[发明专利]一种基于Bootstrap回声状态网络集成的冶金企业煤气流量区间预测方法

权利要求书

1.一种基于Bootstrap回声状态网络集成的冶金企业煤气流量区间预测方法，其特征在于如下步骤：

(1)从冶金企业现场实时数据库读取预测所需的煤气系统用户流量数据，将数据按时间点划分为训练数据集和预测数据集，当前时间点前的一段时间内的数据为预测数据集，远离当前时间点的历史数据为训练数据集；

(2)从训练数据集中构造原始的训练样本集其中，uⁱ为训练样本集中的第i个样本的输入，输入样本uⁱ的维度为m；tⁱ为训练样本集中的第i个样本的输出，输出样本维度为1；n为原始训练样本集中样本的个数；按Bootstrap重采样方法对原始训练样本进行抽样得到容量为n的Bootstrap样本按同样地方法进行B次，得到一组Bootstrap样本集{D₁,D₂,…,D_B}，也就是Bootstrap训练样本集；

从预测数据集中构造预测用输入样本u^*，即当前时间点之前长度为m的一段数据样本；

(3)初步建立回声状态网络集成模型

由于有B组Bootstrap样本，因此回声状态网络集成模型包含B个回声状态网络单元，每一组Bootstrap样本为一个回声状态网络单元的训练样本；采用基于回声状态网络集成的预测方法来预测煤气系统流量，具体模型如下：

xbi=f[Wbinubi+Wbxbi-1]---(1)]]>

ybi=Wbout·[ubi;xbi]---(2)]]>

ti=yi+ϵi≈1BΣi=1Bybi+ϵi---(3)]]>

σyi2=E{(yi-y^i)2}≈1B-1Σi=1B(yi-ybi)2---(4)]]>

其中，为第b个回声状态网络单元的输入权值参数，W_b为第b个回声状态网络单元的储备池神经元连接权值参数，为第b个回声状态网络单元的输出权值参数，为第b个回声状态网络单元的储备池神经元状态，维度为N，为第b个回声状态网络单元的输出，yⁱ为网络集成模型的输出，tⁱ为真实输出，ε_i为零均值高斯白噪声，为模型预测的误差，以反映所见模型的不确定性；

(4)确定网络集成模型的参数

回声状态网络集成模型初步建立后，可采用0.632Bootstrap交叉验证的方法来确定网络集成模型的结构参数，即网络集成模型中回声状态网络单元的个数B以及回声状态网络单元中储备池神经元的个数N；确定网络集成模型结构参数过程中的权值参数估计本发明中采用Bayesian估计方法，即通过Bayesian估计方法确定模型的权值参数θ=[w1out,w2out,···,wBout]]]>和超参数α和β；

(5)构造置信区间和预测区间

首先要计算给定预测输入样本u^*下，回声状态网络集成模型的输出

y^*=1BΣb=1By^b*=W^bout(u*,x*)---(5)]]>

基于Bootstrap方法估计模型的不确定性，即因模型不确定性导致的偏差的方差：

σy^*2=1B-1Σb=1B(y^b*-y^*)---(6)]]>

步骤4中基于Bayesian方法估计超参数的过程可以求得数据噪声的方差，也就是反映数据不确定性导致的偏差的方差1/β；这样就得到一个以均值为中心的置信水平为1-α的置信区间和一个以均值为中心的置信水平为1-α的预测区间其中，t_α/2(B-1)表示自由度为(B-1)的t分布函数在分位数为α/2处的取值。

2.根据权利要求1所述的冶金企业煤气流量区间预测方法，其特征在于，确定网络集成模型参数具体步骤如下：

(1)设计b＝b+1，如果b大于B，则跳出循环；

(2)设计a＝a+10，如果a大于N，则跳出循环；

(3)初始化权值参数θ⁰，超参数α⁰和β⁰；

(4)已知当前权值参数为的维数与a有关，超参数为αⁱ和βⁱ，采用变尺度共轭梯度法寻找能够使目标函数值最大的最优参数值并基于计算和

EWi+1=12Σb=1B||Wb,i+1out||2---(7)]]>

EDi+1=12Σb=1BΣj=1n(Wb,i+1out·[ubj,xbj]-tbj)2---(8)]]>

(5)采用下述的迭代公式计算新的超参数值αⁱ⁺¹和βⁱ⁺¹：αi+1=γi+1/2EWi+1]]>和βi+1=(B×n-γi+1)/2EDi+1;]]>

(6)把获得的新的参数值θⁱ⁺¹以及新的超参数值αⁱ⁺¹和βⁱ⁺¹作为新的迭代初始值返回步骤四，直到满足迭代终止条件为止；

(7)基于最优的参数θ_MP，计算出预测误差Perr^0.632，保存预测误差Perr^0.632和参数最优值θ_MP；

(8)返回步骤2；

(9)返回步骤1；

(10)寻找预测误差Perr^0.632最小时的网络结构作为最优的网络结构，并记录最优的参数值θ。