CN109447333A - 一种基于不定长模糊信息粒的时间序列预测方法和装置 - Google Patents
一种基于不定长模糊信息粒的时间序列预测方法和装置 Download PDFInfo
- Publication number
- CN109447333A CN109447333A CN201811215762.8A CN201811215762A CN109447333A CN 109447333 A CN109447333 A CN 109447333A CN 201811215762 A CN201811215762 A CN 201811215762A CN 109447333 A CN109447333 A CN 109447333A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- layer
- data
- time
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
- G06N7/023—Learning or tuning the parameters of a fuzzy system
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于不定长模糊信息粒的时间序列预测方法和装置,采用K线图构造方法处理原始时间序列,基于K线分笔思想的不等长划分论域方法划分模糊时间序列;基于划分后的模糊时间序列构造带状高斯模糊信息粒,形成模糊时间序列的不定长模糊信息粒群体;构建循环模糊神经网络,并进行结构学习和参数学习;利用循环模糊神经网络对模糊时间序列进行长期预测,并将预测结果去模糊化。本发明基于信息颗粒和循环模糊神经网络实现时间序列长期预测,预测的多个值可以在一步内完成,而不是迭代地分别预测每个值,即可以实现长期预测。
Description
技术领域
本公开涉及一种基于不定长模糊信息粒的新型时间序列预测方法和装置。
背景技术
时间序列指的是在不同的时间点上收集到的反应某一事物、现象等随时间变化的数据的集合,普遍出现在经济、金融、社会自然等众多领域。时间序列分析的一个重要目的是对时间序列进行预测,即利用统计方法和技术,从观测数据中找出时间序列的内部演化规律,建立数学模型,估计预测变量的变化趋势。时间序列预测已经被广泛的应用到气象学、农业生产、旅游人数和能源等诸多领域,特别是在控制领域和金融市场中有极其重要的意义。
关于时间序列的预测模型主要分为三类:一是经典时间序列模型:自回归模型(auto regression model)(AR)等,二是基于计算机智能技术的预测模型:人工神经网络(ANN)等,三是基于模糊集合理论的模糊时间预测模型:模糊信息粒等。虽然经典时间序列模型得到了广泛的应用,但是经典时间序列模型分析数据需要建立在时间序列数据具有线性结构的假设之下,可能并不总是适用于在经济、金融和环境科学中遇到的一些具有较强的非线性结构的现实世界的数据。计算机智能技术预测模型相当于数据驱动的黑盒子模型,单纯以提高精度为目的,对数据完整性要求较强,可解释性较弱。模糊时间预测模型能够处理模糊和不完整的时间不确定情况下的一系列的数据,现有研究大多涉及单步预测模型。
随着技术的发展,对提前许多步骤的长期预测的需求日益增加,这很难实现,因为未知的未来时间步骤无法获得信息。而模糊信息粒化是解决长期预测问题的重要工具,为了对大规模的时间序列构造信息粒,原始序列首先被分解为更简单的连续的子序列,然后每个子序列用模糊集表示,称为模糊信息粒(FIG)。现有的构造颗粒的方式普遍只关注样本数值的变化幅度和变化区间,而忽略数据的变化趋势。但是,实际上,趋势信息常常是时间序列分析的一个重要的指标。因此,新信息粒的研究的关键是设计一种新的模糊信息粒,它可以反映数据随时间变化的趋势,而不是提供无法判断的精确值。对于金融市场而言,这将有助于投资者确定即将到来的问题。
划分论域作为Song和Chissom在1993年提出的预测方法步骤中的第一步,对预测结果有很大的影响。如果划分的子区间太少或太多,会造成子区间具有的模糊语义过于模糊化或模糊语义过于接近难以区分的问题。关于划分论域的方法,研究成果可大致分为三类,它们各自都有其不足之处:第一类是对论域进行均匀划分,此类模型较为简单,但预测精度不高,且划分论域后得到的模糊集解释性较低,含有的语义信息较少;第二类是根据数据分布对论域进行划分,虽然具有较强的解释性,论域划分的结果更能被人们理解和接受,但是,算法复杂度普遍较高,难以实现动态实时划分;第三类是利用优化理论对论域进行划分,该类方法是通过一些优化算法,例如遗传算法(GA)、粒子群算法(PSO)等,寻找最优划分点,此类方法较前两种提高了预测精度,但划分后得到的区间不容易用人们的自然语言进行描述。此外,具有模糊逻辑和神经网络优点的模糊神经网络(FNN)常用来处理时间序列预测的问题,为了处理长时依赖的问题,通常还会在模型中加入表现某种记忆的循环模型。但是现今提出的 RFNN中的循环结构大多在时间维度上的循环存在缺失,不能实现真正意义的在时间维度上的循环。
综上所述,目前对于预测模型对数据完整性要求较强,可解释性较弱,忽略数据的变化趋势,划分后得到的区间不容易用人们的自然语言进行描述以及循环模糊神经网络中的循环结构大多在时间维度上的循环存在缺失,不能实现真正意义的在时间维度上循环的问题,尚缺乏有效的解决方案。
发明内容
为了克服上述现有技术的不足,本公开提供了一种基于不定长模糊信息粒的新型时间序列预测方法和装置,基于信息颗粒和循环模糊神经网络实现时间序列长期预测,采用信息粒化将详细的数值数据组织成一些有意义和操作上可行的抽象知识,这使得数据的解释更容易,并且将信息颗粒和循环模糊神经网络结合使得预测不单单是单步预测,预测的多个值可以在一步内完成,而不是迭代地分别预测每个值,即可以实现长期预测。
