[发明专利]基于多因子小波神经网络模型的水文时间序列预测方法

说明书

技术领域

本发明涉及一种复杂时间序列预测方法，尤其涉及一种基于多因子小波神经网络模型的水文时间序列预测方法，属于水文预报技术领域。

背景技术

时间序列数据挖掘研究主要包括：预测、分类、相似性搜索及序列模式挖掘，而复杂时间序列预测是数据挖掘领域具有挑战性的问题之一。解决复杂时间序列预测问题的一个较好的方法是基于小波神经网络模型的时间序列预测方法。

小波分析是Fourier分析发展史上的一个里程碑式的进展，具有时、频同时局部化的优点，因此被誉为数学“显微镜”。与傅立叶分析仅能够提供频域表示相比较，小波变换能够同时提供时频局部化特征，且克服了短时傅立叶变换的分辨率有限的缺点。离散小波分解可以对时间序列进行多尺度分解，能够提取不同频率区间的成分序列，实现对时间序列的分频研究。借助于小波的多分辨分解功能，可以从原始序列得到分辨率“从粗到细”的多尺度特征，通过对这些小波特征的学习可以对时间序列的潜在的多因素变化过程有更加显性的描述，所以网络更加容易“抓住”输入和输出数据之间的内在的联系和规律。相反，基于传统的单分辨率学习的网络通常很难描述复杂的时间序列，例如混沌序列，其收敛速度慢，泛化能力差。小波变换将复杂的时间序列分解成若干不同频率的细节信号和背景信号，细节信号是高频部分，背景信号是低频部分，它们是原始时间序列在不同频率区间上的表现，相对原始序列的比重不同，因而对原始时间序列的预测起到的作用不同。小波网络模型结合了小波分析的在信号处理上的时间域-频率域的多分辨性，和神经网络的强大的非线性逼近特性，兼有二者的优点。以上述方式建立的模型称为小波网络模型(Wavelet Network Model)，简记为WNN。

很多学者对小波网络模型对不同领域的时间序列预测进行了研究，例如：[Chen Yue-hui，Yang Bo，Dong Ji-wen.Time-series prediction using a local linear wavelet neural network.Neurocomputing，2006，69(6)：449-465]、[Dash P.K.，Nayak Maya，Senapati M.R.，et al，Mining for similarities in time series data using wavelet-based feature vectors and neural networks，Engineering Applications of Artificial Intelligence，2007，20(2)：185-201]、[Gan Xiaobing，Liu Ying，and Austin Francis R.：A prediction method for time series based on wavelet neural networks.Proceedings of CIS2005，pp：902-908]、[Benaouda D.，Murtagh Fionn，and Starck Jean-Luc，et al.Wavelet-based nonlinear multiscale decomposition model for electricity load forecasting.Neurocomputing，2006，70(1-3)：139-154]、[Chen Di；Feng Hai-Hang；Lin Qing-jia；et al，Multi-scale Internet traffic prediction using wavelet neural network combined model，Proceedings of First International Conference on Communications and Networking in China，2006，pp：1-5]、[李爱国，覃征，滑动窗口二次自回归模型预测非线性时间序列，计算机学报，2004，27(07)：1004-1008]等。但这些文献仅仅是利用小波分解对单道时间序列进行分解。仅仅依靠预测时间序列自身提供的信息，对于预测精度提高的作用具有一定局限性。而在物理意义上，一个系统内的多时间序列往往具有相关性。