[发明专利]基于CSO优化DBN模型的电力业扩项目时长预测方法

权利要求书

1.一种基于CSO优化DBN模型的电力业扩项目时长预测方法，其特征在于，该方法包括以下步骤：

获取待预测项目的项目费用和项目工程量；

根据所述项目费用的分布，确定所述待预测项目的目标DBN预测模型；

将所述待预测项目的项目费用和项目工程量输入至训练好的所述目标DBN预测模型中，得到待预测的项目时长；

其中，所述DBN预测模型的训练方法如下：

获取电力业扩历史项目的历史数据并剔除异常数据，所述历史数据包括历史项目费用、历史项目工程量、历史项目时长；

根据所述历史项目费用的分布，通过四分位数将所述电力业扩历史项目分类，得到四个项目的费用区间；

动态选择每个所述费用区间的历史项目的历史数据作为训练集，以所述历史项目费用和历史项目工程量作为输入，以所述历史项目时长作为目标输出，基于所述训练集建立对应类别的DBN预测模型，得到四个DBN预测模型；

根据DCCSO对所述DBN预测模型的初始权值进行优化，得到目标初始权值，其中所述DCCSO为改进的混沌纵横交叉算法；

对所述DBN预测模型的目标初始权值进行自上而下的微调，得到训练好的DBN预测模型。

2.根据权利要求1所述的一种基于CSO优化DBN模型的电力业扩项目时长预测方法，其特征在于，基于所述训练集建立对应类别的DBN预测模型，包括：

利用无监督贪婪学习算法逐层训练所述DBN预测模型中每个受限玻尔兹曼机RBM；

将预处理后的所述历史数据的特征信息逐层传递，实现所述DBN预测模型的参数的初始化，确定初始的连接权重和神经元偏置。

3.根据权利要求2所述的一种基于CSO优化DBN模型的电力业扩项目时长预测方法，其特征在于，利用无监督贪婪学习算法逐层训练所述DBN预测模型中每个受限玻尔兹曼机RBM，包括：

随机选取所述训练集中的一个样本，将其输入到第一个RBM的可见层，更新第一层隐含层各个结点状态S_j，如公式(1)所示；

其中，预设结点状态表示为{S_j}，S_j表示与结点i相连的结点j的状态，ω_ij为权重矩阵，为s型函数；N_j(0,1)是标准正态分布函数；σ∈[0,1]。

根据所述结点状态S_j，更新第一个RBM可见结点状态，记为S′_i，如公式(2)所示；

根据所述结点状态S′_i，再次更新第一个RBM的隐含结点状态，记为S′_j，如公式(3)所示：

4.根据权利要求2所述的一种基于CSO优化DBN模型的电力业扩项目时长预测方法，其特征在于，将预处理后的所述历史数据的特征信息逐层传递，实现所述DBN预测模型的参数的初始化，确定初始的连接权重和神经元偏置，包括：

将所述第一个RBM的隐含层结点状态S′_j作为第二个RBM的输入，再次更新第二个RBM各个结点的状态；

逐层更新所述DBN预测模型的各结点状态，直至将所述DBN预测模型的结点更新完毕；

随机在训练集中选取下一个训练样本作为所述DBN预测模型的输入，再次进行训练，直至所有训练集中的训练样本都被输入过，结束第一轮训练，计算所述DBN预测模型的权重值的变化量，更新所述DBN预测模型的中的权重矩阵，如公式(4)所示；

Δω_ij＝η_ω(S_iS_j-S′_iS′_j) (4)

开始下一轮训练，直到所述DBN预测模型的权重矩阵的变化量足够小或达到设定的最高训练次数，即当‖Δω(i)‖ε时，结束训练，所述DBN预测模型构建完成。