【技术实现步骤摘要】
基于复值树突神经模型的时间序列预测方法和系统
[0001]本专利技术涉及神经网络
,尤其是指一种基于复值树突神经模型的时间序列预测方法和系统。
技术介绍
[0002]股票价格指数预测由于其广泛的金融应用范围而成为研究热点。股票价格指数是一个动态序列,同时伴随着高波动性、非线性和非平稳性,因此预测股票和股价指数并不容易。此外,股市还受到很多宏观经济因素的影响,包括总体经济形势、政治事件、机构投资者和个人投资者的选择和预期、商业公司的政策以及不同投资者的心理等因素,这些因素对股价的确切影响仍然未知,但确实使得金融数据更加难以预测。然而考虑到股市交易体量大这一特点,即便股票价格指数预测的准确性只是略有提高,也可能使投资者受益。因此,如果对从过往的股价中获得的信息进行有效的预处理并应用适当的算法,则可以预测股票价格指数的趋势。
[0003]现有的股票指数预测模型主要有统计模型和基于人工神经网络的模型。统计模型可以根据历史数据和信息,跟踪股票指数序列来进行预测。然而,统计模型很难近似不规则和非线性金融时间序列,因为统计模型过于固定,无法适应不断变化的动态股票数据,所以采用这些传统模型得到的预测结果通常并不精确。而人工神经网络相较于统计模型的优势在于它们对嘈杂和错误数据更具鲁棒性。其中,一种新出现的具有独特模型架构和激励函数的树突神经模型,可以有效捕捉到股票数据细微、连续的变化来提高股票指数序列的预测精度。树突神经模型已被应用于解决各种时间序列预测问题,包括风速预测和医学诊断等问题。树突神经模型与大多数其他人工神经 ...
【技术保护点】
【技术特征摘要】
1.一种基于复值树突神经模型的时间序列预测方法,其特征在于,包括:S1:获取原始数据进行复值化处理得到训练集,构建复值树突神经模型;S2:使用所述训练集训练所述复值树突神经模型得到训练完成的复值树突神经模型,训练时采用方差缩减的循环结构优化训练过程、采用定量递增的策略改变随机批次数;S3:将待测数据输入训练完成的复值树突神经模型得到预测结果。2.根据权利要求1所述的基于复值树突神经模型的时间序列预测方法,其特征在于:所述获取原始数据进行复值化处理得到训练集,具体为:在一段连续时间内取N个数据,建立时间序列{x
n
|n=1,
…
,N},其中N是时间序列的总长度,x
n
是第n个数据;将每p个连续数据作为模型输入,得到N
‑
p个模型输入为I={X1,X2,
…
,X
i
,
…
,X
N
‑
p
},其中X
i
是模型输入的第i个样本,共有N
‑
p个样本为:将所述模型输入I作为训练集。3.根据权利要求1所述的基于复值树突神经模型的时间序列预测方法,其特征在于:所述训练时采用方差缩减的循环结构优化训练过程、采用定量递增的策略改变随机批次数,具体为:S2
‑
1:初始化模型参数ω
ij
和θ
ij
得到初始外循环参数ω
ij
和θ
ij
分别是需要学习的连接权重和阈值;设定学习率α,最大内循环次数T,最大外循环次数K,其中S2
‑
2:构建外循环:令表示第k次外循环的参数;根据ω
ij
的全样本平均梯度表示式和θ
ij
的全样本平均梯度表示式计算当前迭代时刻全样本的平均梯度值S2
‑
3:构建内循环:根据现有的外循环次数递增样本数S,在确定S后进行样本随机采样,此时取到的样本集为Γ;计算方差缩减后的梯度t表示第t次内循环,表示在第k次外循环内进行第t次内循环时的参数,表示内循环参数在随机样本集Γ上的平均梯度,表示外循环参数在随机样本集Γ上的平均梯度;S2
‑
4:计算前后两次迭代时参数的变化量s
c
与前后两次迭代时梯度的变化量y
c
:当前后两次迭代在同一外循环时,有以及当前后两次迭代在
不同外循环时,有以及Γ
‑
1表示用于上一次迭代更新的随机采样的样本集,c表示参数更新次数;S2
‑
5:计算在第k次外循环内进行第t次内循环时的搜索方向S2
‑
6:更新S2
‑
7:如果内循环次数t+1<T,则令t=t+1,继续内循环;如果t+1=T,结束内循环,并令外循环参数k=k+1,重新开始外循环,直至k达到最大外循环次数K;S2
‑
8:当所有的内循环和外循环都结束后,将此时的作为模型的最佳参数。4.根据权利要求3所述的基于复值树突神经模型的时间序列预测方法,其特征在于:所述ω
ij
的全样本平均梯度表示式和θ
ij
的全样本平均梯度表示式的计算方法为:S2
‑2‑
1:构建单神经元复值树突神经模型后向传播的表示式;S2
‑2‑
2:根据所述单神经元复值树突神经模型后向传播的表示式,构建ω
ij
的单个样本的复梯度表示和θ
ij
的单个样本的复梯度表示S2
‑2‑
3:将整体N个样本梯度加和求平均得到ω
ij
的全样本平均梯度表示式和θ
ij
的全样本平均梯度表示式5.根据权利要求4所述的基于复值树突神经模型的时间序列预测方法,其特征在于:所述构建单神经元复值树突神经模型后向传播的表示式,具体为:S2
‑2‑1‑
1:根据欧几里德范数计算模型输出层的单样本误差为:e
n
=O
n
‑
TS
n
;其中,L
n
表示单样本为n时、模型输出的单样本误差,e
n
表示单样本为n时、单样本输出值与目标值的差距,表示e
n
的共轭值,TS
n
表示单样本为n时、该样本的目标值,O
n
表示单样本为n时、该样本的输出值;n∈{1,2,...,N
‑
p}表示所取的单样本序列数,N是时间序列的总长度,p是单个样本的输入维数;S...
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。