The invention discloses an online time series prediction method based on dynamic fuzzy cognitive map, which forms information particles, maps time series to the activation level of information particles, forms nodes of fuzzy cognitive map, optimizes information particles at the parameter level of fuzzy cognitive map, and determines the weights among nodes of fuzzy cognitive map. The fuzzy cognitive map is dynamically adjusted according to the data coming in at the current moment, and the time series prediction is carried out by using the dynamically adjusted fuzzy cognitive map. The method adjusts the clustering center and parameters according to the specific situation, realizes dynamic optimization, enables the model to capture the changes of data information in real time, thereby making the prediction more accurate.
【技术实现步骤摘要】
基于动态模糊认知图的在线时间序列预测方法
本专利技术涉及一种基于动态模糊认知图的在线时间序列预测方法。
技术介绍
为了有效地分析、预测和控制大规模、不确定的动态系统,人们迫切需要研究如何从大量、动态、混杂且含有多种不确定性的数据中发现其中的特征,克服目前针对大数据建模的难题。数据分析与处理技术必须能应对具有模糊和随机不确定性的动态数据和信息,并且可以把所发现的内在特征和模式表示为易于处理、可用自然语言解释的、更接近于实际的模型。其中模糊认知图就具有语言描述、数值推理、模糊信息的表达等特点,使其成为建立在系统的原始数据和系统模型之间的一个重要部分。时间序列的预测是一个多年来吸引研究者注意的重要课题,针对数据的复杂性,模糊认知图(FCMS)就是其中一个可以有效应用于预测时间序列的重要模型。模糊认知图(FCMS)是一种软计算方法,它通过模拟模糊推理,并利用整个图各节点(概念)的相互作用来模拟系统动态行为,具有一定的先进性,但是其以符号、概念构成的,而且是抽象的不仅是简单数字的计算。为了开发这些构造的基础,需要在抽象层次上进行,而构造本身旨在捕获抽象实体之间的基本依赖关系。时间序列的分析与建模一直作为一个被广泛研究的经典的问题,早期的许多研究者利用线性系统理论、随机过程理论、模糊集理论等去分析和建模时间序列,获得了许多经典的时间序列模型,如:AR、MR和ARIMA模型、支持向量机(SVM)模型等。这些模型目前已经发展的非常成熟并且在不同的领域得到了有效的应用,取得了良好的效果。然而在当今数据时代背景下,时间序列呈现出数据的高维性、数据的海量性、数据结构的复杂性等特 ...
【技术保护点】
1.一种基于动态模糊认知图的在线时间序列预测方法,其特征是:包括以下步骤:形成信息颗粒,将时间序列映射到信息颗粒的激活水平上,形成模糊认知图的节点;优化模糊认知图参数水平上的信息颗粒,确定模糊认知图的节点之间的权重;根据当前时刻进来的数据动态调整模糊认知图,利用动态调整后的模糊认知图进行时间序列预测的预测。
【技术特征摘要】
1.一种基于动态模糊认知图的在线时间序列预测方法,其特征是:包括以下步骤:形成信息颗粒,将时间序列映射到信息颗粒的激活水平上,形成模糊认知图的节点;优化模糊认知图参数水平上的信息颗粒,确定模糊认知图的节点之间的权重;根据当前时刻进来的数据动态调整模糊认知图,利用动态调整后的模糊认知图进行时间序列预测的预测。2.如权利要求1所述的一种基于动态模糊认知图的在线时间序列预测方法,其特征是:模糊认知图由节点和节点之间的定位连接组成,节点代表概念,描述问题或过程,节点之间的定位连接的有向边代表概念之间的关系,边的集合是由权重矩阵表示。3.如权利要求1所述的一种基于动态模糊认知图的在线时间序列预测方法,其特征是:权重wij代表的是第j个节点对移动到第i个节点的连接的强度,并用它来表示节点之间的关联水平:当wij>0时,表示随着节点j的状态值增加,节点的i状态值也增加,当wij<0时,表示随着节点j的状态值增加,节点i的状态值将减少,当wij=0时,表示节点j与节点i之间无任何的关联关系。4.如权利要求1所述的一种基于动态模糊认知图的在线时间序列预测方法,其特征是:利用动态模糊C均值聚类,实现信息粒的形成或构建,每个聚类由其聚类中心表示,且都有一个基数用来记录每个数据分配给该聚类的隶属度的总和。5.如权利要求4所述的一种基于动态模糊认知图的在线时间序列预测方法,其特征是:模糊认知图模型构建过程如下:(1)输入现有的标量时间序列数据,选择合适的聚类数目c;(2)对标量时间序列做处理,转化成二维空间里幅度与幅度变化的形式;(3)使用模糊C聚类,聚类成c个聚类原型,即c个聚类中心,并求出这些数据到c个聚类中心的隶属度;(4)随机初始化权重矩阵;(5)通过最小化误差值来调整权重矩阵,模型初步完成;(6)根据新进入模型的数据动态调整模型,边进入边调整,实现动态优化。6.如权利要求4所述的一种基于动态模糊认知图的在线时间序列预测方法,其特征是:当有新输入的数据时,将新输入进去的数据隶属度加到各个聚类的基数中,直到数据对模型的影响超过设定值,如果超过设定值,更新聚类中心的值。7.如权利要求1所述的一种基于动态模糊认知图的在线时间序列预测方法,其特征是:根据模型...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。