本公开所采用的技术方案是:
本公开提出了一种基于不定长模糊信息粒的时间序列预测方法,该方法包括以下步骤:
采用K线图构造方法处理原始时间序列,基于K线分笔思想的不等长划分论域方法划分模糊时间序列;
基于划分后的模糊时间序列构造广义带状时变模糊信息粒(GZT-FIG),形成模糊时间序列的不定长模糊信息粒群体;
构建循环模糊神经网络,并进行结构学习和参数学习;
利用循环模糊神经网络对模糊时间序列进行长期预测,并将预测结果去模糊化。
作为本公开的进一步限定,所述采用K线图构造方法处理原始时间序列的步骤包括:
选取合适的时间长度,作为K线的基本时域单元,将原始时间序列转化为用符号化的模糊语义变量K线表示的模糊时间序列。
作为本公开的进一步限定,所述基于K线分笔思想的不等长划分论域方法划分目标时间序列的步骤包括:
处理模糊时间序列的相邻K线之间的包含关系;
判断模糊时间序列的K线之间的顶底分型,并将模糊时间序列的K线划分成若干笔。
作为本公开的进一步限定,所述广义带状时变模糊信息粒的构造方法为:
采用最小二乘多项式回归方法对每笔模糊时间序列进行处理,得到回归线μ(t)以及数据与回归线μ(t)的离散程度σ;
采用回归线μ(t)拟合数据集的最大值和最小值,利用数据集的最大值和最小值之间的数据构造当前时间区域内的数据浮动区间;
基于数据与回归线μ(t)的离散程度σ、数据集的最大值和最小值构造每笔模糊时间序列的不定长带状线性高斯模糊信息粒。
作为本公开的进一步限定,所述循环模糊神经网络包括输入层、模糊化层、空间发射层、间隔减少层、时间触发层和输出层;
将不定长模糊信息粒群体作为输入数据,输入到输入层中,输入层将所有输入数据传递到模糊化层;
模糊化层采用区间二型高斯隶属函数对输入数据进行模糊化处理,输出上隶属函数和下隶属函数至空间发射层;
空间发射层将上隶属函数的代数乘积与下隶属函数的代数乘积进行模糊“与”操作,输出区间一型模糊集合至间隔减少层;
间隔减少层采用规则的不确定性自适应权重将区间一型模糊集合缩减为一型模糊值,传递到时间触发层;
时间触发层基于LSTM模型利用一型模糊值计算时间发射强度传递到输出层;
输出层采用加权平均去模糊操作计算网络的输出变量yq。
作为本公开的进一步限定,所述结构学习的步骤包括:
利用一个训练数据样本对循环模糊神经网络进行初始化操作,并将该数据样本作为模糊规则中心,生成一个新的模糊规则,设置该规则的二型高斯模糊集的中心和宽度,读取下一个训练数据样本;
计算新数据样本的每个模糊信息粒与作为规则中心的每个模糊信息粒之间的距离之和;
如果得到的距离之和大于等于设定的阈值,则产生新的模糊规则,并初始化该规则的区间二型的高斯隶属函数中心和宽度;
依次循环,直至循环模糊神经网络读取完所有训练数据样本,在线生成全部的模糊规则。
作为本公开的进一步限定,所述参数学习的步骤包括:
基于循环模糊神经网络结构计算实际输出值;
反向计算循环模糊神经网络中每一层每一个节点的误差值;
利用误差值计算第六层网络和第五层网络节点之间的权重的梯度、第三层网络和第四层网络之间的权重的梯度以及第二层网络的中心和宽度梯度,采用梯度下降算法调节循环模糊神经网络结构中所有参数。
作为本公开的进一步限定,所述利用循环模糊神经网络对模糊时间序列进行长期预测,并将预测结果去模糊化的步骤包括:
将模糊时间序列的不定长模糊信息粒群体划分成训练集和测试集;
利用循环模糊神经网络根据训练集数据预测测试集的数据;
利用测试集的数据计算预测精度的评价指标。
本公开还提供了一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行以下步骤:
采用K线图构造方法处理原始时间序列,基于K线分笔思想的不等长划分论域方法划分模糊时间序列;
基于划分后的模糊时间序列构造广义带状时变模糊信息粒,形成模糊时间序列的不定长模糊信息粒群体;
构建循环模糊神经网络,并进行结构学习和参数学习;
利用循环模糊神经网络对模糊时间序列进行长期预测,并将预测结果去模糊化。
本公开开提供一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令用于执行以下步骤:
采用K线图构造方法处理原始时间序列,基于K线分笔思想的不等长划分论域方法划分模糊时间序列;
基于划分后的模糊时间序列构造广义带状时变模糊信息粒,形成模糊时间序列的不定长模糊信息粒群体;
构建循环模糊神经网络,并进行结构学习和参数学习;
利用循环模糊神经网络对模糊时间序列进行长期预测,并将预测结果去模糊化。
与现有技术相比,本发明的有益效果是:
(1)本公开提出一种新的划分论域的方法,使用K线作为一种符号化的模糊语义变量将原始序列转化为便于提取主要信息的模糊时间序列,可以起到初步去噪的效果,这将有助于将数据依据与时间相关的趋势来划分论域,以提高模型的解释性和预测精度;
(2)本公开提出一种新的模糊信息粒,即广义带状时变模糊信息粒(GZT-FIG),该模糊信息粒含了数据随时间的变化趋势以及波动范围,将数值时间序列转化为模糊信息粒时间序列,既能有效地降低计算复杂度,又能保持原始信息;
(3)本公开提出一种新的循环模糊神经网络作为预测模型,即自演化区间二型长短时记忆模糊神经网络,利用循环模糊神经网络来进行粒度层次上的预测以对时间序列进行长期预测,并将预测结果去模糊化,与现有的工作相比,LSTM首次应用于神经模糊系统,相较于其他循环模糊神经网络,可以弥补在时间维度上的循环的缺失;
(4)本公开提出一种度量两个GZT-FIG之间相似度的距离算法,将其运用于循环模糊神经网络的结构更新之中,采用基于该距离计算的动态聚类,有助于为后续参数学习定位良好的初始规则位置。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1是基于不定长模糊信息粒的新型时间序列预测方法流程图;
