数据预测方法、装置及计算机可读介质制造方法及图纸

本发明专利技术实施例的方法中提出了一种数据预测方法，该方法首先通过训练集进行张量回归训练后计算出输出权重张量的最优解，然后采集数据集，并对所述数据集进行归一化处理后生成时间序列数据样本；对时间序列数据样本进行多次构造与处理得到区间三型模糊集，从而可根据由训练集得到的输出权重张量以及区间三型模糊集的隐藏层输出张量，计算出数据预测结果。本发明专利技术的数据预测方法在处理高维数据时具有更好的泛化能力、稳定性和抗干扰能力，提高了数据预测的效率和整体性能。据预测的效率和整体性能。据预测的效率和整体性能。

【技术实现步骤摘要】
数据预测方法、装置及计算机可读介质


[0001]本专利技术涉及数据处理
，尤其涉及一种数据预测方法、装置及计算机可读介质。

技术介绍

[0002]由于对复杂、高维、大规模的数据具有较好的处理能力，区间三型模糊集在数据预测方法中的使用也愈发广泛，但现有的数据预测方法都是基于矩阵层面的，而矩阵空间属于低维空间。因此在矩阵层面进行数据预测无法有效利用区间三型模糊集的天然优势，甚至可能会影响在处理高维数据时的泛化能力、稳定性和抗干扰能力，从而数据预测的整体性能。

技术实现思路

[0003]有鉴于此，本专利技术实施例提供了一种数据预测方法。该方法包括：
[0004]S1、采集数据集并对所述数据集进行归一化处理后生成时间序列数据样本；
[0005]S2、基于所述时间序列数据样本构造区间三型模糊集的上隶属函数和下隶属函数；
[0006]S3、根据所述上隶属函数和下隶属函数构造区间二型模糊集；
[0007]S4、以所述区间二型模糊集作为二型次隶属函数，并基于上隶属函数和下隶属函数构造区间三型模糊本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据预测方法，其特征在于，所述方法包括：S1、采集数据集并对所述数据集进行归一化处理后生成时间序列数据样本；S2、基于所述时间序列数据样本构造区间三型模糊集的上隶属函数和下隶属函数；S3、根据所述上隶属函数和下隶属函数构造区间二型模糊集；S4、以所述区间二型模糊集作为二型次隶属函数，并基于上隶属函数和下隶属函数构造区间三型模糊集；S5、根据输出权重张量以及基于区间三型模糊集得出的隐藏层输出张量，计算出预测结果。2.根据权利要求1所述的数据预测方法，其特征在于，所述S1具体包括：将数据集表示为其中，输入序列x
t
＝(x
1i
,x
2i
,...,x
Ni
)，输出序列y＝[y1,y2,...,y
N
]
T
，N为样本数；将数据集的每个数据映射到0
‑
1内得出时间序列数据样本，归一化公式如下：x
i
为每行样本中的任一数据，x
max
为每行样本中的最大值，x
min
为每行样本中的最小值。3.根据权利要求2所述的数据预测方法，其特征在于，所述S2具体包括：根据时间序列数据样本构建上隶属函数以及下隶属函数其中，t＝x
i
‑
m
i
，m
i
为均值，为上隶属函数的标准差，σ
i
为下隶属函数的标准差。4.根据权利要求3所述的数据预测方法，其特征在于，所述S3具体包括：以上隶属函数和下隶属函数作为算子，通过光滑三角模和光滑三角余模构造一组光滑模糊组合，表示为：模糊组合，表示为：其中，和分别对应于通过光滑三角余模和光滑三角模构造的隶属函数；基于光滑模糊三角余模和光滑模糊三角模构造区间二型模糊集：其中，α是不确定度调整参数且α＞0。5.根据权利要求4所述的数据预测方法，其特征在于，所述S4具体包括：定义随机生成的输入权重和随机生成的偏置τ
il
，其中，i＝1,2,...,I，l＝1,2；通过所述上隶属函数、二型次隶属函数和下隶属函数构造如下三个数组：
其中，和Ψ
:,:,:,3
分别是区间三型模糊集的上隶属函数，二型次隶属函数和下隶属函数的张量化结果，和Ψ
:,:,:,3
的维度均为N
×2×
I，I，和Ψ
:,:,:,3
均为三阶张量并...

【专利技术属性】
技术研发人员：李捷，赵国亮，黄沙日娜，
申请(专利权)人：内蒙古大学，
类型：发明
国别省市：