基于直觉模糊认知图的时间序列预测方法技术

本发明专利技术公开了一种基于直觉模糊认知图的时间序列预测方法，构建基于直觉模糊认知图的时间序列预测模型，通过模糊C聚类求得当前时刻的时间序列映射到各个聚类中心的隶属度，根据隶属度求出犹豫度和非隶属度，得到模型的各个节点，根据粒子群算法进行参数学习，得到学习后的权重矩阵和权重犹豫度，根据当前时刻的隶属度计算出其犹豫度，根据隶属度、非隶属度和犹豫度对下一时刻的时间序列进行推理，得到预测结果，具有准确性高的优点。

【技术实现步骤摘要】
基于直觉模糊认知图的时间序列预测方法
本专利技术涉及一种基于直觉模糊认知图的时间序列预测方法。
技术介绍
模糊认知图(FCMS)是一种软计算方法，是模糊逻辑和神经网络结合的产物。模糊认知图是知识的图解表示，由节点(概念)和有向边组成，节点可以是概念、实体等，有向边表示概念或是实体间的因果关系，在结构上可以看作是面向对象的单层带反馈的神经网络，它支持专家先验知识及因果关系的表示与推理，知识就蕴含在概念节点及概念节点间的关系中。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的。模糊认知图(FCMS)是简单但功能强大的工具，常用于基于特定领域的知识和经验对动态系统进行建模和仿真，其组成部分包括具有因果相关的概念，并且可以通过模糊逻辑表示不确定和非精确的知识。与传统的模糊方法相比，它们具有许多优势，对于时间序列可以更快速的把模型得到的结果与真实值进行比较，查看模型的性能。近十年来，模糊逻辑被考虑用于认知地图的扩展，使它们能够应对不确定的信息。在模糊认知图(FCM)模型中，其节点之间关系的强度由模糊化权重矩阵来表示。对于模糊认知图(FCM)的因果关系，已经提出了各种推理方法。由于模糊认知图(FCM)的简单性和有效性，使其越来越流行，可应用于故障检测、医疗诊断、管理决策、社会现象分析、电路分析、地理信息系统、股票分析、棋类对弈、控制系统等其它领域的复杂问题的建模。模糊认知图(FCMS)作为一种重要的模型，和认知地图，自动机，模糊自动机在结构和功能上存在明显差异，但是它们都以符号、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，而构造本身是在获取抽象实体之间的基本依赖关系。等同其它知识表示方法一样,模型也存在知识的获取问题。在大多数实际应用中，系统的FCM往往是依靠领域专家的知识和经验建立的,由于专家的主观性、局限性以及问题的复杂性，可能造成所建立的系统与现实有较大的差距，甚至难以实现。目前的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。用于决策的模糊认知图是经过专家分析在这个领域哪些因素比较重要得到的，特定决策的预测结果对于决策者做决定是有很大价值的，是一种行之有效的决策方法。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，提出了一种基于直觉模糊认知图的时间序列预测方法，本专利技术利用模糊C均值聚类找到模型的节点，根据PSO进行参数学习，参数学习是对权重矩阵和权重犹豫度的学习，根据当前时刻的隶属度计算出其犹豫度，根据隶属度、非隶属度和犹豫度对下一时刻的时间序列进行推理,能够保证预测结果的正确性。为了实现上述目的，本专利技术采用如下技术方案：一种基于直觉模糊认知图的时间序列预测方法，包括以下步骤：构建直觉模糊认知图，通过模糊C聚类求得当前时刻的时间序列映射到各个聚类中心的隶属度，根据隶属度求出犹豫度和非隶属度，得到模型的各个节点，根据粒子群算法进行参数学习，得到学习后的权重矩阵和权重犹豫度，根据当前时刻的隶属度计算出其犹豫度，根据隶属度、非隶属度和犹豫度对下一时刻的时间序列进行推理，得到预测结果。作为进一步的限定，构建基于直觉模糊认知图的时间序列预测模型的具体过程包括：输入现有的标量时间序列数据，选择合适的聚类数目，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，使用模糊C聚类，聚类成c个聚类原型即聚类中心，并求出这些数据到c个聚类中心的隶属度，根据隶属度求出犹豫度和非隶属度，随机初始化权重犹豫度矩阵，通过最小化误差值来调整权重矩阵。作为进一步的限定，时间序列用连续时刻的幅度来描述，利用二维幅度空间里描绘幅度的变化。作为进一步的限定，模糊C均值通过最小化目标函数形成C个信息粒，其表示数据与聚类中心之间的加权距离之和，利用迭代最小化性能指标得到隶属度矩阵。作为进一步的限定，犹豫度根据当前求出的隶属度来求，首先通过模糊C聚类求得当前时刻的时间序列映射到C个聚类的隶属度，取出C个聚类中两个隶属度最大的，对它们对应的聚类代表当前时刻的时间序列有犹豫，其他的认为犹豫度为0。作为进一步的限定，犹豫度和隶属度存在一定的互联关系，如果隶属度大于设定值，认为当前时刻的时间序列的真实值更接近对应的聚类，其犹豫度就相对较小，如果隶属度小于预设值，认为当前时刻的时间序列的真实值接近聚类的概率相对较小，对于这个结果的犹豫度相对较大。作为进一步的限定，犹豫度的具体计算过程为通过费米公式或高斯函数激活隶属度，满足隶属大得到的犹豫度小的原则，加入与隶属度的值有关的干扰。作为进一步的限定，粒子群的动态惯性权重值采用线性递减权值策略，随着算法迭代的进行而线性减小惯性权重值，兼顾全局搜索和局部搜索的平衡。作为进一步的限定，粒子群算法训练直觉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直觉模糊认知图的全体连接矩阵，用粒子群算法搜索最优位置，输出全局最优解，得到优化后的直觉模糊认知图邻接矩阵。一种基于直觉模糊认知图的时间序列预测系统，运行于处理器或存储器上，被配置为执行以下指令：构建基于直觉模糊认知图的时间序列预测模型，通过模糊C聚类求得当前时刻的时间序列映射到各个聚类中心的隶属度，根据隶属度求出犹豫度和非隶属度，得到模型的各个节点，根据粒子群算法进行参数学习，得到学习后的权重矩阵和权重犹豫度，根据当前时刻的隶属度计算出其犹豫度，根据隶属度、非隶属度和犹豫度对下一时刻的时间序列进行推理，得到预测结果。与现有技术相比，本专利技术的有益效果为：本专利技术在推理过程中引入犹豫度，考虑了时间序列中的一些不确定因素，提高了模型预测的准确性，同时，与以往的直觉模糊认知图不同的地方在于其犹豫度、隶属度和非隶属度不由专家确定。通过与隶属度之间存在的特定关系计算得出犹豫度，然后建立直觉模糊认知(IFCM)模型，用于对时间序列的预测，并且获得的结果明显优于使用常规FCM模型获得的结果。本专利技术对于时间序列做了一定的处理，把一维的时间序列转化成二维的，并将其在振幅和振幅变化的二维空间中进行表示，把这些具体的数值进行聚类，构成信息粒，然后在信息粒度上进行的时间序列的预测。根据历史数据构建直觉模糊认知图，在整个的建模过程中是把数据分成了训练集和测试集，使用训练集把模型训练好，找出它的聚类中心，并且迭代寻找到一个最优的权重矩阵，然后构建直觉模糊认知图，根据这个建好的模型进行时间序列的预测，具有较好的预测效果。附图说明构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。图1是本专利技术的四个节点的模糊认知图的简单模型；图2是本专利技术的四个节点的的IFCM-I；图3是本专利技术的四个节点的的IFCM-II；图4(a)-(d)是本专利技术的Sunspotdata序列的表示；图5(a)、(b)是本专利技术的Sunspotdata性能指标和最小误差变化图；图6是本专利技术的IFCM-II权重矩阵；图7(a)-(d)是本专利技术的Sunspotdata四种模糊认知图得到的误本文档来自技高网...

