[发明专利]一种多元时间序列的预测方法

说明书

本发明公开了一种多元时间序列的预测方法，包括如下步骤：多元时间序列建模；对多元时间序列进行预处理，包括非平稳数据的平稳化、含噪声数据噪声滤除、不同量纲数据归一化以及相空间重构；然后根据数据的特点，建立适合的预测模型，预测模型主要分为全局预测模型、局域预测模型以及自适应预测模型三大类；全局预测模型，对所有观测样本均视为研究对象，通过建立相应的非线性映射关系实现对未知系统动态特性的研究。本发明建立多元序列的非线性预测模型，使得预测精度高，计算复杂度低，模型具有很好的适应性，并且具有较高的在线预测精度。

技术领域

本发明涉及时间序列预测技术领域，尤其涉及一种多元时间序列的预测方法。

背景技术

时间序列预测已经在工业、金融、军事等领域中得到了广泛的应用，由于实际生活中的时间序列大多呈现非线性和不稳定性，因此对于非线性和不稳定时间序列的预测问题一直备受各个领域中研究学者的关注。目前，对于非线性和不稳定时间序列进行预测的主要方法之一是采用回声状态网络(Echo State Network，ESN)。ESN的特点是在训练时只需训练储备池至输出层的输出权重，解决传统神经网络存在的易陷入局部最优、训练算法复杂等问题。因此，计算输出权重是回声状态网络学习的关键。然而，现有的时间序列的预测是，由于网络输出和训练过程中误差的影响，造成计算效率不高

发明内容

基于背景技术存在的技术问题，本发明提出了一种多元时间序列的预测方法。

本发明提出的一种多元时间序列的预测方法，包括如下步骤：

S1多元时间序列建模；

S11对多元时间序列进行预处理，包括非平稳数据的平稳化、含噪声数据噪声滤除、不同量纲数据归一化以及相空间重构；

S12然后根据数据的特点，建立适合的预测模型，预测模型主要分为全局预测模型、局域预测模型以及自适应预测模型三大类；

S121全局预测模型，对所有观测样本均视为研究对象，通过建立相应的非线性映射关系实现对未知系统动态特性的研究；

S122局域预测模型仅选择部分相邻样本建立映射关系，根据模型性质的不同，局域预测模型可分为线性和非线性两种；

S123自适应预测模型，能够根据当前观测数据以及模型误差自适应调整参数，适用于数据缺失或者训练数据不足的情况；

S2建立回声状态网络预测模型；

回声状态网络是一种三层递归神经结构，包括输入层、隐含层和输出层，隐含层又称储备池，含有成百上千个稀疏递归连接的神经元；

S21回声状态网络参数选择与结构优化；

S22回声状态网络学习计算，计算储备池到输出层之间的输出连接权值；

S23稀疏在线高斯过程回声状态网络，迭代学习复杂的时序动态并产生预测分布，同时进行稀疏化；

S24建立回声状态网络组合模型；

线性逆模型与回声状态网络结合，小波方法与回声状态网络结合，模糊逻辑系统与回声状态网络结合，单层神经网络与回声状态网络结合，稀疏高斯过程与回声状态网络结合，专家系统与回声状态网络结合。

优选的，所述步骤S21储备池主要参数包括激活函数类型、储备池的规模、内部连接矩阵的谱半径、稀疏度以及输入变换系数。

优选的，所述步骤S21神经元是储备池的基本信息处理单元，包括三个要素，第一要素是突触，以神经元间的连续权值或强度作为特征，第二个要素是加法器，输入信号经突触加权后求和，第三个要素是激活函数，控制神经元的输出副值。

优选的，所述步骤S23稀疏化包括降维方法以及正则化方法。