[发明专利]一种基于WT-BAS-BPNN的碳交易价格预测方法

说明书

本发明涉及碳交易技术领域，包括一种基于WT‑BAS‑BPNN的碳交易价格预测方法；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；利用BAS‑BP神经网络算法建立碳交易价格预测模型；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；将测试结果与单一BP神经网络输出结果进行对比。本发明利用BAS‑BP神经网络算法建立的碳交易价格预测模型相较于单一BP神经网络对于碳交易价格预测具有较好的精确性与有效性，对经降噪后的数据预测误差百分比基本可控制在3％以内，可以为全国碳交易价格波动研究提供理论参考。

技术领域

本发明涉及碳交易技术领域，具体为一种基于WT-BAS-BPNN的碳交易价格预测方法。

背景技术

碳交易市场价格呈现非周期性变化，且存在尖峰较多、波动率集聚的特征；而对于碳交易价格波动预测多数集中于应用单一模型进行研究，存在局部最优解、模型收敛速度慢等问题。所以就需要一种基于WT-BAS-BPNN的碳交易价格预测方法。

发明内容

本发明的目的在于提供一种基于WT-BAS-BPNN的碳交易价格预测方法；

本发明是这样实现的，本发明提供一种基于WT-BAS-BPNN的碳交易价格预测方法；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；

S₃:将测试结果与单一BP神经网络输出结果进行对比。

进一步，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，由此可利用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。

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。

进一步，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；