[发明专利]一种基于神经网络的经济预测方法

权利要求书

1.一种基于神经网络的经济预测方法，其特征在于，包括：

步骤一：确定多个子区域中的各个子区域的时空相关性，基于各个子区域的时空相关性来构建时空神经网络；

步骤二：基于灰色关联分析的人工神经网络经济运行维护费预测，采用某种编码方案对权值进行编码，对时空序列数据集进行聚类，随机产生一组分布，它就对应着一组神经网络的连接权，采用灰色关联分析从因子库中提取经济运行维护费的主要影响因素，作为人工神经网络的输入变量，输入训练样本，计算它的误差函数值，以误差平方和倒数作为适应度，若误差越小，适应度越大，反之适应度大，以此来评价连接权的优劣；

步骤三：选择适应度大的个体，将时空序列数据集在空间区域上划分成多个子区域，直接遗传给下一代，再利用交叉，变异等操作对当前群体进化，产生下一代群体，依据灰色关联度筛选出与经济运行维护费同步变动程度最高的影响因素，作为人工神经网络的输入，初始确定的一组权值得到不断进化，直到训练目标满足条件为止；

步骤四：人工神经网络经济运行维护费预测模型的选用初始化Huffman网络的权值为区间[0，1]之间的随机数，GA对其进行编码；随机产生初始种群，种群大小为N，编码ANN所有权值和阈值，确定编码类型，长度，种群规模，交叉率，变异率及终止条件，评价种群，如果满足停止标准，就解码，生成ANN所有权值和阈值，利用BP算法训练网络，生成最优权值和阈值；

步骤五：对种群中的每个个体进行解码，每个个体代表一个Huffman网络结构，经济运行维护费影响因素的灰色关联度分析，解码得到的N组权值对应N个相同结构的网络；确定网络的训练样本和测试样本；由LM算法计算输入样本集对应的网络输出，确定适应度函数，选定为网络的误差性能函数的倒数；

步骤六：计算每个染色体的适应度，误差值越大，对应的适应度就越小；选择适应度大的个体作为新的父代，淘汰适应度小的个体；对新的父代进行交叉、变异操作；在灰色关联分析的基础上，利用人工神经网络具有无限逼近非线性连续函数关系的性质，将其作为经济运行维护费的预测模型，对新种群进行新一轮的迭代，直到训练目标满足终止条件为止，从而得到一组优化权值，将优化后的权值赋给Huffman网络，用以建模并预测，以经济运行维护费的预测值为输出，建立经济运行维护费预测模型，对经济运行维护费进行准确合理的估算。

2.如权利要求1的一种基于神经网络的经济预测方法，其特征在于：

步骤一：确定多个子区域中的各个子区域的时空相关性，基于各个子区域的时空相关性来构建时空神经网络，具体包括：

基于标准几何分布的排序选择，将训练样本输入到BP神经网络进行学习，将系统初始化，设置好蚂蚁个数、迭代次数，采用遗传算法对BP神经网络的参数连接权值w及阈值θ进行优化，设置蚂蚁的起始点，构造蚂蚁回到起始点的路径，即解，更新更新表；

判断蚂蚁是否全部找到食物，若是，重新构造信息素，若不是构造蚂蚁回到起始点的路径，即解，从新更新更新表，建立最优的经济时间序列最优的非线性预测模型；

采用建立的最优非线性的经济预测模型对经济时间序列测试样本进行预测，检验模型有效，最后对将来时刻经济发展水平进行预测。