[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

说明书

本发明公开了一种基于混沌优化神经网络模型的时间序列预测方法，该方法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。本发明基于混沌优化神经网络模型的城市日需水量时间序列预测方法所需训练数据样本少，收敛速度快、易达到全局最小值，预测结果整体误差的指标良好，呈现良好的综合预测性能。

技术领域

本发明属于模型预测控制技术领域，尤其涉及一种基于混沌优化神经网络模型的时间序列预测方法。

背景技术

经济的高速发展带来了城市化与工业生产规模的不断发展，也使得城市供水系统的供需矛盾变得突出，特别是夏季，城市供水量紧缺的现象越来越普遍。城市日需水量时间序列预测已成为现代供水调度系统学科中一个重要的研究领域。由于城市日需水量时间序列增长受经济发展、产业结构、居民收入水平、气候等诸多因素的影响，用常规的数学方法来建立模型，不仅工作量大，而且精度也难以保证。

目前国内外采用的城市日需水量时间序列预测模型方法主要有时间序列预测模型、灰色预测模型、人工神经网络模型等。时间序列预测模型是一种定量分析方法，它是在时间序列变量分析的基础上，运用一定的数学方法建立预测模型，使时间趋势向外延伸，从而预测未来的发展变化趋势，确定变量预测值。具有运算过程简单，对于中短期预测的效果要比长期预测的效果好等优点。但其因突出时间序列暂不考虑外界因素影响，故存在着预测误差的缺陷。当遇到外界因素发生较大变化，往往会有较大偏差。灰色预测模型通过对原始数据的处理挖掘系统变动规律，建立相应微分方程，从而预测事物未来发展状况。对于不确定因素的复杂系统预测效果较好，且所需样本数据较小；但是基于指数率的预测没有考虑系统的随机性，中长期预测精度较差。人工神经网络模型是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。该网络具有强大的非线性逼近能力，同时其良好的自适应性、自组织性以及较强的学习、联想、容错和抗干扰能力使其广泛应用于诸多领域，可以解决涉及到多变量、强耦合、非线性等的数值拟合预测问题。其不足之处为：网络算法学习速度较慢，网络训练失败的可能性较大，隐含层层数和输入层神经元个数难以确定，一般根据经验公式结合实际问题选取，网络结构的选择尚无一种统一而完整的理论指导，一般只能由经验选定。

发明内容

本发明的目的是提供一种基于混沌优化神经网络模型的时间序列预测方法，解决了现有城市日需水量时间序列预测模型方法所需训练样本多，预测误差大，算法学习收敛速度慢，网络结构难以确定等问题。

为了解决上述问题，本发明技术方案包括以下步骤：

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。

进一步的，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；