一种数量预测方法、系统、设备及介质技术方案

本申请公开了一种数量预测方法、系统、设备及介质，方法包括：初始化改进径向基函数神经网络参数，参数至少包括隐含层中心向量、基宽向量、网络权值、学习因子、动量因子以及卡尔曼滤波算法中的噪声对应的协方差矩阵；将原始数据输入至改进径向基函数神经网络中，以得到第一输出值；将第一输出值进行卡尔曼滤波处理，以得到第一修正值；将第一修正值输入至改进镜像基函数神经网络中，通过梯度下降法进行迭代，直至改进镜像基函数神经网络误差收敛，以得到原始数据对应的预测值。通过增加动量因子、学习因子，实现对网络结构参数的自行选定；采用卡尔曼滤波器对整个模型输出进行滤波，消除数据中外部扰动对模型预测结果的影响。除数据中外部扰动对模型预测结果的影响。除数据中外部扰动对模型预测结果的影响。

【技术实现步骤摘要】
一种数量预测方法、系统、设备及介质


[0001]本申请涉及数据分析领域，具体涉及一种数量预测方法、系统、设备及介质。

技术介绍

[0002]针对数量预测的方法有很多，其主要思路为分析挖掘历史数据间的关系和规律，从而对未来某一时间段的数量进行预测，主要的方法可以大致分为两类：基于时间序列的数据量预测模型以及基于神经网络的数据量预测方法。
[0003]基于时间序列的数据量预测模型，其具有代表性方法是自回归整合滑动平均模型(ARIMA)，该模型通过分析数量伴随时间变化的规律从而进行未来数量预测，其在时间跨度相对较大的时间段进行数量预测表现较好，但是ARIMA模型事先都是假定数据之间是线性关系，如果数据间存在非线性关系时，该模型的性能就会下降。
[0004]基于神经网络的数据量预测模型，其代表性方法主要是人工神经网络，可以较好地挖掘数据间存在的非线性关系，但是模型的准确度不高。

