[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

说明书

本发明提供了一种基于不定长模糊信息粒的时间序列预测方法和装置，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带状高斯模糊信息粒，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。本发明基于信息颗粒和循环模糊神经网络实现时间序列长期预测，预测的多个值可以在一步内完成，而不是迭代地分别预测每个值，即可以实现长期预测。

技术领域

本公开涉及一种基于不定长模糊信息粒的新型时间序列预测方法和装置。

背景技术

时间序列指的是在不同的时间点上收集到的反应某一事物、现象等随时间变化的数据的集合，普遍出现在经济、金融、社会自然等众多领域。时间序列分析的一个重要目的是对时间序列进行预测，即利用统计方法和技术，从观测数据中找出时间序列的内部演化规律，建立数学模型，估计预测变量的变化趋势。时间序列预测已经被广泛的应用到气象学、农业生产、旅游人数和能源等诸多领域，特别是在控制领域和金融市场中有极其重要的意义。

关于时间序列的预测模型主要分为三类：一是经典时间序列模型：自回归模型(auto regression model)(AR)等，二是基于计算机智能技术的预测模型：人工神经网络(ANN)等，三是基于模糊集合理论的模糊时间预测模型：模糊信息粒等。虽然经典时间序列模型得到了广泛的应用，但是经典时间序列模型分析数据需要建立在时间序列数据具有线性结构的假设之下，可能并不总是适用于在经济、金融和环境科学中遇到的一些具有较强的非线性结构的现实世界的数据。计算机智能技术预测模型相当于数据驱动的黑盒子模型，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。模糊时间预测模型能够处理模糊和不完整的时间不确定情况下的一系列的数据，现有研究大多涉及单步预测模型。

随着技术的发展，对提前许多步骤的长期预测的需求日益增加，这很难实现，因为未知的未来时间步骤无法获得信息。而模糊信息粒化是解决长期预测问题的重要工具，为了对大规模的时间序列构造信息粒，原始序列首先被分解为更简单的连续的子序列，然后每个子序列用模糊集表示，称为模糊信息粒(FIG)。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，新信息粒的研究的关键是设计一种新的模糊信息粒，它可以反映数据随时间变化的趋势，而不是提供无法判断的精确值。对于金融市场而言，这将有助于投资者确定即将到来的问题。

划分论域作为Song和Chissom在1993年提出的预测方法步骤中的第一步，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：第一类是对论域进行均匀划分，此类模型较为简单，但预测精度不高，且划分论域后得到的模糊集解释性较低，含有的语义信息较少；第二类是根据数据分布对论域进行划分，虽然具有较强的解释性，论域划分的结果更能被人们理解和接受，但是，算法复杂度普遍较高，难以实现动态实时划分；第三类是利用优化理论对论域进行划分，该类方法是通过一些优化算法，例如遗传算法(GA)、粒子群算法(PSO)等，寻找最优划分点，此类方法较前两种提高了预测精度，但划分后得到的区间不容易用人们的自然语言进行描述。此外，具有模糊逻辑和神经网络优点的模糊神经网络(FNN)常用来处理时间序列预测的问题，为了处理长时依赖的问题，通常还会在模型中加入表现某种记忆的循环模型。但是现今提出的 RFNN中的循环结构大多在时间维度上的循环存在缺失，不能实现真正意义的在时间维度上的循环。

综上所述，目前对于预测模型对数据完整性要求较强，可解释性较弱，忽略数据的变化趋势，划分后得到的区间不容易用人们的自然语言进行描述以及循环模糊神经网络中的循环结构大多在时间维度上的循环存在缺失，不能实现真正意义的在时间维度上循环的问题，尚缺乏有效的解决方案。

发明内容