[发明专利]基于粒度直觉模糊认知图的在线时间序列预测方法及系统

权利要求书

1.一种基于粒度直觉模糊认知图的在线时间序列预测方法，其特征在于，步骤如下：

对获取的时间序列原始数据进行预处理，将一维的时间序列转化成二维空间的形式；

利用模糊C均值聚类算法把预处理后的时间序列数据聚类成模型节点，采用粒子群优化算法进行直觉模糊认知图的数值权重矩阵以及粒度参数的训练和优化；

利用优化后的粒度参数，将直觉模糊认知图模型的数值权重矩阵扩充为粒度权重矩阵，构建粒度直觉模糊认知图预测模型；

将待预测的时间序列数据输入到训练好的粒度直觉模糊认知图预测模型中，推理得到下一时刻的数据。

2.如权利要求1所述的基于粒度直觉模糊认知图的在线时间序列预测方法，其特征在于，利用粒子群优化算法训练和优化直觉模糊认知图的权重矩阵，其过程为：

首先给出数值权重矩阵的权值区间，对数值权重矩阵进行初始化，然后定义粒子群位置向量的元素是直觉模糊认知图的数值权重矩阵，进行迭代寻优，直至得到最优数值权重矩阵或满足迭代终止条件。

3.如权利要求1所述的基于粒度直觉模糊认知图的在线时间序列预测方法，其特征在于，所述粒度参数包括知识颗粒长度参数和对称分布参数，知识颗粒长度和对称参数都是c×c的全连接矩阵，且每一个值都为[0-1]之间的数。

4.如权利要求3所述的基于粒度直觉模糊认知图的在线时间序列预测方法，其特征在于，利用优化后的粒度参数，将直觉模糊认知图模型的数值权重矩阵扩充为粒度权重矩阵，其过称为：

假设数值权重矩阵中第i行第j列的权重值为w_ij，将w_ij进行扩充为

其中，ε_ij为知识颗粒长度，γ_ij为区间对称分布值。

5.如权利要求1所述的基于粒度直觉模糊认知图的在线时间序列预测方法，其特征在于，根据下列公式进行推理：

Y＝f(W*X)

其中，W表示的是粒度响应的矩阵，X表示概念在当前时刻的激活水平的描述，Y代表下一时刻的激活水平向量，f是sigmoid函数。

6.如权利要求5所述的基于粒度直觉模糊认知图的在线时间序列预测方法，其特征在于，

对于给定的权重矩阵的i行和j列w_ij扩充为粒度权重矩阵分解为区间左端和区间右端的两个数值矩阵W^-和W⁺，粒度响应Y分解为区间左端和区间右端的两个数值矩阵Y^-和Y⁺，对于粒度相应矩阵中第j次激活X_.j的响应的第i项y_ij是区间其中：

7.如权利要求1所述的基于粒度直觉模糊认知图的在线时间序列预测方法，其特征在于，将待预测的时间序列数据输入到训练好的粒度直觉模糊认知图预测模型中，输出相应预测的隶属度，对预测的隶属度进行反模糊化，得到相应预测的真实数据。

8.一种基于粒度直觉模糊认知图的在线时间序列预测系统，其特征在于，包括：

预处理模块，被配置为：对获取的时间序列原始数据进行预处理，将一维的时间序列转化成二维空间的形式；

参数训练和优化模块，被配置为：利用模糊C均值聚类算法把预处理后的时间序列数据聚类成模型节点，采用粒子群优化算法进行直觉模糊认知图的数值权重矩阵以及粒度参数的训练和优化；

粒度直觉模糊认知图预测模型构建模块，被配置为：利用优化后的粒度参数，将直觉模糊认知图模型的数值权重矩阵扩充为粒度权重矩阵，构建粒度直觉模糊认知图预测模型；

预测模块，被配置为：将待预测的时间序列数据输入到训练好的粒度直觉模糊认知图预测模型中，推理得到下一时刻的数据。

9.一种可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的基于粒度直觉模糊认知图的在线时间序列预测方法中的步骤。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于粒度直觉模糊认知图的在线时间序列预测方法中的步骤。