非线性时间序列的小波-模糊神经网络集成预测方法
发布时间：2021-02-13 23:11
传统模糊神经网络在时间序列预测方面已经有比较成功的应用,但在预测前,是否需要预先进行趋势和季节剔除,以及如何进行剔除,还缺乏统一认识。利用小波分解将非线性时间序列中的趋势项、周期项和随机项分离出来,然后采用模糊神经网络进行集成预测,解决了传统差分方法等剔除趋势和季节因素后,进行模糊神经网络预测效果差的问题,同时又充分利用了非线性时间序列中的趋势项、周期项和随机项信息。为了检验小波-模糊神经网络的非线性时间序列预测效果,对我国铁路客运量进行预测实验。实验结果表明,利用小波分解进行趋势项、周期项和随机项的分离,并进行模糊神经网络的集成预测,比传统的模糊神经网络预测有着更好的精度,从而验证了模型的有效性。
【文章来源】：中国管理科学. 2013,21(S2)北大核心CSSCI
【文章页数】：5 页
【部分图文】：
原始时间序列
_ns 1 1 1?I I ,, "020406080100120140(2)决定系数R2 l),.ailD20.51 ‘ > ‘ ? (n'Zyy-XyZj)2 0/^AA/Xy"sA/xA/vAA/Vx^V/NA/xA/vVVN?R2= ^ —n '“‘n'"1 (12) _05()20406080100120140(nlyc2-(Irr)2)(?Ij/-(SyJ2) 02l , , *?p'ail? , , isIisI1=1i=I _其中为预测值个数，y,是实际值，yf是预测 o(^hy^/X/v^^/X/VV\/\A?值，均方误差愈孝决定系数愈接近1,表明模型性 _<U()20406080100120140能愈好。 图4各尺度f(构小波序列5 建立1到12期的滞后变M作为模糊神经网络5.1时间序列数据仿真预测输人ft;为了验证本文中建立的预测模型，采用从 建立合适的T-S模糊神经网络预测模型进行预2003年1月份至2013年3月份135个月的铁路测，考虑因素主要有滞后期数、训练次数等。以A3客运量数据，前120个数据用作训练集建立模型’趋势列为例，选择滞后6期，训练80次，预测结果如后15个数据留作测试集检验模型的预测性能。该数据来源于中华人民共和国国家统计局网站。 |68^ , , 在Matlab2010b上编程实现。原始时间序列如图3 +实际输出所示。 I.66..禎测输出研究表明，dbN正交小波对原始时间序列经行 IM.分解，分解后的子序列更加平滑[17],经试验表明， 1.62.dblO小波基分解的序列经本模型预测效果较好，故 |6.本文选择dhlO小波函数对该序列进行分解。以不同的分解层数y对135个月的数据经行小波分解，通过试验比较，当y取3的时候，重构趋势项趋于稳 1560510 15样本序兮定，因此小波分解为3层。重构各尺度小波序列，可得趋势项A3、随机项 ffl5A3趋势列ffi测结?
?650? 中国管理科学 2013年集成各尺度预测结果，可得整体时间序列预测5.2预测结果分析值如图6所示。 预测结果如表1所示2 , , 由表1可以看出以下结论：+头I输出. (1)模糊神经网络对经小波分析后的趋势序列19.+颂测输出t|8.jAh. A3预测效果最好，误差仅为0.00000309，顺次为周17./Y\... 期项D3,D2及随机项D1，均高于模糊神经网络独\A/\\\t 立的预测精度，这说明对于类似稳定趋势序列，模糊1.5-\/V\^{\■ 神经网络具有出色的预测效果。1.4-Vi. (2)各序列模神经网络预测值的集成结果误差I3 . ■ 远小于模糊神经网络单独预测误差，这说明本文的?0 5 10 15样本序号 预测模型是有效的，对神经网络进行趋势项和周期图6集成时间序列预测结果图 项的分别预测是有必要的。表1各序列预测结果小波分析+模糊神经网络模糊神经网络A3 D1 D2 D3 集成结果MSE 0.00000309 0.0018513 0.0014438 0.0000859 0.0019131 0.037092R2 0.99677 0.8673 0.82948 0.99091 0.9196 0.2382[6]DeCastroThiagoN,SouzaFrancisco,DaherSergio.Neo-fuzzy6 "In neuronmodelforseasonalrainfallforecast：AcasestudyofCearas?.*..^. eighthomogenousreeions[J1.JournalofIntelligentandFuzzySys-将模糊神经网络模型与小波分析结合起来，利 ，I。lems,2013,25(2)：389-394.用小波分解将非平稳时间序列分解为趋势项、周期[7]UnCJ,chKnHF,LeeTS.Forecastingtourismdemandusingtime项及随机项，分別采用适当的模糊神经网络模型进 series,Artificialneuralnetworksandmultivariateadaptiveregression行预测，并采用2003年~■?
