整合移动平均自回归-反向传播神经网络预测方法技术

本发明专利技术涉及一种整合移动平均自回归-反向传播神经网络预测方法，该方法提出“两步建模”的原理，将预测模型内部细化为“基模型”与“修正模型”，选用ARIMA模型对数据进行初始预测，BP模型对误差进行二次修正，通过“二次建模”弱化误差波动，达到精准预测的目的。该方法实现了对各类数据的准确拟合，能灵活处理具有短期波动特点的数据预测问题，扩展了预测领域的应用范围，与传统的预测方法相比，大幅度提升了预测准确度，为能源领域决策制定者提供了可供参考的方法。参考的方法。参考的方法。

【技术实现步骤摘要】
整合移动平均自回归-反向传播神经网络预测方法


[0001]本专利技术涉及一种整合移动平均自回归-反向传播神经网络预测方法，属于时间序列预测与机器学习领域，是根据历史变动规律对数据进行分析和处理，找出模型中的移动平均数、周期成分，建立误差修正函数，从而实现对未来的预测。

技术介绍

[0002]随着全球一体化进程的不断加快，数据的结构和类型正在变得越来越复杂。为了更有效的挖掘出众多数据当中所蕴含的信息，全球掀起了研究和分析数据的高潮，其中，预测技术作为认识和学习事物内在规律的重要手段，成为了理论研究的热点。大数据时代对预测模型的准确性提出了更高的要求，随着对预测方法研究的不断深入，人们发现机器学习的技术能够适用于更加广阔的数据源，对于处理规模大、维度高、结构复杂和变化快的数据有着较好的效果。此外，组合预测模型已成为当今预测领域的主流技术，相较于传统的单一模型，组合预测模型能够将不同的模型进行组合以充分发挥各模型的优点，建立更好的预测性能。常用的模型组合方式有两种，一种是通过赋权法对预测结果进行组合；另一种是单一模型之间通过衔接步骤进行组合。针对上述信息，如何利用机器学习技术和组合建模思想提升预测效果并建立性能完善的模型框架，使模型可以从数据中挖掘到更多有用的信息，在大数据时代显得尤为重要。基于此，本专利技术创新性地提出了“误差修正+二次建模”的组合思想，并利用该思想将时间序列模型与机器学习技术相结合，一方面保留了时间序列预测有效性，另一方面发挥了神经网络模型的误差修正功效，实现了组合预测的高效性。

