[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

说明书

本发明公开了基于模糊推理的在线时序数据预测方法、系统及存储介质，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。

技术领域

本发明涉及基于模糊推理的在线时序数据预测方法、系统及存储介质。

背景技术

对于动态系统，输出是过去输出，过去输入或者二者的非线性函数。动态系统中的问题 出现在很多的领域当中，比如控制和模式识别。具有模糊逻辑和神经网络优点的模糊神经网 络(FNN)常用来处理这一系列的问题，但是为了识别动态系统或者识别时间序列，通常还要 使用表现某种记忆的循环模型。一般内部前馈网络结构仅限于处理静态问题，不能有效地处 理时态问题，而循环模型可以被认为是一种闭环系统，其中循环路径引入模型的动力学，因 此与传统的模糊神经网络(FNN)相比，递归模糊神经网络(RFNN)更适合于动态系统的建模和 控制。

现有技术已经提出了许多的递归模糊神经网络结构，在反馈架构方面，RFNN可以分为 具有全局反馈和局部反馈两种类型。在全局反馈中，网络包含连接到所有规则的反馈回路， 而局部反馈中，来自给定模糊规则的反馈回路仅与该规则相关，已经提出了许多使用全局反 馈的循环模糊神经网络。在Juang,Chia-Feng,Lin,Yang-Yin,Tu,Chiu-Chuan.Arecurrent self-evolving fuzzy neural network with local feedbacks and itsapplication to dynamic system processing[J].Fuzzy Sets and Systems,2010,161(19):2552-2568.中，提出了一种具有局部反馈的 递归自演化模糊神经网络(RSEFNN-LF)是通过将每个规则的输出局部反馈给自身来实现的， 所以每个规则只受其自身的过去值的影响。

RFNN都使用一型模糊集，为了处理数据中的不确定性，Zadeh L A.The conceptof a linguistic variable and its application to approximate reasoning-II.[M]//Learning Systems and Intelligent Robots.Springer US,1974:199-249.提出了二型模糊集合作为一型模糊集合的扩展， 其中二型模糊集的隶属值是一型模糊数。二型模糊逻辑系统与一型计数器部件进行比较时， 更适合于建模和处理数据中的不确定性。然而，使用二型模糊集因为需要进行类型缩减操作 而需要额外的计算成本。为了解决这一问题，Q.Liang and J.Mendel,“Interval type-2fuzzy logic systems:Theory anddesign,”IEEE Trans.Fuzzy Syst.,vol.8,no.5,pp.535–550,Oct.2000提出 了区间二型模糊集理论作为对二型模糊集合论的计算简化。但是，结构固定的区间二型模糊 神经网络(IT2FNN)无法有效解决时变系统辨识问题。El-Nagar A M.Nonlinear dynamic systemsidentification using recurrent interval type-2TSK fuzzy neural network–Anovel structure[J].Isa Transactions,2017.提出了一种用于非线性动态时变系统辨识的递归区间二型 Takagi-Sugeno-Kang(TSK)模糊神经网络(RIT2TSKFNN)，它结合了二型模糊集(T2FSS)和递归 模糊神经网络(FNN)，以避免数据的不确定性，所提出的RIT2TSKFNN的所有二型模糊规则 都是在结构和参数学习的基础上在线学习的。