【参考文献】：
期刊论文
[1]混沌时间序列的混合预测方法[J]. 张金良,谭忠富. 系统工程理论与实践. 2013(03)
[2]基于小波分解的网络流量时间序列建模与预测[J]. 张晗,王霞. 计算机应用研究. 2012(08)
[3]D-FNN模型对中国FDI的预测[J]. 许南,李建军,廖施煜. 系统工程. 2012(05)
[4]模糊神经网络在水质评价中的研究[J]. 牛红惠,尚艳玲. 计算机仿真. 2012(04)
[5]基于小波分析的随机交通流组合预测方法研究[J]. 丁恒,郑小燕,刘燕,陈无畏. 系统仿真学报. 2012(02)
[6]短期电价预测的组合混沌方法[J]. 张金良,谭忠富,李春杰. 中国管理科学. 2011(02)
[7]季节型增长趋势电力消费预测研究:基于中国的实证分析[J]. 牛东晓,孟明. 中国管理科学. 2010(02)
[8]基于小波和神经网络相结合的股票价格模型[J]. 张坤,郁湧,李彤. 计算机工程与设计. 2009(23)
[9]一类基于模糊系统的非线性鲁棒自适应预测控制[J]. 方炜,姜长生. 西安交通大学学报. 2008(06)
[10]基于模糊神经网络的交合分析改进方法[J]. 李春好,刘成明. 中国管理科学. 2008(01)
本文编号：3032719
【文章来源】：中国管理科学. 2013,21(S2)北大核心CSSCI
【文章页数】：5 页
【部分图文】：
原始时间序列
_ns 1 1 1?I I ,, "020406080100120140(2)决定系数R2 l),.ailD20.51 ‘ > ‘ ? (n'Zyy-XyZj)2 0/^AA/Xy"sA/xA/vAA/Vx^V/NA/xA/vVVN?R2= ^ —n '“‘n'"1 (12) _05()20406080100120140(nlyc2-(Irr)2)(?Ij/-(SyJ2) 02l , , *?p'ail? , , isIisI1=1i=I _其中为预测值个数，y,是实际值，yf是预测 o(^hy^/X/v^^/X/VV\/\A?值，均方误差愈孝决定系数愈接近1,表明模型性 _<U()20406080100120140能愈好。 图4各尺度f(构小波序列5 建立1到12期的滞后变M作为模糊神经网络5.1时间序列数据仿真预测输人ft;为了验证本文中建立的预测模型，采用从 建立合适的T-S模糊神经网络预测模型进行预2003年1月份至2013年3月份135个月的铁路测，考虑因素主要有滞后期数、训练次数等。以A3客运量数据，前120个数据用作训练集建立模型’趋势列为例，选择滞后6期，训练80次，预测结果如后15个数据留作测试集检验模型的预测性能。该数据来源于中华人民共和国国家统计局网站。 |68^ , , 在Matlab2010b上编程实现。原始时间序列如图3 +实际输出所示。 I.66..禎测输出研究表明，dbN正交小波对原始时间序列经行 IM.分解，分解后的子序列更加平滑[17],经试验表明， 1.62.dblO小波基分解的序列经本模型预测效果较好，故 |6.本文选择dhlO小波函数对该序列进行分解。以不同的分解层数y对135个月的数据经行小波分解，通过试验比较，当y取3的时候，重构趋势项趋于稳 1560510 15样本序兮定，因此小波分解为3层。重构各尺度小波序列，可得趋势项A3、随机项 ffl5A3趋势列ffi测结?