技术实现思路
<br/>[0003]本专利技术的目的在于构建一个兼具预测与修正功能的新型ARIMA-BP预测方法。该方法的创新点在于提出“两步建模”的原理，将预测模型内部细化为“基模型”与“修正模型”。该方法是选用了ARIMA模型作为基模型，BP模型作为修正模型，将其在预测环节上进行内部结合，通过“二次建模”弱化误差波动，达到精准预测的目的。其中，ARIMA方法不直接考虑其他相关随机变量的变化，只用变量自身的历史时间数据对时间序列自身进行预测。BP神经网络模型是将输出结果与实际结果进行对比，通过反馈相应的误差项对设置的权值进行不断调整和修正，以获得最小的误差和最优的结果。
[0004]根据本专利技术一学习方法，提供了一种整合移动平均自回归-反向传播神经网络预测方法(简称：ARIMA-BP)，含有以下步骤：
[0005](一)对原始数据序列进行预处理，使之呈现出平稳化，并把处理好的数据序列代入到ARIMA模型中，运行并得出初步预测结果；
[0006](二)将真实值与初步预测结果相减，得出误差序列；
[0007](三)利用反向传播神经网络模型(BP)对误差序列进行二次预测处理，得到修正后的新误差序列；
[0008](四)将新误差与初始预测值相结合，计算得出最终预测值。
[0009]在根据本专利技术的学习方法中，步骤(一)中，采用ARIMA方法预测的具体步骤为：
[0010](1)检查原始数据序列的稳定性，利用差分工具将非平稳序列变平稳；一阶差分可以消除线性趋势，二阶差分可以消除二次曲线趋势，差分阶数对应于ARIMA(p，d，q)模型中“d”的数值，序列变平稳的标准是：如果数据序列的统计量明显小于三个置信度标准下的(1％或5％或10％)临界统计量，则该序列被认为是平稳的；
[0011](2)对已平稳的数据序列建立AR模型；AR模型是描述当前值与历史值关系的模型，是一种利用变量本身的历史数据来预测未来的方法，方程如下：
[0012][0013]其中，y
t
代表当前值；μ代表常数项；p代表阶数；γ
i
代表自回归系数；∈
t
代表误差项(3)对已平稳的数据序列建立MA模型；MA模型注重误差项的积累，能有效地消除预测中的随机波动，公式如下：
[0014][0015]其中，θ
i
是自回归系数
[0016](4)建立组合自回归AR模型和移动平均MA模型，得出修正后的误差序列具体公式如下：
[0017][0018]其中，p和q分别是自回归模型和移动平均模型的阶数。
[0019]在根据本专利技术的学习方法中，步骤(二)中，将真实值与预测值相减的具体步骤为：
[0020]其中，为MNGM模型预测值，x
(0)
(k)为真实值，y(k)为误差序列。
[0021]在根据本专利技术的学习方法中，步骤(三)所提到的人工神经网络模型由一个输入层、多个隐藏层和一个输出层组成。在进行预测之前，应根据情况对网络进行良好的训练：通过信号的前向传播实现输入到输出的非线性拟合，以及误差的后向传播实现权值矩阵的校正，因此，采用反向传播神经网络模型(BP)对误差序列y(k)进行二次预测处理的具体步骤为：
[0022](1)建立神经网络模型，完成训练过程；具体表示为：它以原始序列y(k)为输入，预测序列为输出。其中输入层与隐藏层之间的传递函数为sigmoid函数：
[0023][0024](2)确定输入层和输出层的节点数量；节点数可以由公式：来确定，其中K代表样本数量；n
i
代表隐含层节点的数量；n代表输入层节点的数量；
[0025](3)训练模型，利用误差的反向传播实现权值矩阵的修正；具体表示为：误差从输出层传播回来，当它传播到隐藏层时，误差函数可以表示为以下方程，随着误差函数向输入层发展，各层之间的权值矩阵都得到了修正：
[0026][0027]其中，E
p
代表误差，d
k
代表预期输出，o
k
代表实际输出。
[0028](4)根据下述公式调整权值矩阵和阈值矩阵：
[0029][0030][0031](5)计算误差对权系数的偏导数，求出最优值并达到了实际输出与预期输出一致的目的，进而直接用于预测，得出修正后的误差序列
[0032]在根据本专利技术的学习方法中，步骤(四)中，将新误差与初始预测值相结合的具体步骤为：
[0033][0034]其中，为ARIMA-BP模型最终的预测值，x
(0)
(k)为真实值，为经过BP模型修正过的新误差序列。
附图说明
[0035]附图1为本专利技术学习方法中基模型与修正模型的衔接过程图。
[0036]附图2为本专利技术学习方法中ARIMA-BP模型的运行步骤图。
[0037]附图3为本专利技术学习方法中模型预测精度图。
[0038]附图4为本专利技术学习方法和已有学习方法在预测精度上的比较示意图。
具体实施方式
[0039]以下结合附图对本专利技术实施例作进一步说明。
[0040]实施例：以中国、美国、印度、南非的能源消费量为例进行说明。该ARIMA-BP模型含有以下步骤：
[0041]步骤一：数据预处理，通过单位根检验和差分使序列满足ARIMA模型建模的条件；
[0042]步骤二：将处理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.整合移动平均自回归-反向传播神经网络预测方法(简称：ARIMA-BP)，其特征在于：含有以下步骤：(一)对原始数据序列进行预处理，使之呈现出平稳化，并把处理好的数据序列代入到ARIMA模型中，运行并得出初步预测结果；(二)将真实值与初步预测结果相减，得出误差序列；(三)利用反向传播神经网络模型(BP)对误差序列进行二次预测处理，得到修正后的新误差序列；(四)将新误差与初始预测值相结合，计算得出最终预测值。2.根据权利要求1所述的整合移动平均自回归-反向传播神经网络预测方法，其特征在于：步骤(一)中，采用ARIMA方法预测的具体步骤为：(1)检查原始数据序列的稳定性，利用差分工具将非平稳序列变平稳；一阶差分可以消除线性趋势，二阶差分可以消除二次曲线趋势，差分阶数对应于ARIMA(p，d，q)模型中“d”的数值，序列变平稳的标准是：如果数据序列的统计量明显小于三个置信度标准下的(1％或5％或10％)临界统计量，则该序列被认为是平稳的；(2)对已平稳的数据序列建立AR模型；AR模型是描述当前值与历史值关系的模型，是一种利用变量本身的历史数据来预测未来的方法，方程如下：其中，y
t
代表当前值；μ代表常数项；p代表阶数；γ
i
代表自回归系数；∈
t
代表误差项(3)对已平稳的数据序列建立MA模型；MA模型注重误差项的积累，能有效地消除预测中的随机波动，公式如下：其中，θ
i
是自回归系数(4)建立组合自回归AR模型和移动平均MA模型，得出修正后的误差序列具体公式如下：其中，p和q分别是自回归模型和移动平均模型的阶数。3.根据权利要求1所述的整合移动平均自回归-反向传播神经网络预测方法，其特征在于：步骤(二)中，将真实值与预测值相减的具体步骤为：其中，为ARIMA模型预测...

【专利技术属性】
技术研发人员：王强，李淑宇，李荣荣，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：