[发明专利]基于直觉循环模糊神经网络的时间序列预测方法及装置

权利要求书

1.一种基于直觉循环模糊神经网络的时间序列预测方法，其特征在于，该方法包括：

接收时间序列数据样本，并划分为若干组子样本；

将若干组子样本依次输入区间二型直觉模糊推理系统模糊化处理进行学习预测，得到预测结果；在一组样本输入系统网络后根据产生的预测误差和球形势采用元认知学习算法对系统网络进行更新；

所述区间二型直觉模糊推理系统包括输入层、模糊化层、空间发射层、时间触发层和输出层；所述模糊化层使用TSK型模糊规则，求取输入数据的隶属度和非隶属度，所述空间发射层对隶属度和非隶属度进行降维处理，所述时间触发层使用LSTM递归为数据建立时间上的联系，所述输出层采用基于中心的去模糊化处理输出数据。

2.如权利要求1所述的一种基于直觉循环模糊神经网络的时间序列预测方法，其特征在于，在该方法中，所述输入层直接将输入的一组子样本传递到所述模糊化层；

所述模糊层中对每个输入每条规则有对应节点对其采用区间二型直觉模糊进行模糊化，得到输入数据的隶属度和非隶属度；

在模糊化计算中采用高斯隶属函数进行计算。

3.如权利要求1所述的一种基于直觉循环模糊神经网络的时间序列预测方法，其特征在于，在该方法中，所述空间发射层中包含与规则数量对应的节点，每个节点表示当前规则的触发强度；所述触发强度通过使用同一规则下隶属函数的代数乘积的模糊乘法运算计算；

所述隶属函数包括上方隶属度函数、下方隶属度函数、上方非隶属度函数和下方非隶属度函数。

4.如权利要求1所述的一种基于直觉循环模糊神经网络的时间序列预测方法，其特征在于，在该方法中，所述时间触发层包含与规则数量对应的节点，该层的节点均为内部循环规则节点，循环过程采用LSTM递归进行，LSTM的输入为当前时刻网络的输入值，上一时刻网络的输出值和上一时刻的单元状态；LSTM的输出为当前时刻的网络输出值和当前时刻的单元状态。

5.如权利要求4所述的一种基于直觉循环模糊神经网络的时间序列预测方法，其特征在于，在该方法中，所述LSTM包括遗忘门、输入门和输出门；所述遗忘门决定上一时刻的单元状态保留多少到当前时刻的单元状态；所述输入门决定当前时刻的网络输入值保留多少到当前时刻的单元状态；所述输出门控制当前时刻的单元状态输出到LSTM外的当前时刻网络输出值。

6.如权利要求1所述的一种基于直觉循环模糊神经网络的时间序列预测方法，其特征在于，在该方法中，所述输出层采用加权平均去模糊技术计算推理系统的去模糊输出。

7.如权利要求1所述的一种基于直觉循环模糊神经网络的时间序列预测方法，其特征在于，该方法中，所述预测误差为实际输出和预测输出之间差值的平方根；

所述球形势为基于犹豫度通过非隶属进一步衡量样本经过网络时每条规则对它产生的反应强度。

8.如权利要求1所述的一种基于直觉循环模糊神经网络的时间序列预测方法，其特征在于，该方法中，所述对系统网络进行的更新包括样本删除、规则添加和/或规则更新。

进一步地，所述样本删除的方法为：预设删除阈值，当当前样本的预测误差小于删除阈值时，将该样本删除；

所述规则添加的方法为：预设添加阈值和隶属阈值，当当前样本的预测误差大于添加阈值且球形势小于隶属阈值时，向系统网络中添加TSK性模糊规则；所述添加阈值和隶属阈值是控制规则添加的自适应阈值；

所述规则更新的方法为：在不进行样本删除和规则添加时，基于样本对网络中的参数进行更新，更新的参数包括规则中心和宽度、LSTM内部参数以及输出权重；当参数进行更新时，所述删除阈值和隶属阈值进行自适应更新。

9.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行如权利要求1-8中任一项所述的一种基于直觉循环模糊神经网络的时间序列预测方法。

10.一种终端设备，采用互联网终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行如权利要求1-8中任一项所述的一种基于直觉循环模糊神经网络的时间序列预测方法。