]；

步驟11：分析優先級位c₂，進行二級驅動；如果c₂＝0則跳轉至步驟12，如果c₂＝1則跳轉至步驟13；

步驟12：利用維度為I長度為N的序列x_i(n)進行限外預測，利用公式[1]所示的長期預測方法LTF[·]，計算預測結果y_i(m)，進而輸出y_i(m)并跳轉至步驟18；

步驟13：對維度為I長度為N的序列x_i(n)進行維度分析，如果I大于1則跳轉至步驟14，否則跳轉至步驟15；

步驟14：利用維度為I長度為N的序列x_i(n)進行限外預測，利用公式[1]所示的長期預測方法LTF[·]，計算預測結果y_i(m)，進而輸出y_i(m)并跳轉至步驟18；

步驟15：對維度為I長度為N的序列x_i(n)進行結構及特性分析，分別構建步驟8種的6類數據矩陣及觀測矩陣，推導相應的分型參數α_j，從而生成待識別序列{z₁(n),z₂(n)…z₆(n)}，并建立公式[2]所示的交叉驗證誤差函數e_j，其中，j＝1,2,…6；

進一步，計算誤差最小值滿足min(e_j)＜10^-10，則輸出此時的j值，即：J＝j，并跳轉至步驟16，否則跳轉至步驟17；

步驟16：利用維度為I長度為N的序列x_i(n)進行限外預測，并利用y₀＝x_i(1)和α_J以及公式[3]所示的精準預測函數AP[·]，計算預測結果y_i(m)，進而輸出y_i(m)并跳轉至步驟18；

步驟17：利用維度為I長度為N的序列x_i(n)進行限外預測，利用公式[1]所示的長期預測方法LTF[·]，計算預測結果y_i(m)，進而輸出y_i(m)并跳轉至步驟18；

步驟18：結束預測，返回步驟1重新輸入新序列進行預測。