[发明专利]一种基于不定长模糊信息粒的时间序列预测方法和装置

权利要求书

1.一种基于不定长模糊信息粒的时间序列预测方法，其特征是，包括以下步骤：

采用K线图构造方法处理原始时间序列，基于K线分笔思想的不等长划分论域方法划分模糊时间序列；

基于划分后的模糊时间序列构造广义带状时变模糊信息粒，形成模糊时间序列的不定长模糊信息粒群体；

构建循环模糊神经网络，并进行结构学习和参数学习；

利用循环模糊神经网络对模糊时间序列进行长期预测，并将预测结果去模糊化。

2.根据权利要求1所述的基于不定长模糊信息粒的时间序列预测方法，其特征是，所述采用K线图构造方法处理原始时间序列的步骤包括：

选取一定的时间长度，作为K线的基本时域单元，将原始时间序列转化为用符号化的模糊语义变量K线表示的模糊时间序列。

3.根据权利要求2所述的基于不定长模糊信息粒的时间序列预测方法，其特征是，所述基于K线分笔思想的不等长划分论域方法划分目标时间序列的步骤包括：

处理模糊时间序列的相邻K线之间的包含关系；

判断模糊时间序列的K线之间的顶底分型，并将模糊时间序列的K线划分成若干笔。

4.根据权利要求1所述的基于不定长模糊信息粒的时间序列预测方法，其特征是，所述广义带状时变模糊信息粒的构造方法为：

采用最小二乘多项式线性回归方法对每笔模糊时间序列进行处理，得到回归线μ(t)以及数据与回归线μ(t)的离散程度σ；

采用回归线μ(t)拟合数据集的最大值和最小值，利用数据集的最大值和最小值之间的数据构造当前时间区域内的数据浮动区间；

基于回归线μ(t)、数据与回归线μ(t)的离散程度σ、数据集的最大值和最小值构造每笔模糊时间序列的不定长带状线性高斯模糊信息粒。

5.根据权利要求1所述的基于不定长模糊信息粒的时间序列预测方法，其特征是，所述循环模糊神经网络包括输入层、模糊化层、空间发射层、间隔减少层、时间触发层和输出层；

将不定长模糊信息粒群体作为输入数据，输入到输入层中，输入层将所有输入数据传递到模糊化层；

模糊化层采用区间二型高斯隶属函数对输入数据进行模糊化处理，输出上隶属函数和下隶属函数至空间发射层；

空间发射层将上隶属函数的代数乘积与下隶属函数的代数乘积进行模糊“与”操作，输出区间一型模糊集合至间隔减少层；

间隔减少层采用规则的不确定性自适应权重将区间一型模糊集合缩减为一型模糊值，传递到时间触发层；

时间触发层基于LSTM模型利用一型模糊值计算时间发射强度传递到输出层；

输出层采用加权平均去模糊操作计算网络的输出变量y_q。

6.根据权利要求1所述的基于不定长模糊信息粒的时间序列预测方法，其特征是，所述结构学习的步骤包括：

利用一个训练数据样本对循环模糊神经网络进行初始化操作，并将该数据样本作为模糊规则中心，生成一个新的模糊规则，设置该规则的二型高斯模糊集的中心和宽度，读取下一个训练数据样本；

计算新数据样本的每个模糊信息粒与作为规则中心的每个模糊信息粒之间的距离之和；

如果得到的距离之和大于等于设定的阈值，则产生新的模糊规则，并初始化该规则的区间二型的高斯隶属函数中心和宽度；

依次循环，直至循环模糊神经网络读取完所有训练数据样本，在线生成全部的模糊规则。

7.根据权利要求1所述的基于不定长模糊信息粒的时间序列预测方法，其特征是，所述参数学习的步骤包括：

基于循环模糊神经网络结构计算实际输出值；

反向计算循环模糊神经网络中每一层每一个节点的误差值；

利用误差值计算第六层网络和第五层网络节点之间的权重的梯度、第三层网络和第四层网络之间的权重的梯度以及第二层网络的中心和宽度梯度，采用梯度下降算法调节循环模糊神经网络结构中所有参数。