基于动态模糊认知图的在线时间序列预测方法技术

本发明专利技术公开了一种基于动态模糊认知图的在线时间序列预测方法，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。本发明专利技术根据具体的情况调整聚类中心和参数,实现动态优化，使得模型能实时的捕捉到数据信息的变化，从而使预测更精准。

Online time series prediction method based on Dynamic Fuzzy Cognitive Map

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点，上述提及的这些传统的时间序列分析与建模方法已经不能完全满足实际应用需要。模糊认知图的建模过程对其决策和预测结果有很大的影响，在根据专家经验构建模型时存在着很大的主观因素，不同的专家可能会对模型有着不同的理解，可能构建的模型就会有所不同，具有一定的局限性。模糊认知图的构建是基于专家经验的，并且是尝试着进行改变的，存在一定的局限性。因此，对于时间序列这种数值型的数据进行建模的话，专家经验可能就做不到了，因为不同领域的不同数据的变化趋势和特征是很难人为的捕捉到的。
技术实现思路
本专利技术为了解决上述问题，提出了一种基于动态模糊认知图的在线时间序列预测方法，本专利技术能够根据当前时刻的数据对构建的模型进行动态优化，根据具体的情况调整聚类中心和参数，实现动态优化，使得模型能实时的捕捉到数据信息的变化，从而使预测更精准。为了实现上述目的，本专利技术采用如下技术方案：一种基于动态模糊认知图的在线时间序列预测方法，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。进一步的，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。进一步的，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。进一步的，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。进一步的，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。更进一步的，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。进一步的，根据模型的预测值与真实的目标值作比较，进而判断模型的性能，并且如果比较的误差值超过设定的模型性能，则进行新的聚类，或是改变一下聚类的位置，或调整下权重，使误差值尽可能的减小。更为具体的，根据求出的真实值与预测值的误差与设定的模糊认知图的性能作对比，动态调整模型，具体包括：(1)误差大于性能，且需要更新聚类中心值时，考虑加入一个新的聚类中心，这里的新加入的聚类中心为刚输入模型里的新数据；(2)误差小于性能，且不需要更新聚类中心值时，现阶段的模型满足所有条件，没有必要更新聚类或是权重；(3)误差小于性能，且需要更新聚类中心值时，用动态模糊C均值更新模型的聚类中心，调整下聚类中心的位置；(4)误差大于性能，且不需要更新聚类中心值时，进行更新。进一步的，在形成信息颗粒时，时间序列用连续时刻的幅度来描述，幅度的变化在二维幅度空间里进行描述，将时间序列转换为二维空间形式。进一步的，利用粒子群算法训练和优化模糊认知图模型。进一步的，训练模糊认知图的邻接矩阵时，首先给出邻接矩阵的权值区间，初始化邻接矩阵，然后定义粒子群位置向量的元素是模糊认知图的全体连接矩阵，用粒子群算法搜索最优位置。优化过程具体包括：(1)随机初始化粒子群中粒子的位置与速度，选定粒子数m，确定最大迭代次数，以及各个参数的初始值，在计算过程中动态优化参数；(2)把群体中粒子i的个体最优位置设置为当前位置pi，群体的全局最优位置pg设置为初始粒子群体中最佳粒子的位置，并根据适应度值最小来优选初始粒子群中的最佳粒子；(3)判断算法是否达到最大迭代次数，满足则转向执行步骤(6)，结束计算，得到优化后的模糊认知图的邻接矩阵；否则，执行步骤(4)；(4)对于粒子群中的所有粒子，更新粒子的速度和位置，如果粒子适应度优于pi相应的适应度pbest，则设置pi为新位置；如果粒子适应度优于pg相应的适应度gbest，pg则被设置为新位置；然后转向执行步骤(5)；(5)判断算法是否达到最大迭代次数，如果满足，转向执行步骤(6)，得到优化后的邻接矩阵；否则，转向执行步骤(4)，继续迭代寻优；(6)输出全局最优解，得到优化后的模糊认知图邻接矩阵，算法运行结束。基于本专利技术的时间序列预测方法具有广泛的应用领域,如可被应用于金融\市场趋势分析、经济市场运行、人类行为研究以及各类自然环境，如河流、温度、湿度参数的演变预测，或电力系统行业的功率、电价或用电量等参数的预测与变化研究的领域。与现有技术相比，本专利技术的有益效果为：本专利技术用数据聚类成模糊认知图的节点(概念)，然后对它进行参数学习，搭建好一个原始模型，然后根据当前时刻的数据对模型进行动态优化，根据具体的情况调整聚类中心和参数,实现动态优化，使得模型能实时的捕捉到数据信息的变化，从而使预测更精准。本专利技术通过聚类客观的找出其信息粒，而且其权重是根据pso动态学习得到的，它更能准确的表达节点(概念)本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：骆超，张楠楠，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：山东,37