图2是K线的组成结构图;
图3是处理K线之间的包含关系示意图;
图4是K线处理示意图;
图5是线性带状高斯模糊信息粒示意图;
图6是循环模糊神经网络结构示意图;
图7是上证指数2016年第三季度(7月1日—9月30日)30分钟级数据;
图8是预测最后三个信息粒结构示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
实施例一
图1是本实施例一基于不定长模糊信息粒的新型时间序列预测方法的流程图。如图1所示,本实施例一基于不定长模糊信息粒的新型时间序列预测方法包括以下步骤:
S101,划分目标时间序列。
本实施例提出了一种基于K线分笔思想的不等长划分论域方法,根据数据的变化趋势及分布情况来确定非等长区间来构造模糊信息粒,以提高数据模糊后的可解释性和模型的预测精度,充分发挥了模糊理论对于时间序列预测的优势,弥补了因均匀划分论域而导致精确度较低、语义信息较少的不足,克服了粒子群算法、遗传算法等优化算法划分论域的不可解释性的问题,能够较好的实现动态实时划分论域。本实施例提出的基于K线分笔思想的不等长划分论域方法,根据数据选择合适的区间长度,优化信息粒度,使得信息粒包含合适数目的数据,并对K线图进行规范化处理,以明确变量的变化趋势和相应的区间范围。
所述步骤S101中划分目标时间序列采用如下方式实现:
S101-1,采用K线图构造方法处理任意的时间序列。
选取合适的时间长度,作为K线的基本时域单元,将时间序列转化为用符号化的模糊语义变量K线表示的模糊时间序列。
K线图又称为蜡烛线、阴阳线、日本线,根据每个分析周期的开盘价(交易期间的第一个交易价格)、最高价、最低价和收盘价(最后一个交易价格)绘制而成,结构可以分为上影线,下影线和中间实体三部分组成。图2是K线的构成示意图,中间实体的长度表示开盘价和收盘价之间的差值,其为K线的主体,k线在body的上方和下方可能有细线(small thinlines),这些线称为影子(shadow),body上方的shadow称为上影线,body下方的shadow称为下影线,上影线的高度是时间区间内收盘价和开盘价两者之中的高价与最高价之差,下影线的高度是收盘价和开盘价两者中的低价和最低价之差。
S101-2,基于K线分笔思想的不等长划分论域方法划分模糊时间序列。
对步骤S101-1得到的模糊时间序列进行分笔处理,量化其内在变化趋势及其时间范围,并依此划分数据,为下一步模糊化观测数据做准备,作为构造信息粒的依据。
所述对得到的模糊时间序列进行分笔处理的步骤包括:
(1)处理K线之间的包含关系。
对于相邻两根k线,若一根K线的最高点高于另一根K线的最高点,且最低点低于另一根K线的最低点,即,其中一根K线的最高点和最低点都被另一根K线包含,则判定两根K线存在包含关系。
本实施例中处理K线之间的包含关系的目的就是使相邻K线之间不能有包含关系。当一条K线的出现使得产生包含关系时,可用一根新的只有high、low,没有open、close的新K 线代替有包含关系的两根K线,即新K线使用body的上端表示high,下端表示low。所述K线之间的包含关系的处理方法具体为:
首先判断一K线之前两根K线的关系,如果该K线之前两根K线呈下降趋势,即第二根K线的最高点和最低点均低于第一根K线,也称第二根K线低于第一根K线,则新K线的high和low分别等于两根K线的high和low的较小值,如图3中(a)所示;如果该K线之前两根K线呈上升趋势,即第二根K线的最高点和最低点均高于第一根K线,也称第二根K线高于第一根K线,则新K线high和low分别等于两根K线的high和low的较大值,如图3中(b)所示;若新k线又产生了新的包含关系,则继续进行处理,如图3中(c)所示。
(2)判断顶底分型。
底分型:不存在包含关系的三根K线之间,如果中间一根K线的低点最低,高点也最低,则构成底分型。
顶分型:不存在包含关系的三根K线之间,如果中间一根K线的高点最高,低点也最高,则构成顶分型。
需要注意的是,一根K线不能被两个分型共用。顶分型遇到这种情况时,该K线归较高的顶分型使用;底分型则归较低的底分型使用。
(3)划分笔。
若相邻的顶分型和底分型之间至少有1根非公用K线,即从顶分型的最高一根K线至底分型的最低一根K线的时间范围的闭区间内,至少有5根不存在包含关系的K线,则顶分型最高一根K线至底分型最低一根K线间构成一笔。
特别的,若顶分型(或底分型)连续出现,且后出现的一个顶分型(或底分型)的最高 (低)一根K线更高(低),则使用后出现的分型作为笔的端点。
下面以图4中(a)所示K线图为例,对分笔处理过程进行说明。图中从t1到t19共19个时间间隔内的open、close、high、low price信息被用K线记录。通过观察可知,该时间序列有很明显的变化趋势。本实施例用上述提出的K线分笔方法对其进行处理,以明确其变化过程,提取趋势信息。
首先进行包含关系处理。依据时间先后顺序观察K线,首先发现t4和t5时间对应K线存在包含关系,t10和t11时间对应K线存在包含关系,处理结果如图Fig.4(b)所示。其次进行顶底分型的判断。t2对应K线的high、low分别高于t1、t3的high、low,故t1、t2、 t3构成顶分型;t8对应K线的high、low分别低于t7、t9的high、low,故t7、t8、t9构成底分型;同理,t13、t14、t15构成顶分型;t17、t18、t19构成底分型。如图4中(b) 所示。
最后,进行分笔。根据分笔的定义,第一笔从第2根K线开始,连接至第8根K线;第二笔从第8根K线开始,连接至第14根K线;第三笔从第14根K线开始,连接至第18根K 线,分笔完成。如图4中(b)所示。
