[发明专利]一种基于带状时变模糊信息粒的时间序列长期预测方法

说明书

本发明公开了一种基于带状时变模糊信息粒的时间序列长期预测方法，划分目标时间序列，得到若干笔数据集；基于划分后的数据集，构造带状时变模糊信息粒，将时间序列转化为颗粒时间序列；将颗粒时间序列划分为训练集和预测集，利用训练集中带状时变模糊信息粒建立模糊逻辑规则，基于模糊逻辑规则和三阶模糊逻辑关系构建模糊预测模型，利用模糊预测模型对预测集中带状时变模糊信息粒进行预测；对预测结果进行去模糊化处理，并计算预测精度评价指标，对预测结果进行评价。本发明构造一种基于带状时变模糊信息的模糊预测模型，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，使用RMSE、MAPE、MAE指标对预测结果进行评价。

技术领域

本发明涉及一种基于带状时变模糊信息粒的时间序列长期预测方法。

背景技术

时间序列是指将同一统计变量的数值按照其发生的时间先后顺序排列而成的序列。与横截面数据不同，重点在分析同一经济行为者不同时间的资料，以展现研究对象的动态行为。进行时间序列分析的一个重要目的就是进行时间序列的预测，即就是利用统计方法和技术，从变量的观测数据中找出其内在演变模式，建立数学模型，对预测变量的变化趋势进行定量估计。时间序列预测一直是学者们研究的热点问题，已经被广泛的应用到气象学、农业产量、旅游人数及能源等诸多领域，特别是在控制领域和金融市场中有极其重要的意义。近几十年关于时间序列的预测工作，可以总结为三大类：一是经典时间序列模型，二是基于计算智能技术的预测模型，三是基于模糊集合理论的模糊时间预测模型。

经典时间序列模型得到了广泛的应用，但是也存在不足，例如AR、MA、VECM等均建立在时间序列数据具有线性结构的假设之下，而现实世界中的数据通常具有较强的非线性结构；预测得到的是定量的结果，不易被人们理解；对于模糊或不完整的时间序列，预测偏差较大等。

计算智能技术包括人工神经网络(ANN)、遗传算法(GA)、贝叶斯网络(Bayesiannetwork)、支持向量回归(SVR)、粗糙集、决策树等，这些技术最大的优势在于较好的捕捉到了数据中的非线性特征。其不足之处也是明显的：预测模型相当于是数据驱动的黑盒子，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；适用范围普遍较小，例如，通常训练的神经网络结构只能对特定的时间序列预测效果较好，难以推广；而且，没有解决经典时间序列模型的预测结果难以被人理解的问题。

模糊时间序列模型解决了上述方法预测结果语义性不足的问题，对于模糊语义变量的时间序列预测有较好的效果。在应用方面，目前其已被广泛应用于预测入学人数、金融市场、温度等多个领域，显示出较好的预测性能。

此外，在进行预测的过程中，使用信息粒表示模糊集可以把复杂的运算简单化，剔除一些冗余的信息。

上述研究已经表明在时间序列预测中运用信息粒的优势。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，研究新型信息粒的一个关键的目的是，设计一种新的模糊信息粒化方式，使信息颗粒能够反映数据随时间变化的趋势，而不是提供一个无法判断真假的确切数值。对于金融市场，这将帮助投资者进行下一波行情的判断。

现有的信息粒形式中，均没有对预测结果进行一定的验证。若信息粒形式可以使自身对预测结果进行一定的预估、检验或评价，将会大大提高预测的可信程度。这将会有非常重要的意义，尤其是对于投资者来说，若能在给出预测结果的同时给出相应的可信度或真实性概率，将会更加有说服力，一定程度上避免投资的盲目性。

划分论域作为Song和Chissom在1993年提出的构建模糊时间序列模型的第一步，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：