[发明专利]一种基于混沌优化神经网络模型的时间序列预测方法

权利要求书

1.一种基于混沌优化神经网络模型的时间序列预测方法，其特征在于，首先通过从数据库中在线获取城市历史日需水量时间序列数据并进行数据预处理，并同时进行混沌特征识别；然后利用模型输入数据重构相空间的嵌入维数确定混沌优化BP神经网络的结构，并同时进行模型训练；模型训练过程中通过混沌优化搜索，找到BP神经网络权值的全局最优值；模型训练结束后通过参数控制法对其输出的时间序列预测值进行混沌参数控制；最后实现城市日需水量时间序列的预测。

2.根据权利要求1所述基于混沌优化神经网络模型的时间序列预测方法，其特征在于，具体包括如下步骤：

步骤1：从ORACLE数据库中获取某市原始历史日需水量时间序列数据；所有输入模型的时间序列数据集被划分为一个训练输入时间序列数据集和一个测试输入时间序列数据集；

步骤2：对获取的某市日需水量时间数据序列进行数据预处理，将处理后的数据输入模型内部；

步骤3：预处理之后的数据输入模型后，模型内部进行混沌特征识别，进行数据相空间重构，计算延迟时间τ和饱和嵌入维数m，以确定网络模型的层数和输入层神经元个数；并确定输入向量和期望输出向量；

步骤4：计算网络隐含层和输出层各神经元输出，并计算误差函数E；若误差函数E达到阈值范围，则通过参数控制法预测输出值，若未达到阈值范围，则通过混沌搜索优化网络模型的权值阈值；

步骤5：判断网络模型迭代是否达到最大训练次数，若达到最大训练次数，则通过参数控制法预测输出值，若未达到最大训练次数，则继续计算网络隐含层单元误差和误差梯度，进行模型权值学习，并返回步骤四继续执行。

3.如权利要求2所述的基于混沌优化神经网络模型的时间序列预测方法，其特征在于，步骤1中，所述原始时间序列数据包括某市某水厂对应区域用户日用水历史时间序列特征数据。

4.如权利要求2所述的基于混沌优化神经网络模型的时间序列预测方法，其特征在于，步骤2中，所述数据预处理是指对某市历史时间序列数据中数据异常点、缺失点、重复点的处理。