[发明专利]一种基于WT-BAS-BPNN的碳交易价格预测方法

权利要求书

1.一种基于WT-BAS-BPNN的碳交易价格预测方法，其特征在于，具体按以下步骤执行；

S₁:首先对碳交易价格数据进行降噪处理；利用天牛须搜索算法对BP神经网络进行优化；

S₂:利用BAS-BP神经网络算法建立碳交易价格预测模型；

S₃:对经小波降噪后的数据进行训练测试，并利用模型性能评价指标；

S₄:将测试结果与单一BP神经网络输出结果进行对比。

2.根据权利要求1所述的一种基于WT-BAS-BPNN的碳交易价格预测方法，其特征在于，在步骤S₁中，

S_1.1:设g(t)∈L2(R)，g(t)是一个满足容许性条件的平方可积函数，可称其为一个基本小波函数，如式(1)：

S_1.2:通过利用Mallat算法实现对原始信号的分解，假设原始信号为S0(n)，调整平移因子和伸缩因子将原始信号分解成一组正交基，即近似分量ai和细节分量di，如式(2)：

其中，ai+1、di+1分别为第i+1层近似和细节分量；p、q分别为低频和高频分解滤波器；m、k为平移伸缩因子，其中，近似分量ai代表原始信号的低频部分，包含着原始信号的主要信息；细节分量di则代表高频部分，包含着原始信号的噪声、尖峰等细节信息，

S_1.3:利用Mallat算法实现对原始信号的降噪，随着对原始信号分解层数的增加，对噪声的抑制程度越高，包含的原始信息越少。

3.根据权利要求1所述的一种基于WT-BAS-BPNN的碳交易价格预测方法，其特征在于，步骤S_1.4，天牛算法确定初始朝向，假设rnd(·)表示随机函数，则天牛个体在D维空间内的朝向为随机方向向量如式(3)；

对左右须位置坐标创建，设左右须的位置分别为Yr和Yl，质心与触角间的距离为l，则左右须之间关系和左右须位置坐标可表示为式(4)、式(5)；

Y_r-Y_l＝2l·d        式(4)

式(5)中，t为当前迭代次数；T为总迭代次数，Yt为天牛第t次迭代时的质心坐标；

S_1.5:设置步长因子；

天牛须的搜索范围通常由其步长因子ξ0决定，为扩大搜索区域，选取较大初始值，则步长因子ξ0设置如式(6)：

ξ_t+1＝etaξ_t      式(6)

式(6)中，eta为递减因子，取值为[0,1]；

S_1.6:计算适应度函数

适应度函数可以用来判断当前天牛须所在空间位置的适应度值，则左右须适应度函数fr、fl可表示为式(7)：

S_1.7:更新天牛位置

对左右须适应度值大小进行比较，当fr大于fl时，天牛向右移动；反之则向左移动，其位置更新公式如式(8)：

Y^t+1＝Y^t+ξ_t+1·d·sign(f_r-f_l)               式(8)

式(8)中，sign(·)为符号函数。

4.根据权利要求1所述的一种基于WT-BAS-BPNN的碳交易价格预测方法，其特征在于，

S_1.8:利用天牛须搜索算法对BP神经网络中权值和阈值进行优化；

S_1.9:对BP神经网络权值和阈值进行赋值；运用训练集训练网络，运用测试集测试网络，并输出结果。