[发明专利]基于模糊推理的在线时序数据预测方法、系统及存储介质

权利要求书

1.基于模糊推理的在线时序数据预测方法，其特征是，包括：

模型搭建：搭建基于区间二型的LSTM模糊神经网络模型；

训练过程：提取训练样本的时序数据，将训练样本的时序数据输入到已经搭建的基于区间二型的LSTM模糊神经网络模型中，每输出一个样本，先执行结构学习，在结构学习的基础上进行参数学习；得到训练好的基于区间二型的LSTM模糊神经网络模型；

预测过程：提取待预测样本的时序数据，将待预测样本的时序数据输入到已经训练好的基于区间二型的LSTM模糊神经网络模型中，输出预测结果。

2.如权利要求1所述的基于模糊推理的在线时序数据预测方法，其特征是，基于区间二型的LSTM模糊神经网络模型，包括：

依次连接的输入层、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；

所述输入层，用于接收样本的时序数据；将时序数据传递给区间二型模糊化层；

所述区间二型模糊化层，采用不确定均值的高斯隶属函数执行模糊化操作；

所述空间发射层，将区间二型模糊隶属度进行组合获得区间值模糊集；

所述间隔减少层，将区间值模糊集转换为一型模糊值；

所述时间触发层，采用长短时记忆网络LSTM对上一个输入数据的规则触发强度信息进行记忆；

所述输出层，采用重心法去模糊化来获得输出。

3.如权利要求2所述的基于模糊推理的在线时序数据预测方法，其特征是，

所述区间二型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进行模糊化，对于第j个输入变量x_t,j和第k个规则，当前隶属函数的不确定性所留下的影响用上隶属函数和下隶属函数表示为有界区间：

其中，主高斯函数：

其中，是第k个规则的第j个特征的中心，σ_k是第k个规则的宽度；表示区间二型高斯隶属函数中心的左界，表示区间二型高斯隶属函数中心的右界；表示以中心的左界作为高斯隶属函数的中心的对应输入的隶属值；表示以中心的右界作为高斯隶属函数的中心的对应输入的隶属值。

4.如权利要求2所述的基于模糊推理的在线时序数据预测方法，其特征是，

所述空间发射层由K个节点组成，对应K个规则的触发强度区间，规则的触发强度通过区间二型模糊化层的输出执行“与”操作得到，通过使用区间二型模糊化层输出的隶属函数的代数乘积来获得，所述空间发射层的输出为区间一型的集合，计算如下：

其中，

其中，表示规则的触发强度下界，表示规则的触发强度上界，k表示生成的第k个规则；

所述间隔减少层由K个节点组成，该层中的每个节点将区间值模糊集合减少为一型模糊值，区间缩减方式：

其中，α_k∈[0,1]是第k个规则的不确定性的自适应权重，F_k(t)表示第k个规则的触发强度。