[发明专利]基于矢量量化的长期直觉模糊时间序列预测方法

权利要求书

1.一种基于矢量量化的长期直觉模糊时间序列预测方法，其特征在于，包括以下步骤：

A序列数据的直觉模糊化预处理

设给定长度为l的时间序列历史数据X＝(x₁，x₂，…，x_τ，…，x_l)，定义滑动窗口宽度w，序列前件长度p以及预测向量维数d，其中w＝p+d；则序列数据直觉模糊化预处理算法具体为：

A1：在时刻τ沿着X序列执行滑动窗口机制，构建X的一个子序列S_τ，可表示为：则包含n个子序列数据集S可定义为：

S=S1w,S1+dw+d,S1+2dτ++2d,···,S1+(n-1)dw+(n-1)d---(4)]]>

其中，n＝(l-p)/d；

A2：利用IFCM聚类算法对子序列数据集S进行聚类，获取c个聚类中心，即区间中心M_k＝{M₁，M₂，…，M_c}，k＝1，2，…，c；因此，论域区间可动态划分为c个优化子区间，其相应的语言变量直觉模糊集A_j定义为：

Aj=Σk=1c<μjk,γjk>/Mk---(5)]]>

其中，＜μ_jk，γ_jk＞表示M_k属于直觉模糊集A_j的隶属度与非隶属度函数对，按下式计算：

<μjk,γjk>=<1,0>k=j<0.5,0.5>k=j-1orj+1<0,1>others---(6)]]>

A3：直觉模糊化原始序列；根据(7)式计算数据集S中所有子序列S_τ属于A_j的隶属度与非隶属度函数对：

<μjτ,γjτ>=<(1/||Sτ-Mj||2)1/(e-1)Σk=1c(1/||Sτ-Mj||2)1/(e-1),1-(1/||Sτ-Mj||2)1/(e-1)λ[Σk=1c(1/||Sτ-Mk||2)1/(e-1)]>---(7)]]>

其中，e为平滑参数(通常取e＝2)；λ≤1为犹豫度调节因子；序列X相应的IFTS可表示为：F(n)＝F₁，F₂，…，F_t，…，F_n，其中F_t∈{A₁，A₂，…，A_c}；

A4：动态构建确定性转换直觉模糊规则库DCRIF_base；

B、基于矢量量化的长期直觉模糊时间序列预测

设直觉模糊化预处理后某个时间段待预测的IFTS为F_r＝(f₁，f₂，...，f_t，…，，f_r)，相应的查询时间序列为X＝(x₁，x₂，…，x_w)；根据(2)式，序列数据f_t经推理可获得对应于X在时刻w+(t-1)d，w+(t-1)d-(d-1)，w+(t-1)d-(d-2)，…的d维预测值，其结果时间序列表示为：

X=(x1,x2,···,xw,V→(f2,d),···,V→(ft,d),···)---(8)]]>

其中，因此，基于矢量量化的长期IFTS预测算法可描述为：

输入：预测向量维数d，区间聚类中心M_k，确定性转换直觉模糊规则库DCRIF_base及其规则前件的最大长度q，查询直觉模糊时间序列的长度r；

输出：F_r的下一个状态F_r+1对应的预测值；

具体步骤为：

B1：确定直觉模糊观察子序列Temp F；

若r＞q，只需要观察长度为q的直觉模糊子序列Temp|F＝F_r-q+s，…，F_r-1，F_r；否则，令s∈[1，r]，Temp|F＝F_s-1，F_s，…，F_r；

B2：根据观察子序列进行直觉模糊规则库的查看与匹配；

本发明采用参考文献[7]定理阐述的启发式规则，若Temp F与确定性转换直觉模糊规则i^*的前件rb_cause(i^*)相匹配，即Temp F→rb_cause(i^*)；则F_r+1对应规则i^*的后件，即TempF_r+1→rb_effect(i^*)，跳至B4；否则，转到B3；

B3：矢量量化方法估计预测结果；

令F_r＝A_j，A_j∈{A₁，A₂，…，A_c}，直觉模糊时间序列中p维历史数据可表示为：past(A_j，p)＝(m_jw-p+1，…，m_jw-1，m_jw)，d维待预测直觉模糊向量值定义为：加入历史数据，直觉模糊扩展维向量，即Dr+1=(past(Aj,p)|V→(Fr+1,d))=(mjw-p+1,···,mjw-1,mjw,x(r+1)1,x(r+1)2,···,x(r+1)d);]]>根据(3)式计算距离D_r+1质心最近的直觉模糊聚类中心即Mj*(Dr+1)=||Dr+1-Mj*||=minj||Dr+1-Mj||.]]>输出

B4：去直觉模糊化精确输出；

若预测结果为则Defuzz(Aj*)=Mj*=(mj1*,mj2*,···,mjw*);]]>因此，d维预测向量可表示为：V→(Fr+1,d)=(mjw-d+1*,···,mjw-1*,mjw*).]]>