【技术保护点】
1.一种基于直觉模糊认知图的时间序列预测方法，其特征是：包括以下步骤：构建直觉模糊认知图，通过模糊C聚类求得当前时刻的时间序列映射到各个聚类中心的隶属度，根据隶属度求出犹豫度和非隶属度，得到模型的各个节点，根据粒子群算法进行参数学习，得到学习后的权重矩阵和权重犹豫度，根据当前时刻的隶属度计算出其犹豫度，根据隶属度、非隶属度和犹豫度对下一时刻的时间序列进行推理，得到预测结果。

【技术特征摘要】
1.一种基于直觉模糊认知图的时间序列预测方法，其特征是：包括以下步骤：构建直觉模糊认知图，通过模糊C聚类求得当前时刻的时间序列映射到各个聚类中心的隶属度，根据隶属度求出犹豫度和非隶属度，得到模型的各个节点，根据粒子群算法进行参数学习，得到学习后的权重矩阵和权重犹豫度，根据当前时刻的隶属度计算出其犹豫度，根据隶属度、非隶属度和犹豫度对下一时刻的时间序列进行推理，得到预测结果。2.如权利要求1所述的一种基于直觉模糊认知图的时间序列预测方法，其特征是：构建基于直觉模糊认知图的时间序列预测模型的具体过程包括：输入现有的标量时间序列数据，选择合适的聚类数目，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，使用模糊C聚类，聚类成c个聚类原型即聚类中心，并求出这些数据到c个聚类中心的隶属度，根据隶属度求出犹豫度和非隶属度，随机初始化权重犹豫度矩阵，通过最小化误差值来调整权重矩阵。3.如权利要求1所述的一种基于直觉模糊认知图的时间序列预测方法，其特征是：时间序列用连续时刻的幅度来描述，利用二维幅度空间里描绘幅度的变化。4.如权利要求1所述的一种基于直觉模糊认知图的时间序列预测方法，其特征是：模糊C均值通过最小化目标函数形成C个信息粒，其表示数据与聚类中心之间的加权距离之和，利用迭代最小化性能指标得到隶属度矩阵。5.如权利要求1所述的一种基于直觉模糊认知图的时间序列预测方法，其特征是：犹豫度根据当前求出的隶属度来求，首先通过模糊C聚类求得当前时刻的时间序列映射到C个聚类的隶属度，取出C个聚类中两个隶属度最大的，对它们对应的聚类代表当前时刻的时间序列有犹豫，其他的认为犹豫度为0。6.如权...

【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