[发明专利]基于两阶段的时间序列预测方法、预测系统、终端及介质

说明书

本发明属于时间序列预测技术领域，公开了一种基于两阶段的时间序列预测方法、预测系统、终端及介质，将CEEMDAN用于太阳黑子数月均值序列的平稳化处理；对分解后的各子序列分别建立ELM模型，并用PSO算法对各子模型的ELM参数进行优化，将各分量预测结果叠加得到第一阶段预测结果；对第一阶段得到的残差进行CEEMDAN‑PSO‑ELM建模，得到第二阶段的预测结果；对第一阶段预测结果和第二阶段预测结果求和得到最终预测结果。本发明将多尺度分解方法中的自适应噪声完整聚合经验模态分解和神经网络算法中的极限学习机结合，在传统预测模型的基础上进一步提升了单一ELM模型的预测精度。

技术领域

本发明属于时间序列预测技术领域，尤其涉及一种基于两阶段的时间序列预测方法、预测系统、终端及介质。

背景技术

近年来，以神经网络为代表的非线性预测模型因其广泛的适应能力和学习能力，在非线性系统的预测方面得到了广泛的应用，而利用多尺度分解的方法可以弱化时间序列的非线性和非平稳性，有效提升预测精度。但现有的基于神经网络的预测算法中，尚有两方面因素没被考虑，其一是在预测模型中如何优化网络的模型和参数，其二是没有考虑残差对预测精度的影响。在基于神经网络的预测模型中，网络参数的选取至关重要，倘若这些系数选取不当，会导致网络的收敛速度慢，影响预测精度。

通过上述分析，现有技术存在的问题及缺陷为：在使用神经网络对时间序列进行预测时尚未考虑两方面因素：其一是难以保证网络的参数是较优的，因而得出的时间序列预测结果未必较优；其二是未考虑预测后残差中的有效信息。

解决以上问题及缺陷的难度为：由于神经网络的输入层维数和隐含层维数是较小的整数，因而较好确定，但是输入权值和隐含层偏差是取值较小的小数，且通常情况下数值微小的改变对神经网络的性能就有很大的影响。如何在成千上万的参数组合中求得最优的组合，是需要解决的难点。而对于残差，其中参杂的有用信息较微弱，对残差的预测若选择的模型不正确则可能使最终的模型精度不增反减。

解决以上问题及缺陷的意义为：若能有较好的方法确定网络参数，则可以有效减少网络参数随机性带来的模型精度波动。若能有效预测模型残差，则可以充分利用残差中的信息，更大程度的提高模型的精度。

发明内容

针对现有技术存在的问题，本发明提供了一种基于两阶段的时间序列预测方法、预测系统、终端及介质。

本发明是这样实现的，一种基于两阶段CEEMDAN-PSO-ELM的时间序列预测方法，该方法基于Matlab软件，时间序列的非线性和非平稳性越强，越能体现本发明对比于传统模型的优势，太阳黑子数月均值序列具有很强的混沌特性，以下以太阳黑子时间序列为例验证本发明的优越性，所述基于两阶段CEEMDAN-PSO-ELM的时间序列预测方法包括：

第一阶段，将CEEMDAN用于太阳黑子数月均值序列的平稳化处理；对分解后的各子序列分别建立ELM模型，并用PSO算法对各子模型的ELM参数进行优化，将各分量预测结果叠加得到第一阶段预测结果。

第二阶段，对第一阶段得到的残差进行CEEMDAN-PSO-ELM建模，得到第二阶段的预测结果。对第一阶段预测结果和第二阶段预测结果求和得到最终预测结果。

进一步，所述基于两阶段CEEMDAN-PSO-ELM的时间序列预测方法包括以下步骤：

步骤一，使用CEEMDAN方法将原序列进行分解得到IMF₁,IMF₂,…,IMF_n和Res，使得非线性和非平稳性较强的原序列分解为若干个非线性和非平稳性较弱的子序列。

步骤二，将IMF₁,IMF₂,…,IMF_n和Res进行归一化处理，减弱各子序列值域的差异。