[发明专利]基于矢量量化的长期直觉模糊时间序列预测方法

摘要

本发明公开了一种基于矢量量化的长期直觉模糊时间序列预测方法，包括以下步骤：A序列数据的直觉模糊化预处理；B、基于矢量量化的长期直觉模糊时间序列预测；本发明建立的长期直觉模糊时间序列预测模型将序列数据单输出扩展为多输出，预测值由标量转换为向量，较大程度地提高了时序系统长期预测的性能。本发明中引入滑动窗口机制，准确快速地获取序列数据的模糊变化特征；利用IFCM算法动态划分论域区间，更加切近不确定数据分布的实际；基于矢量量化的长期时间范围预测，较好地解决了直觉模糊规则零匹配以及系统误差积累问题。通过实例验证和结果分析，模型具备较好的预测性能。

主权项

1.一种基于矢量量化的长期直觉模糊时间序列预测方法，其特征在于，包括以下步骤：A序列数据的直觉模糊化预处理设给定长度为l的时间序列历史数据X＝(x₁，x₂，…，x_τ，…，x_l)，定义滑动窗口宽度w，序列前件长度p以及预测向量维数d，其中w＝p+d；则序列数据直觉模糊化预处理算法具体为：A1：在时刻τ沿着X序列执行滑动窗口机制，构建X的一个子序列S_τ，可表示为：则包含n个子序列数据集S可定义为：S=S1w,S1+dw+d,S1+2dτ++2d,···,S1+(n-1)dw+(n-1)d---(4)]]>其中，n＝(l-p)/d；A2：利用IFCM聚类算法对子序列数据集S进行聚类，获取c个聚类中心，即区间中心M_k＝{M₁，M₂，…，M_c}，k＝1，2，…，c；因此，论域区间可动态划分为c个优化子区间，其相应的语言变量直觉模糊集A_j定义为：Aj=Σk=1c<μjk,γjk>/Mk---(5)]]>其中，＜μ_jk，γ_jk＞表示M_k属于直觉模糊集A_j的隶属度与非隶属度函数对，按下式计算：<μjk,γjk>=<1,0>k=j<0.5,0.5>k=j-1orj+1<0,1>others---(6)]]>A3：直觉模糊化原始序列；根据(7)式计算数据集S中所有子序列S_τ属于A_j的隶属度与非隶属度函数对：<μjτ,γjτ>=<(1/||Sτ-Mj||2)1/(e-1)Σk=1c(1/||Sτ-Mj||2)1/(e-1),1-(1/||Sτ-Mj||2)1/(e-1)λ[Σk=1c(1/||Sτ-Mk||2)1/(e-1)]>---(7)]]>其中，e为平滑参数(通常取e＝2)；λ≤1为犹豫度调节因子；序列X相应的IFTS可表示为：F(n)＝F₁，F₂，…，F_t，…，F_n，其中F_t∈{A₁，A₂，…，A_c}；A4：动态构建确定性转换直觉模糊规则库DCRIF_base；B、基于矢量量化的长期直觉模糊时间序列预测设直觉模糊化预处理后某个时间段待预测的IFTS为F_r＝(f₁，f₂，...，f_t，…，，f_r)，相应的查询时间序列为X＝(x₁，x₂，…，x_w)；根据(2)式，序列数据f_t经推理可获得对应于X在时刻w+(t-1)d，w+(t-1)d-(d-1)，w+(t-1)d-(d-2)，…的d维预测值，其结果时间序列表示为：X=(x1,x2,···,xw,V→(f2,d),···,V→(ft,d),···)---(8)]]>其中，因此，基于矢量量化的长期IFTS预测算法可描述为：输入：预测向量维数d，区间聚类中心M_k，确定性转换直觉模糊规则库DCRIF_base及其规则前件的最大长度q，查询直觉模糊时间序列的长度r；输出：F_r的下一个状态F_r+1对应的预测值；具体步骤为：B1：确定直觉模糊观察子序列Temp F；若r＞q，只需要观察长度为q的直觉模糊子序列Temp|F＝F_r-q+s，…，F_r-1，F_r；否则，令s∈[1，r]，Temp|F＝F_s-1，F_s，…，F_r；B2：根据观察子序列进行直觉模糊规则库的查看与匹配；本发明采用参考文献[7]定理阐述的启发式规则，若Temp F与确定性转换直觉模糊规则i^*的前件rb_cause(i^*)相匹配，即Temp F→rb_cause(i^*)；则F_r+1对应规则i^*的后件，即TempF_r+1→rb_effect(i^*)，跳至B4；否则，转到B3；B3：矢量量化方法估计预测结果；令F_r＝A_j，A_j∈{A₁，A₂，…，A_c}，直觉模糊时间序列中p维历史数据可表示为：past(A_j，p)＝(m_jw-p+1，…，m_jw-1，m_jw)，d维待预测直觉模糊向量值定义为：加入历史数据，直觉模糊扩展维向量，即Dr+1=(past(Aj,p)|V→(Fr+1,d))=(mjw-p+1,···,mjw-1,mjw,x(r+1)1,x(r+1)2,···,x(r+1)d);]]>根据(3)式计算距离D_r+1质心最近的直觉模糊聚类中心即Mj*(Dr+1)=||Dr+1-Mj*||=minj||Dr+1-Mj||.]]>输出B4：去直觉模糊化精确输出；若预测结果为则Defuzz(Aj*)=Mj*=(mj1*,mj2*,···,mjw*);]]>因此，d维预测向量可表示为：V→(Fr+1,d)=(mjw-d+1*,···,mjw-1*,mjw*).]]>