【技术实现步骤摘要】
一种基于WT
‑
BAS
‑
BPNN的碳交易价格预测方法
[0001]本专利技术涉及碳交易
,具体为一种基于WT
‑
BAS
‑
BPNN的碳交易价格预测方法。
技术介绍
[0002]碳交易市场价格呈现非周期性变化,且存在尖峰较多、波动率集聚的特征;而对于碳交易价格波动预测多数集中于应用单一模型进行研究,存在局部最优解、模型收敛速度慢等问题。所以就需要一种基于WT
‑
BAS
‑
BPNN的碳交易价格预测方法。
[0003]
技术实现思路
[0004]本专利技术的目的在于提供一种基于WT
‑
BAS
‑
BPNN的碳交易价格预测方法;
[0005]本专利技术是这样实现的,本专利技术提供一种基于WT
‑
BAS
‑
BPNN的碳交易价格预测方法;具体按以下步骤执行;
[0006]S1:首先对碳交易价格数据进行降噪处理;利用天牛须搜索算法对BP神经网络进行优化;
[0007]S2:利用BAS
‑
BP神经网络算法建立碳交易价格预测模型;
[0008]S3:对经小波降噪后的数据进行训练测试,并利用模型性能评价指标;
[0009]S3:将测试结果与单一BP神经网络输出结果进行对比。
[0010]进一步,在步骤S1中,
[0011]S
1.1
:设g(t)∈L2 ...
【技术保护点】
【技术特征摘要】
1.一种基于WT
‑
BAS
‑
BPNN的碳交易价格预测方法,其特征在于,具体按以下步骤执行;S1:首先对碳交易价格数据进行降噪处理;利用天牛须搜索算法对BP神经网络进行优化;S2:利用BAS
‑
BP神经网络算法建立碳交易价格预测模型;S3:对经小波降噪后的数据进行训练测试,并利用模型性能评价指标;S4:将测试结果与单一BP神经网络输出结果进行对比。2.根据权利要求1所述的一种基于WT
‑
BAS
‑
BPNN的碳交易价格预测方法,其特征在于,在步骤S1中,S
1.1
:设g(t)∈L2(R),g(t)是一个满足容许性条件的平方可积函数,可称其为一个基本小波函数,如式(1):S
1.2
:通过利用Mallat算法实现对原始信号的分解,假设原始信号为S0(n),调整平移因子和伸缩因子将原始信号分解成一组正交基,即近似分量ai和细节分量di,如式(2):其中,ai+1、di+1分别为第i+1层近似和细节分量;p、q分别为低频和高频分解滤波器;m、k为平移伸缩因子,其中,近似分量ai代表原始信号的低频部分,包含着原始信号的主要信息;细节分量di则代表高频部分,包含着原始信号的噪声、尖峰等细节信息,S
1.3
:利用Mallat算法实现对原始信号的降噪,随着对原始信号分解层数的增加,对噪声的抑制程度越高,包含的原始信息越少。3.根据权利要求1所述的一种基于WT
‑
BAS
‑
BPNN的碳交易价格预测方法,其特征在于,步骤S
1.4
,天牛算法确定初始朝向,假设rnd(
·
)表示随机函数,则天牛个体在D维空间内的朝向为随机方向向量如式(3);对左右须位置坐标创建,设左右须的位置分别为Yr和Yl,质心与触角间的距离为l,则左右须之间关系和左右须位置坐标可表示为式(4)、式(5);Y
r
‑
Y
l
=2l
·
d
ꢀꢀꢀꢀꢀꢀꢀꢀ
式(4)式(5)中,t为当前迭代次数;T为总迭代次数,Yt为天牛第t次迭代时的质心坐标;S
1.5...
【专利技术属性】
技术研发人员:王庆华,朱彦恺,高丹,房方,刘吉臻,
申请(专利权)人:华北电力大学,
类型:发明
国别省市:
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。