一种基于WT-BAS-BPNN的碳交易价格预测方法技术

本发明专利技术涉及碳交易技术领域，包括一种基于WT

【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(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)：
[0012][0013]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)：
[0014][0015]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，由此可利用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。
[0016]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。
[0017]进一步，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)；
[0018][0019]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)；
[0020]Y
r
‑
Y
l
＝2l
·
d
ꢀꢀ
式(4)
[0021][0022]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；
[0023]S
1.5
:设置步长因子；
[0024]天牛须的搜索范围通常由其步长因子ξ0决定，为扩大搜索区域，选取较大初始值，则步长因子ξ0设置如式(6)：
[0025]ξ
t+1
＝etaξ
t
ꢀꢀ
式(6)
[0026]式(6)中，eta为递减因子，取值为[0,1]；
[0027]S
1.6
:计算适应度函数
[0028]适应度函数可以用来判断当前天牛须所在空间位置的适应度值，则左右须适应度函数fr、fl可表示为式(7)：
[0029][0030]S
1.7
:更新天牛位置
[0031]对左右须适应度值大小进行比较，当fr大于fl时，天牛向右移动；反之则向左移动，其位置更新公式如式(8)：
[0032]Y
t+1
＝Y
t
+ξ
t+1
·
d
·
sign(f
r
‑
f
l
)
ꢀꢀ
式(8)
[0033]式(8)中，sign(
·
)为符号函数。
[0034]S
1.8
:利用天牛须搜索算法对BP神经网络中权值和阈值进行优化；各模型初始化参数设置为：天牛须搜索算法初始朝向随机向量维度n＝70，初始步长step＝10，步长变化率eta＝0.8，迭代次数T1＝100，左右须初始距离d0＝1。单隐含层BP神经网络输入层节点n1＝7，输出层节点n2＝1，隐含层节点数根据经验函数:n3＝2
×
n1+1可确定为n3＝15，激励函数为双曲正切Sigmoid函数，学习概率I＝0.01，训练目标g＝0.001，迭代次数T2＝1000。
[0035]引入误差评价指标平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)和误差平方和(SSE)以及模型运行时间(t)，其中，MAE、MAPE、SSE的定义如式(9)
‑
式(11)：
[0036][0037][0038][0039]式中，n为样本个数，φ(j)表示第j个样本点对应原始值，φ'(j)表示为第j个样本点对应的预测值。RMSE、R越小则效果越好，SNR越大则精确度越高。
[0040]S
1.9
:对BP神经网络权值和阈值进行赋值；运用训练集训练网络，运用测试集测试网络，并输出结果。
[0041]进一步，本专利技术提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被主控制器执行时实现如上述中任一项所述的方法。
[0042]与现有技术相比，本专利技术的有益效果是：
[0043]1、提出基于小波变换的降噪模型，对碳交易价格数据进行降噪处理；其次利用天牛须搜索算法对BP神经网络进行优化，建立碳交易价格预测模型；最后以北京市碳交易市场为例进行仿真实验，并将其预测效果与BP神经网络的预测效果进行对比。以期能为国家更好地探究碳交易价格变化规律，调节管控碳市场价格提供一定理论支持和数据支撑，助力全国碳交易市场建设。
[0044]2、利用小波变换对碳交易价格历史数据的降噪模型进行研究，发现当小波基函数为db6，分解层数M＝1时降噪效果最好。因此，碳交易价格虽然呈现非周期性且多尖峰特征，但包含的干扰信息较少，其价格呈现小范围内。国家应针对碳交易价格的波动特征，针对性对市场进行管控，积极引导碳交易市场规范平稳发展。利用BAS
‑
BP神经网络算法建立的碳交本文档来自技高网...

【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：