?650? 中国管理科学 2013年集成各尺度预测结果，可得整体时间序列预测5.2预测结果分析值如图6所示。 预测结果如表1所示2 , , 由表1可以看出以下结论：+头I输出. (1)模糊神经网络对经小波分析后的趋势序列19.+颂测输出t|8.jAh. A3预测效果最好，误差仅为0.00000309，顺次为周17./Y\... 期项D3,D2及随机项D1，均高于模糊神经网络独\A/\\\t 立的预测精度，这说明对于类似稳定趋势序列，模糊1.5-\/V\^{\■ 神经网络具有出色的预测效果。1.4-Vi. (2)各序列模神经网络预测值的集成结果误差I3 . ■ 远小于模糊神经网络单独预测误差，这说明本文的?0 5 10 15样本序号 预测模型是有效的，对神经网络进行趋势项和周期图6集成时间序列预测结果图 项的分别预测是有必要的。表1各序列预测结果小波分析+模糊神经网络模糊神经网络A3 D1 D2 D3 集成结果MSE 0.00000309 0.0018513 0.0014438 0.0000859 0.0019131 0.037092R2 0.99677 0.8673 0.82948 0.99091 0.9196 0.2382[6]DeCastroThiagoN,SouzaFrancisco,DaherSergio.Neo-fuzzy6 "In neuronmodelforseasonalrainfallforecast：AcasestudyofCearas?.*..^. eighthomogenousreeions[J1.JournalofIntelligentandFuzzySys-将模糊神经网络模型与小波分析结合起来，利 ，I。lems,2013,25(2)：389-394.用小波分解将非平稳时间序列分解为趋势项、周期[7]UnCJ,chKnHF,LeeTS.Forecastingtourismdemandusingtime项及随机项，分別采用适当的模糊神经网络模型进 series,Artificialneuralnetworksandmultivariateadaptiveregression行预测，并采用2003年~■?
【参考文献】：
期刊论文
[1]混沌时间序列的混合预测方法[J]. 张金良,谭忠富. 系统工程理论与实践. 2013(03)
[2]基于小波分解的网络流量时间序列建模与预测[J]. 张晗,王霞. 计算机应用研究. 2012(08)
[3]D-FNN模型对中国FDI的预测[J]. 许南,李建军,廖施煜. 系统工程. 2012(05)
[4]模糊神经网络在水质评价中的研究[J]. 牛红惠,尚艳玲. 计算机仿真. 2012(04)
[5]基于小波分析的随机交通流组合预测方法研究[J]. 丁恒,郑小燕,刘燕,陈无畏. 系统仿真学报. 2012(02)
[6]短期电价预测的组合混沌方法[J]. 张金良,谭忠富,李春杰. 中国管理科学. 2011(02)
[7]季节型增长趋势电力消费预测研究:基于中国的实证分析[J]. 牛东晓,孟明. 中国管理科学. 2010(02)
[8]基于小波和神经网络相结合的股票价格模型[J]. 张坤,郁湧,李彤. 计算机工程与设计. 2009(23)
[9]一类基于模糊系统的非线性鲁棒自适应预测控制[J]. 方炜,姜长生. 西安交通大学学报. 2008(06)
[10]基于模糊神经网络的交合分析改进方法[J]. 李春好,刘成明. 中国管理科学. 2008(01)
本文编号：3032719
本文链接：https://www.wllwen.com/kejilunwen/rengongzhinen/3032719.html