S102,模糊化观测数据,构造信息粒。
本实施例提出了一种新型模糊信息粒,称为广义带状时变模糊信息粒(GZT-FIG),采用以带状区间为核心的模糊信息粒的形式来表达趋势信息。
广义带状时变模糊信息粒,记做即在给定时间t[0,t],隶属函数表示为:
其中,核心线μ(t)=antn+an-1tn-1+...+a1t+a0反映了当前窗口内数据的线性变化趋势;标准差σ决定了分布的幅度,反映了数据与回归线μ(t)的离散程度,σ越大,表示该信息粒的离散程度越大;是在t∈[0,T]内由x值确定的闭区间,表示a0的取值范围,即a0 是使μ(t)=antn+an-1tn-1+...+a1t+a0在一段时间内经过x值对应点的a0的最小取值,是a0的最大取值;反映了当前时间区域内的数据浮动区间,即该数据集的所有数据落在核心线向上平移和向下平移a0 构成的两根线之间的区域内。
图5是n=1时,线性带状高斯模糊信息粒的示意图。
与普通的区间模糊信息粒或者高斯模糊信息粒不同,广义带状时变模糊信息粒的区间不再是固定大小的区间,而是随时间变化的带状;其高斯核不再是一个定值,而是随时间变量t 变化而进行线性移动。即广义带状时变模糊信息粒的中心值不再是一个具体的点,而变成了一个随时间移动的区间,根据图像直观分析,与以往的信息粒构造方法不同,本实施例提出的广义带状时变模糊信息粒有三个维度而不是二维的,增加的第三个维度是时间,用来展示数据随时间变化的趋势。
确定广义带状时变模糊信息粒共需n+4个参数,即an,an-1,...,a0,σ,a0 ,其中an,an-1,...,a1,σ可以通过线性回归确定,本实施例之所以选用通过最小化误差的平方和寻找数据的最佳函数匹配的最小二乘线性回归方法,主要是考虑到了其计算复杂度是可接受的。给定一个时间序列X={X1,X2,X3,...,Xt},时间范围为t=1,2,....,N,对其进行线性回归得到:
Xt=antn+an-1tn-1+...+a1t+a0+ε
其中,ε~N(0,σ2),由此得到参数an,an-1,...,a0,σ,而a0 和的确定,是使用μ(t)=antn+an-1tn-1+...+a1t拟合数据集的上界和下界,将所有的数据值包含其中从而得到 a0的取值范围至此,本实施例构造完一个带状线性高斯模糊信息粒
本实施例的广义带状时变模糊信息粒的是将高斯模糊信息粒的核心扩展为一个区间,并且这个区间随一条回归线滑动平移形成带状区域,指示着预测的区间。通常情况下,随着n 的增大,本实施例拟合信息粒数据时的误差越小,使得预测效果会更加精确。综上所述,本实施例的广义带状时变模糊信息粒的在常见的高斯模糊信息粒或者区间模糊信息粒的基础上做了进一步的改进,能够同时表示数据变化范围数据的变化趋势(via an,an-1,...,a1)以及数据波动或离散情况(viaσ),较好的解决了现有的信息粒构造方式忽略数据的变化趋势的问题,是较为理想的信息粒形式。
为了验证本实施例模型的预测效果及有效性,对于本实施例提出的信息粒本实施例对n=2,n=3两种情况的带状高斯模糊信息粒进行了比较。对于n=2,n=3两种情况的带状高斯模糊信息粒定义如下:
对于二阶带状高斯模糊信息粒,记做其隶属度函数为:
核心线x=at2+bt+c反映了当前窗口内数据的线性变化趋势,其中a为回归线的二次项系数,决定回归线的开口方向和大小,b为一次项系数,因为回归线是轴对称图形,b和a共同决定图像对称轴的位置,c为回归线的截距;标准差σ决定了分布的幅度,反映了数据与回归线μ(t)的离散程度,σ越大,表示该信息粒的离散程度越大;是在t∈[0,T]内由x值确定的闭区间,表示c的取值范围,即c是使μ(t)=at2+bt+c在一段时间内经过x值对应点的c的最小取值,是c的最大取值;反映了当前时间区域内的数据浮动区间,即该数据集的所有数据落在核心线向上平移和向下平移c构成的两根线之间的区域内。
同理可得,对于三阶带状高斯模糊信息粒,记做其隶属度函数为:
核心线x=at3+bt2+ct+d反映了当前窗口内数据的线性变化趋势,标准差σ决定了分布的幅度,反映了数据与回归线μ(t)的离散程度,σ越大,表示该信息粒的离散程度越大;是在t∈[0,T]内由x值确定的闭区间,表示d的取值范围,即d是使μ(t)=at3+bt2+ct+d在一段时间内经过x值对应点的d的最小取值,是d的最大取值;反映了当前时间区域内的数据浮动区间,即该数据集的所有数据落在核心线向上平移和向下平移d构成的两根线之间的区域内。
S103,构建循环模糊神经网络,并进行结构学习和参数学习。
本实施例提出了一种新的循环模糊神经网络,即自演化区间二型长短时记忆模糊神经网络(eIT2FNN-LSTM)作为预测模型。假设模糊时间序列由N个信息粒A1,A2,A3,...,AN组成,将其作为输入数据输入到预测模型中预测之后的信息粒数据。本实施例选用信息粒化的信息进行预测而非直接使用原始数据,这样做的优势在于,输出将是一个考虑多步时间范畴的信息颗粒(a granule concerning multi-step time horizon)。若使用例如ARIMA、SVR的数字化模型预测相同数量的数值,需要对单步预测(one-step prediction)结果进行一系列的迭代。鉴于不可避免的误差,将导致预测偏差连续累积,若预测长时间范畴时,预测的结果将不再精确。应用基于K线分笔的方式的划分论域构建信息粒,然后和循环模糊神经网络进行结合,通过分析数据实验的结果得到该组合方法对提高时间序列预测的准确度有显著的效果。
所述步骤S103中循环模糊神经网络的构建方法具体为:
S103-1,建立新的循环模糊神经网络,即自演化区间二型长短时记忆模糊神经网络 (eIT2FNN-LSTM)。
