基于改进粒子群算法的数据预测方法及装置制造方法及图纸

本发明专利技术涉及一种基于改进粒子群算法的数据预测方法及装置，基于改进的粒子群算法，按照预设的优化参数对所述神经网络模型的权重值进行优化，改进的粒子群算法增加了全局次优粒子、局部次优粒子及随机邻居第T代最优粒子的影响，增大了粒子的搜索范围，可以有效提高权重值的优化效率和准确率；基于所述优化后的权重值，更新神经网络模型并利用训练数据集对所述更新后的神经网络模型进行训练，得到预测准确性更高的神经网络模型，通过获取目标时间段的第一数据影响因素信息，将所述第一数据影响因素信息输入所述训练好的神经网络模型，得到准确的第一数据预测值。到准确的第一数据预测值。到准确的第一数据预测值。

【技术实现步骤摘要】
基于改进粒子群算法的数据预测方法及装置


[0001]本专利技术涉及人工智能领域，尤其是涉及一种基于改进粒子群算法的数据预测方法及装置。

技术介绍

[0002]基于历史数据构建神经网络模型进行分析和预测，从而对未来的数据进行预测是一种常见的数据处理手段，在深度学习中，神经网络模型的权重初始化对模型的收敛速度和性能有着至关重要的影响。
[0003]现有的神经网络模型在采用粒子群算法对神经网络模型进行初始化时，由于粒子群算法在搜索到一定程度后便停止不再进行搜索，此时，容易陷入局部最优，收敛精度较低，并且，粒子群算法在后期越接近最优位置时，其收敛速度越慢，影响神经网络模型预测数据的效率和准确率。

技术实现思路

[0004]本申请实施例提供了一种基于改进粒子群算法的数据预测方法及装置，能够提高数据预测的精度和效率。所述技术方案如下：
[0005]第一方面，本申请实施例提供了一种基于改进粒子群算法的数据预测方法，应用于预先生成的用于预测第一数据的神经网络模型上，包括以下步骤：
[0006]获取所述神经网络模型的权重值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进粒子群算法的数据预测方法，其特征在于，应用于预先生成的用于预测第一数据的神经网络模型上，包括以下步骤：获取所述神经网络模型的权重值；基于改进的粒子群算法，按照预设的优化参数对所述神经网络模型的权重值进行优化，获取优化后的权重值；其中，所述改进的粒子群算法根据全局最优位置、全局次优位置、局部最优位置、局部次优位置和随机第T代最优位置更新粒子的速度和位置；0≤T≤x，x为当前代；获取训练数据集；其中，所述训练数据集包括预设时间段内的第一数据影响因素信息和第一数据；基于所述优化后的权重值，更新所述神经网络模型并利用所述训练数据集对所述更新后的神经网络模型进行训练；获取目标时间段的第一数据影响因素信息，将所述第一数据影响因素信息输入所述训练好的神经网络模型，获取第一数据预测值。2.根据权利要求1所述的基于改进粒子群算法的数据预测方法，其特征在于，所述预设的优化参数包括适应度函数；所述基于改进的粒子群算法，对所述神经网络模型的权重值进行优化的步骤包括：以所述神经网络模型的权重值作为粒子初始位置；按照预设的适应度函数，获取每个粒子初始位置的适应度值，记录每个粒子的最优适应度值时的粒子位置作为局部最优位置，记录每个粒子的次优适应值时的粒子位置作为局部次优位置，记录粒子群中所有粒子中的最优适应度值时的粒子位置作为全局最优位置，记录粒子群中所有粒子中的次优适应度值时的粒子位置作为全局次优位置；按照以下方式，更新粒子的速度：其中，为粒子i第k次迭代的第d维速度，c1为第一加速度常数，r1为第一随机函数，pbest
id
为粒子i第d维的局部最优位置，为粒子i第k
‑
1次迭代的第d维的位置，c2为第二加速度常数，2为第二随机函数，gbest
id
为粒子i第d维的全局最优位置，c3为第三加速度常数，3为第三随机函数，spbest
id
为粒子i第d维的局部次优位置，c4为第四加速度常数，4为第四随机函数，sgbest
id
为粒子i第d维的全局次优位置，c5为第五加速度常数，5为第五随机函数，tpbest
id
为粒子i第d维的随机第T代最优位置，0≤T≤x，x为当前代；按照以下方式，更新粒子的位置：其中，为粒子i第k次迭代的第d维的位置，为粒子i第k
...

【专利技术属性】
技术研发人员：梁军，杜美新，余松森，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：