技术实现思路

[0005]为了解决上述问题，本申请提出了一种数量预测方法、系统、设备及介质，包括：
[0006]初始化改进径向基函数神经网络参数，所述参数至少包括隐含层中心向量、基宽向量、网络权值、学习因子、动量因子以及卡尔曼滤波算法中的噪声对应的协方差矩阵；将原始数据输入至所述改进径向基函数神经网络中，以得到第一输出值；将所述第一输出值进行卡尔曼滤波处理，以得到第一修正值；将所述第一修正值输入至所述改进镜像基函数神经网络中，通过梯度下降法进行迭代，直至所述改进镜像基函数神经网络误差收敛，以得到所述原始数据对应的预测值。
[0007]在一个示例中，所述初始化改进径向基函数神经网络参数之前，所述方法还包括：构造原始径向基函数神经网络；所述原始径向基函数神经网络包括输入层、隐含层及输出层；在所述原始径向基函数神经网络中加入所述学习因子以及所述动量因子，以得到所述改进径向基函数神经网络。
[0008]在一个示例中，所述在所述原始径向基函数神经网络中加入所述学习因子以及所述动量因子之后，所述改进径向基函数神经网络的模型训练公式为：其中，x(k)为节点k在经过原始径向基函数神经网络输入层的输出；Δx(k)为输出变化值，α为动量因子，η为学习因子；E(k)为节点k的误差函数。
[0009]在一个示例中，所述误差函数可通过如下公式进行计算：E(k)＝0.5*[y(k)
‑
y
m
(k)]2；其中，y(k)表示神经网络输出层节点k的时间输出，y
m
(k)表示神经网络输出层节点k的期望输出；所述期望输出可通过如下公式进行计算：其中，w
j
(k)表示h
j
到y
m
之间的链接权重，h
j
(x)为隐含层的第j个节点的输出；所述隐含层的
第j个节点的输出可通过如下公式进行计算：其中，C
j
表示隐含层第j个节点的中心矢量，‖
·
‖表示欧式范数，b
j
表示隐含层第j个节点的基宽向量，X＝[x1,x2,x3,...,x
n
]T
，为输入向量。
[0010]在一个示例中，所述得到所述改进径向基函数神经网络之后，所述方法还包括：向所述改进径向基函数神经网络中增加卡尔曼滤波器；所述卡尔曼滤波器主要分为时间更新过程及预测更新过程。
[0011]在一个示例中，所述时间更新过程可通过如下公式进行计算：在一个示例中，所述时间更新过程可通过如下公式进行计算：所述预测更新过程可通过如下公式进行计算：公式进行计算：P
k|k
＝(I
‑
K
k
H
k
)
k|k
‑1；其中，F为状态转移矩阵，B
k
为模型参数矩阵，表示状态预估值，为状态预估值，P
k|
、P
k|
‑1表示协方差矩阵，K
k
表示卡尔曼增益，R
k
，Q
k
表示噪声对应的协方差矩阵，H
k
表示观测矩阵。
[0012]在一个示例中，所述构造原始径向基函数神经网络之后，所述方法还包括：
[0013]选取高斯函数作为所述隐含层激励函数。
[0014]本申请还提供了一种数量预测系统，所述系统包括：初始化参数模块，初始化改进径向基函数神经网络参数，所述参数至少包括隐含层中心向量、基宽向量、网络权值、学习因子、动量因子以及卡尔曼滤波算法中的噪声对应的协方差矩阵；输入模块，将原始数据输入至所述改进径向基函数神经网络中，以得到第一输出值；滤波处理模块，将所述第一输出值进行卡尔曼滤波处理，以得到第一修正值；迭代模块，将所述第一修正值输入至所述改进镜像基函数神经网络中，通过梯度下降法进行迭代，直至所述改进镜像基函数神经网络误差收敛，以得到所述原始数据对应的预测值。
[0015]本申请还提供了一种数量预测设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行：初始化改进径向基函数神经网络参数，所述参数至少包括隐含层中心向量、基宽向量、网络权值、学习因子、动量因子以及卡尔曼滤波算法中的噪声对应的协方差矩阵；将原始数据输入至所述改进径向基函数神经网络中，以得到第一输出值；将所述第一输出值进行卡尔曼滤波处理，以得到第一修正值；将所述第一修正值输入至所述改进镜像基函数神经网络中，通过梯度下降法进行迭代，直至所述改进镜像基函数神经网络误差收敛，以得到所述原始数据对应的预测值。
[0016]本申请还提供了一种非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：初始化改进径向基函数神经网络参数，所述参数至少包括隐含层中心向量、基宽向量、网络权值、学习因子、动量因子以及卡尔曼滤波算法中的噪声对应的协方差矩阵；将原始数据输入至所述改进径向基函数神经网络中，以得到第一输出值；将所述第一输出值进行卡尔曼滤波处理，以得到第一修正值；将所述第一修正值
输入至所述改进镜像基函数神经网络中，通过梯度下降法进行迭代，直至所述改进镜像基函数神经网络误差收敛，以得到所述原始数据对应的预测值。
[0017]通过本申请提出的方法能够带来如下有益效果：通过在原始径向基函数神经网络结构增加动量因子、学习因子，实现对网络结构参数的自行选定；采用卡尔曼滤波器对整个模型输出进行滤波，消除数据中外部扰动对模型预测结果的影响。
附图说明
[0018]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，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。在附图中：
[0019]图1为本申请实施例中一种数量预测方法的流程示意图；
[0020]图2为本申请实施例中一种数量预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数量预测方法，其特征在于，包括：初始化改进径向基函数神经网络参数，所述参数至少包括隐含层中心向量、基宽向量、网络权值、学习因子、动量因子以及卡尔曼滤波算法中的噪声对应的协方差矩阵；将原始数据输入至所述改进径向基函数神经网络中，以得到第一输出值；将所述第一输出值进行卡尔曼滤波处理，以得到第一修正值；将所述第一修正值输入至所述改进镜像基函数神经网络中，通过梯度下降法进行迭代，直至所述改进镜像基函数神经网络误差收敛，以得到所述原始数据对应的预测值。2.根据权利要求1所述的方法，其特征在于，所述初始化改进径向基函数神经网络参数之前，所述方法还包括：构造原始径向基函数神经网络；所述原始径向基函数神经网络包括输入层、隐含层及输出层；在所述原始径向基函数神经网络中加入所述学习因子以及所述动量因子，以得到所述改进径向基函数神经网络。3.根据权利要求2所述的方法，其特征在于，所述在所述原始径向基函数神经网络中加入所述学习因子以及所述动量因子之后，所述改进径向基函数神经网络的模型训练公式为：x(k)＝x(
‑
1)+Δx()其中，x(k)为节点k在经过原始径向基函数神经网络输入层的输出；Δx(k)为输出变化值，α为动量因子，η为学习因子；E(k)为节点k的误差函数。4.根据权利要求3所述的方法，其特征在于，所述误差函数可通过如下公式进行计算：E(k)＝0.5*[y(k)
‑
y
m
(k)]2其中，y(k)表示神经网络输出层节点k的时间输出，y
m
(k)表示神经网络输出层节点k的期望输出；所述期望输出可通过如下公式进行计算：其中，w
j
(k)表示h
j
到y
m
之间的链接权重，h
j
(k)为隐含层的第j个节点的输出；所述隐含层的第j个节点的输出可通过如下公式进行计算：其中，C
j
表示隐含层第j个节点的中心矢量，‖
·
‖表示欧式范数，b
j
表示隐含层第j个节点的基宽向量，X＝[x1,x2,x3,...,x
n
]
T
，为输入向量。5.根据权利要求3所述的方法，其特征在于，所述得到所述改进径向基函数神经网络之后，所述方法还包括：向所述改进径向基函数神经网络中增加卡尔曼滤波器；
所述卡尔曼滤波器主要分为时间更新过程及预测更新过程。6.根据权利要求5所述的方法，其特征在于，所述时间更新过程可通过如下公式进行计算：算：所述预测更新过程可通过如下公式进行计算：所述预测更新过程可通过如下公式进行计算：P
...

【专利技术属性】
技术研发人员：谷兴龙，李佳，商广勇，肖雪，
申请(专利权)人：浪潮云洲山东工业互联网有限公司，
类型：发明
国别省市：