本实施例提出的eIT2FNN-LSTM主要目标是找出不确定输入特征X和输出Y之间的函数关系,本实施例假设eIT2FNN-LSTM由n个输入节点,m个输出节点组成,并且在学习t-1个样本时已经增长了k个规则。在本实施例中eIT2FNN-LSTM是一个实现TSK模糊推理机制的六层网络,如图6所示。eIT2FNN-LSTM由输入层、区间二型模糊化层、空间发射层、间隔减少层、时间触发层和输出层组成,其中,输入层中节点为信息粒群体;区间二型模糊化层中的节点采用不确定均值(UM)的高斯隶属函数来实现区间二型隶属函数;空间发射层将区间二型模糊隶属度组合以获得区间一型模糊集;间隔减少层中的节点采用一种有效的区间约简方法将区间一型模糊集转换为一型模糊数;时间触发层节点使用的是LSTM模型,每个循环模糊规则的后件是TSK模型;输出层中的节点采用基于重心的去模糊化来获得清晰的输出。eIT2FNN-LSTM中各层的数学函数详述如下:
第一层(输入层):将三个信息粒Ai-2,Ai-1,Ai作为输入样本,预测后一个信息粒Ai+1,对于i时刻的输入,输入数据记为Xi=(xi,1,xi,2,...,xi,n)。
该输入层由n个节点组成,其中每一个节点代表一个输入特征,输入层的功能是直接将输入传递到模糊化层。
第二层(模糊化层):该层执行模糊化操作。该模糊化层中的每个节点通过采用区间二型高斯隶属函数对输入数据进行模糊化,对于第j个输入变量xi,j和第k个规则,这个隶属函数的不确定性所留下的影响可以用上隶属函数和下隶属函数表示为有界区间,如下所示:
其中主高斯函数由下式给出:
其中和σk分别是第k个规则的第j个输入变量的中心和宽度。
第三层(空间发射层):该空间发射层由K个节点组成,为规则数目。每个节点对应每个规则的上下触发强度,规则的触发强度来自第二层的输出执行模糊“与”操作,通过使用规则前件的隶属函数的代数乘积来获得,该层的输出为区间一型模糊集合,计算如下:
其中,为下隶属函数;为规则k的下触发强度;为上隶属函数;为规则k的上触发强度。
第四层(间隔减少层):该间隔减少层由K个节点组成,该层中的每个节点将区间一型模糊集合缩减为一型模糊值,区间缩减技术给出如下:
其中,αk∈[0,1]是第k个规则的不确定性的自适应权重;Fk为第k个规则的一型模糊值。
第五层(时间触发层):本实施例中将LSTM模型作为模糊神经网络的循环结构,其中该时间触发层由K*m个节点组成,该时间触发层中的每一个节点是一个循环规则节点,形成了一个内部反馈循环,在i时刻时,循环规则节点的输出不仅仅取决于当前发射强度Fk(i),还取决于时间发射强度具体计算过程如下:
而
其中,为遗忘门的权重矩阵和偏置项,为输入门的权重矩阵和偏置项,为单元状态的权重矩阵和偏置项,为输出门的权重矩阵和偏置项;σ(z)和tanh(z)为激活函数,反馈权重用区间[0,1]中统一生成的随机数进行初始化.。
第六层(输出层):该输出层中的每一个节点对应一个输出变量,第q个输出层节点采用加权平均去模糊操作计算网络的输出变量yq,去模糊化后的网络预测输出为:
其中,wqk是连接第k个循环规则和第q个输出节点的输出权重;为时间发射强度; hqp(i)为当前时刻i的连接第p个规则和第q个输出的时间发射强度。
S103-2,结构学习和参数学习。
在本实施例中eIT2FNN-LSTM同时进行结构和参数学习演变,对于离线学习,首先对所有的训练数据进行结构学习,然后对构建的固定的网络结构进行参数学习。与这种类型的学习相反,这里的同时学习意味着对于每一个输入数据都执行结构和参数学习算法。在实际实施中,先进行结构学习,随后对于新的数据进行参数学习,换句话说,参数学习是在新进化的网络结构上在线执行的,在本实施例中,关于eIT2FNN-LSTM的结构学习,采用基于带状高斯模糊信息粒的距离进行动态聚类,在网络收到训练数据时在线生成模糊规则和模糊集合。在生成模糊规则之后,通过参数学习算法来调整其自由参数。以下部分将介绍结构和参数学习算法的细节。
(1)结构学习
先确定模型何时产生一个新的规则,其次是确定每个输入维度的初始模糊集合的形状。模糊规则的产生是为了至少有一个规则被激活,在结构学习算法中,训练样本仅被呈现给网络一次,对于每一个输入的样本数据Xi,即为三个信息粒Ai-2,Ai-1,Ai的数据,我们通过计算颗粒的距离来决定是否应该生成一个新的模糊规则,最开始的时候是没有规则的。所述结构学习方法如下:
(1-1)首先用第一个数据样本X3=(x3,1,x3,2,...,x3,n),即信息粒A1,A2,A3,对eIT2FNN-LSTM 结构进行初始化操作,数据样本作为模糊规则的中心,生成一个新的模糊规则,二型高斯模糊集的中心和宽度分配为和σ1,然后读取下一个数据样本。
这里,σinit是一个预先指定的值,它决定每个模糊集的宽度。
(1-2)对于后续传入的数据样本Xi,即Ai-2,Ai-1,Ai计算新数据样本每个信息粒和作为规则中心的每个信息粒的距离之和。
本实施例先考虑如何计算不等长带状高斯信息粒之间的距离,即计算和的距离,为了减少模糊规则的数目,使聚类效果更加可靠,本实施例仅计算LG(an,an-1,...,a1,σ1,T1)和LG(bn,bn-1,...,b1,σ2,T2)的距离,当t=t0时可以转换为两个高斯模糊信息粒和的距离。
而对于所有t∈[0,max{T1,T2}]来说,不等长带状高斯信息粒LG1,LG2之间的距离D1(LG1,LG2)可以被定义为:
其中,表示与G(0)之间的距离。设max{T1,T2}=T1,min{T1,T2}=T2,则上式可进一步写为:
如果则D1(G1,G2)可表示为:
这里
如果LG1=LG(an,an-1,...,a1,σ1,T1),LG2=LG(bn,bn-1,...,b1,σ2,T2),则D1(G1,G2)可表示为:
这里,Δan=an-bn,Δan-1=an-1-bn-1,Δa1=a1-b1,Δσ=σ1-σ2。
但是在实际实验过程中发现,对于不存在明显周期的数据集构造的信息粒,D1(G1,G2)受 T1与T2的影响较大。具体来说,若较大,则Δan,Δan-1,...,Δa1,Δσ的影响变得微不足道,D1(LG1,LG2)趋于较大。这就使得D1(LG1,LG2)不能真实的反映两信息粒之间的距离。因此,针对股票等不存在明显周期的数据集构造的信息粒,提出一种中和的距离测量方式,选用等长区间进行距离计算。
为了解决由于区间不重合部分引起的D1(LG1,LG2)过大的问题, LG1=LG(an,an-1,...,a1,σ1,T1),LG2=LG(bn,bn-1,...,b1,σ2,T2)(假设T1>T2),则D1(G1,G2)可表示为:
这里,Δan=an-bn,Δan-1=an-1-bn-1,Δa1=a1-b1,Δσ=σ1-σ2。
对于当n=2,n=3情况下的距离计算:
对于计算和的距离,利用上述计算公式可以得到:
LG1=LG(a1,b1,σ1,T1)和LG2=LG(a1,b2,σ2,T2)(假设T1>T2)之间的距离可表示为:
这里Δa=a1-a2,Δb=b1-b2,Δσ=σ1-σ2。
由上面内容可知,对于不存在明显周期的数据集构造的信息粒,采用以下距离计算公式:
为了解决由于区间不重合部分引起的D1(LG1,LG2)过大的问题, LG1=LG(a1,b1,σ1,T1)和LG2=LG(a2,b2,σ2,T2)(假设T1>T2)之间的距离可表示为:
这里,Δa=a1-a2,Δb=b1-b2,Δσ=σ1-σ2。
同理可得关于三阶信息粒的距离公式;
对于计算和的距离,利用上述计算公式可以得到:
LG1=LG(a1,b1,c1,σ1,T1)和LG2=LG(a1,b2,c2,σ2,T2)(假设T1>T2)之间的距离可表示为:
这里,Δa=a1-a2,Δb=b1-b2,Δc=c1-c2,Δσ=σ1-σ2。
由前面可知,对于不存在明显周期的数据集构造的信息粒,采用以下距离计算公式:
为了解决由于区间不重合部分引起的D1(LG1,LG2)过大的问题, LG1=LG(a1,b1,c1,σ1,T1)和LG2=LG(a1,b2,c2,σ2,T2)(假设T1>T2)之间的距离可以表示为:
这里,Δa=a1-a2,Δb=b1-b2,Δc=c1-c2,Δσ=σ1-σ2。
对于新数据样本Xi的每个信息粒,即Ai-2,Ai-1,Ai和作为规则中心Xk的每个信息粒Ak-2,Ak-1,Ak的距离之和的计算定义如下:
distancek(Xi)=D1(Ai-2,Ak-2)+D1(Ai-1,Ak-1)+D1(Ai,Ak)
这里,r(i)为时间i的规则,如果distanceI(Xi)≥Dth,则产生新的模糊规则r(i+1)=r(i),这里新添加规则的区间二型的高斯隶属函数中心初始化为方差初始化为σi=σinit。
(2-2)参数学习
参数学习阶段与每个输入数据的结构学习阶段同时进行。无论规则是新生成的还是先前存在的,eIT2FNN-LSTM中所有的自由参数都会被调整。由于这种在线学习的特征,随着学习的进行,eIT2FNN-LSTM可以随时用于正常的操作,而不用事先指定任何模糊规则。当考虑多输出的情况下尽量减少误差函数为:
这里,Ei表示样本i的误差值,yq和分别表示第i个样本的第q个实际和期望的输出值。在结构学习之后,基于新演进的网络结构计算实际输出{y1,...,yq,..,ym}。在eIT2FNN-LSTM 中,反向计算每一层每一个节点的误差值δ,利用梯度下降算法调节网络所有的参数。
使用梯度下降算法,有:
这里,Ei表示样本i的误差值,wqk是连接第k个循环规则和第q个输出节点的输出权重;η为学习系数;第六层网络和第五层网络节点之间的权重的梯度为:
第五层网络中LSTM节点中的参数计算其梯度时分为两种情况:1.误差项沿时间的反向传递;2.误差项沿上一层传递;在i时刻,第五层的输出值为首先定义i时刻的误差项四个加权输入的误差项为:
这里,
误差项沿时间反向传递,获得i-1时刻的误差项为:
这里,
由上面的公式可以得出将误差项传递到任意时刻k的公式:
在eIT2FNN-LSTM中,参数更新如下:
由前面的公式计算各个权重的梯度,因存在时间轴上的传递,所以权重梯度是各个时刻的梯度之和,梯度分别为:
对于不需要在时间轴上传递,只和上一层的输出相关,因此计算相应的权重梯度只需根据相应的误差项直接计算即可,具体如下:
参数αk,σk更新如下:
第三层网络和第四层网络之间的权重αk的梯度为:
这里,
在第二层网络中,二型高斯模糊集的中心和宽度梯度的计算如下:
误差函数相对于中心左限的导数是:
这里,
误差函数相对于中心的右极限的的导数是:
这里,
误差函数相对于宽度的导数是:
这里,
S104,预测模糊时间序列,并去模糊化。
将长度为n的模糊时间序列A={A(i)},i=1,2,...,n,划分为前nt个模糊信息粒构成的、长度为nt的训练集和由接下来nf个模糊信息粒构成的测试集。训练集的长度随时间而增加,最大等于滑动窗口长度加2。在本实施例中,训练集的长度最小等于模糊时间序列的四分之三,即nt≥3n/4=3(nt+nf)/4。
eIT2FNN-LSTM根据训练集预测测试集的数据,表示为:
Aforecast(t+1)=Forecast(A(t-2),A(t-1),A(t))
测试集的数据用来计算预测精度,表示为Aforecast(nt+i),i=1,2,...,nf可通过下式得到:
Aforecast(nt+1)=Forecast(A(nt-2),A(nt-1),A(nt)),
Aforecast(nt+2)=Forecast(A(nt-1),A(nt),A(nt+1)),
......
Aforecast(nt+nf)=Forecast(A(nt+nf-3),A(nt+nf-2),A(nt+nf-1))
预测出的信息粒包含了所预测的下一阶段数据的变化范围、变化趋势以及离散程度。在计算精度评价指标时,为方便计算,本实施例取即认为数据落在曲线上,再与真实数据进行比较计算。
为了对预测方法可行性做出评价,并使预测结果准确程度具有可对比性,本实施例使用三种评价指标进行预测性能的度量,分别是RMSE(The root mean-square error)、MAPE(The mean absolute percentage error)和MAE(The mean absolute error):
该RMSE评价指标使用的是欧式距离。
为了弥补RMSE的不足,提高评价指标的鲁棒性,本实施例同时使用MAPE。
MAE是绝对误差的平均值,能较好地反映预测值误差的实际情况。
其中,nf是被预测信息粒的个数,Xforecast(t)和Xactual(t)分别是接下来第t时刻的预测值和真实值。
RMSE,MAPE,MAE的值越小,说明本实施例的预测性能越好,信息粒度的划分更合理,信息粒的构造方式更能反映数据的特征。
实施例二
本实施例目的是采用上述实施例提出的时间序列预测方法对股票信息数据进行预测。
如7所示,为一个季度30分钟级K线分笔情况,可以看到构造信息粒数量较少,不足以支撑预测机充分进行规则构建,因此本实施例选用分钟级K线进行作为原始数据信息;同时股票数据波动起伏较为剧烈,使信息粒粒度差别大。
本实施例选用2016年第三季度(7月1日——9月30日)数据进行实验,以数据分钟级别K线图进行分笔处理,共得到1077笔,即构建1077个带状高斯模糊信息粒。本实施例使用前1000个信息粒作为训练集,后77个信息粒作为预测集。
本实施例三次得到的结果为RMSE=8.9002,MAPE=0.2199,MAE=6.6128,预测效果较为理想,最后三个信息粒预测效果如图8中(a)、(c)、(e)所示。
本实施例三次得到的结果为RMSE=12.4254,MAPE=0.2558,MAE=7.680,最后三个信息粒预测效果如图8中(b)、(d)、(f)所示。
本实施例提出的预测方法在股票市场的应用取得了较为理想的效果,能够较为准确的描述未来某个时间段的股票价格涨跌趋势及幅度,能够给投资者提供较为明确的预测信息。
本实施例提出的新的基于信息粒和循环模糊神经网络的时间序列长期预测方法,将日本蜡烛图理论引入时间序列的表示,将原始序列转变为便于提取主要信息的模糊时间序列,再利用分笔的思想,将模糊后的时间序列划分为包含趋势特征的不等长数据集合。由此,原始的存在大量噪声的繁复数据便被分割为时间顺序相关的存在趋势连续性的不定长集合。然后提出了一种新型的能够表示变化趋势和区间范围的信息粒。基于这样的信息颗粒,原始时间序列进一步被转化为语义信息丰富且易于操作的颗粒时间序列。为了更好的实现时间序列的长期预测,基于此提出了一种新的自演化区间二型LSTM模糊神经网络(eIT2FNN-LSTM),进行粒度层次上的预测,并将预测结果去模糊化,对于eIT2FNN-LSTM的学习,不需要预先确定其结构,结构学习使用的是基于信息粒距离的动态聚类,使eIT2FNN-LSTM能够在线演化其结构。利用梯度下降算法推导了相应的学习方法在线调整后续参数,提高学习精度。实验结果证明,本实施例的预测方法具有更好的预测性能。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于不定长模糊信息粒的时间序列预测方法,其特征是,包括以下步骤:
采用K线图构造方法处理原始时间序列,基于K线分笔思想的不等长划分论域方法划分模糊时间序列;
基于划分后的模糊时间序列构造广义带状时变模糊信息粒,形成模糊时间序列的不定长模糊信息粒群体;
构建循环模糊神经网络,并进行结构学习和参数学习;
利用循环模糊神经网络对模糊时间序列进行长期预测,并将预测结果去模糊化。
2.根据权利要求1所述的基于不定长模糊信息粒的时间序列预测方法,其特征是,所述采用K线图构造方法处理原始时间序列的步骤包括:
选取一定的时间长度,作为K线的基本时域单元,将原始时间序列转化为用符号化的模糊语义变量K线表示的模糊时间序列。
3.根据权利要求2所述的基于不定长模糊信息粒的时间序列预测方法,其特征是,所述基于K线分笔思想的不等长划分论域方法划分目标时间序列的步骤包括:
处理模糊时间序列的相邻K线之间的包含关系;
判断模糊时间序列的K线之间的顶底分型,并将模糊时间序列的K线划分成若干笔。
4.根据权利要求1所述的基于不定长模糊信息粒的时间序列预测方法,其特征是,所述广义带状时变模糊信息粒的构造方法为:
采用最小二乘多项式线性回归方法对每笔模糊时间序列进行处理,得到回归线μ(t)以及数据与回归线μ(t)的离散程度σ;
采用回归线μ(t)拟合数据集的最大值和最小值,利用数据集的最大值和最小值之间的数据构造当前时间区域内的数据浮动区间;
基于回归线μ(t)、数据与回归线μ(t)的离散程度σ、数据集的最大值和最小值构造每笔模糊时间序列的不定长带状线性高斯模糊信息粒。
5.根据权利要求1所述的基于不定长模糊信息粒的时间序列预测方法,其特征是,所述循环模糊神经网络包括输入层、模糊化层、空间发射层、间隔减少层、时间触发层和输出层;
将不定长模糊信息粒群体作为输入数据,输入到输入层中,输入层将所有输入数据传递到模糊化层;
模糊化层采用区间二型高斯隶属函数对输入数据进行模糊化处理,输出上隶属函数和下隶属函数至空间发射层;
空间发射层将上隶属函数的代数乘积与下隶属函数的代数乘积进行模糊“与”操作,输出区间一型模糊集合至间隔减少层;
间隔减少层采用规则的不确定性自适应权重将区间一型模糊集合缩减为一型模糊值,传递到时间触发层;
时间触发层基于LSTM模型利用一型模糊值计算时间发射强度传递到输出层;
输出层采用加权平均去模糊操作计算网络的输出变量yq。
6.根据权利要求1所述的基于不定长模糊信息粒的时间序列预测方法,其特征是,所述结构学习的步骤包括:
利用一个训练数据样本对循环模糊神经网络进行初始化操作,并将该数据样本作为模糊规则中心,生成一个新的模糊规则,设置该规则的二型高斯模糊集的中心和宽度,读取下一个训练数据样本;
计算新数据样本的每个模糊信息粒与作为规则中心的每个模糊信息粒之间的距离之和;
如果得到的距离之和大于等于设定的阈值,则产生新的模糊规则,并初始化该规则的区间二型的高斯隶属函数中心和宽度;
依次循环,直至循环模糊神经网络读取完所有训练数据样本,在线生成全部的模糊规则。
7.根据权利要求1所述的基于不定长模糊信息粒的时间序列预测方法,其特征是,所述参数学习的步骤包括:
基于循环模糊神经网络结构计算实际输出值;
反向计算循环模糊神经网络中每一层每一个节点的误差值;
利用误差值计算第六层网络和第五层网络节点之间的权重的梯度、第三层网络和第四层网络之间的权重的梯度以及第二层网络的中心和宽度梯度,采用梯度下降算法调节循环模糊神经网络结构中所有参数。
8.根据权利要求1所述的基于不定长模糊信息粒的时间序列预测方法,其特征是,所述利用循环模糊神经网络对模糊时间序列进行长期预测,并将预测结果去模糊化的步骤包括:
将模糊时间序列的不定长模糊信息粒群体划分成训练集和测试集;
利用循环模糊神经网络根据训练集数据预测测试集的数据;
利用测试集的数据计算预测精度的评价指标。
9.一种计算机可读存储介质,其中存储有多条指令,其特征在是,所述指令适于由终端设备的处理器加载并执行根据权利要求1-8中任一项所述的方法。
10.一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,其特征是,所述指令用于执行根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811215762.8A CN109447333A (zh) | 2018-10-18 | 2018-10-18 | 一种基于不定长模糊信息粒的时间序列预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811215762.8A CN109447333A (zh) | 2018-10-18 | 2018-10-18 | 一种基于不定长模糊信息粒的时间序列预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109447333A true CN109447333A (zh) | 2019-03-08 |
Family
ID=65546868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811215762.8A Pending CN109447333A (zh) | 2018-10-18 | 2018-10-18 | 一种基于不定长模糊信息粒的时间序列预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109447333A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008939A (zh) * | 2019-11-27 | 2020-04-14 | 温州大学 | 一种基于可控特征空间的神经网络视频去模糊方法 |
CN111382933A (zh) * | 2020-03-04 | 2020-07-07 | 海南金盘智能科技股份有限公司 | 一种变压器排程方案的生成方法及系统 |
CN112307410A (zh) * | 2020-09-18 | 2021-02-02 | 天津大学 | 基于船载ctd测量数据的海水温盐信息时序预测方法 |
CN113570159A (zh) * | 2021-08-26 | 2021-10-29 | 西安理工大学 | 一种径流预测方法、系统及计算机存储介质 |
CN114947793A (zh) * | 2022-05-16 | 2022-08-30 | 南京邮电大学 | 基于模糊等符号分布的生理信号幅度波动分析方法 |
-
2018
- 2018-10-18 CN CN201811215762.8A patent/CN109447333A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008939A (zh) * | 2019-11-27 | 2020-04-14 | 温州大学 | 一种基于可控特征空间的神经网络视频去模糊方法 |
CN111008939B (zh) * | 2019-11-27 | 2022-04-05 | 温州大学 | 一种基于可控特征空间的神经网络视频去模糊方法 |
CN111382933A (zh) * | 2020-03-04 | 2020-07-07 | 海南金盘智能科技股份有限公司 | 一种变压器排程方案的生成方法及系统 |
CN112307410A (zh) * | 2020-09-18 | 2021-02-02 | 天津大学 | 基于船载ctd测量数据的海水温盐信息时序预测方法 |
CN113570159A (zh) * | 2021-08-26 | 2021-10-29 | 西安理工大学 | 一种径流预测方法、系统及计算机存储介质 |
CN114947793A (zh) * | 2022-05-16 | 2022-08-30 | 南京邮电大学 | 基于模糊等符号分布的生理信号幅度波动分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109447333A (zh) | 一种基于不定长模糊信息粒的时间序列预测方法和装置 | |
Maciel et al. | Evolving granular analytics for interval time series forecasting | |
Hu et al. | Research and application of a hybrid model based on Meta learning strategy for wind power deterministic and probabilistic forecasting | |
CN112766078B (zh) | 基于emd-svr-mlr与注意力机制的gru-nn的电力负荷层次预测方法 | |
Pirani et al. | A comparative analysis of ARIMA, GRU, LSTM and BiLSTM on financial time series forecasting | |
Li et al. | A novel double incremental learning algorithm for time series prediction | |
Di Persio et al. | Multitask machine learning for financial forecasting | |
Fisichella et al. | Can deep learning improve technical analysis of forex data to predict future price movements? | |
Orang et al. | Time series forecasting using fuzzy cognitive maps: a survey | |
Wen et al. | Time series prediction based on LSTM-attention-LSTM model | |
Yu et al. | Ceam: A novel approach using cycle embeddings with attention mechanism for stock price prediction | |
Ahire et al. | LSTM based stock price prediction | |
Remya et al. | Performance evaluation of optimized and adaptive neuro fuzzy inference system for predictive modeling in agriculture | |
Li et al. | Multilinear-trend fuzzy information granule-based short-term forecasting for time series | |
CN115640901A (zh) | 一种基于混合神经网络和生成对抗的小样本负荷预测方法 | |
Li et al. | Radial basis function neural network model for dissolved oxygen concentration prediction based on an enhanced clustering algorithm and Adam | |
Tyass et al. | Wind speed prediction based on statistical and deep learning models | |
Surakhi et al. | On the ensemble of recurrent neural network for air pollution forecasting: Issues and challenges | |
Khabusi et al. | A deep learning approach to predict dissolved oxygen in aquaculture | |
CN115423091A (zh) | 一种条件对抗神经网络训练方法、场景生成方法和系统 | |
CN108846057A (zh) | 一种基于带状时变模糊信息粒的时间序列长期预测方法 | |
Wang et al. | Financial forecasting based on LSTM and text emotional features | |
Cao et al. | Research On Regional Traffic Flow Prediction Based On MGCN-WOALSTM | |
Sun et al. | Multi-Channel Temporal Graph Convolutional Network for Stock Return Prediction | |
Cheng et al. | Macroeconomic Forecasting Based on Mixed Frequency Vector Autoregression and Neural Network Models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190308 |
|
RJ01 | Rejection of invention patent application after publication |