System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于数据挖掘,具体涉及一种基于梯度增强模糊规则模型的数据预测方法及系统。
技术介绍
1、模糊模型在分析和解决实际问题中起着重要的作用,特别是takagi-sugeno提出基于规则的建模方法后,发展了一种新的研究方法。基于模糊规则的模型被许多研究者用来预测空间中的变量。与传统的线性预测模型相比,它可以处理非线性数据。通过模糊规则模型的结构识别和参数估计,调整输入变量和输出变量之间的关系,提高模型的精度。
2、现有方法中,大多采用模糊聚类算法分析数据特征,即通过构造信息颗粒将空间划分为若干模糊子空间,并在每个模糊子空间中建立局部线性模型,然后以加权形式对局部线性模型进行聚合,形成非线性全局模糊模型。
3、现有的模糊聚类算法,直接将各部分子空间的模型通过加权输出作为系统的预测值,预测精度有待提升。
技术实现思路
1、为了解决现有技术中所存在的上述问题,本专利技术提供了一种基于梯度增强模糊规则模型的数据预测方法及系统。
2、本专利技术要解决的技术问题通过以下技术方案实现:
3、第一方面,本专利技术提供了一种基于梯度增强模糊规则模型的数据预测方法,包括:获取特定区域的待预测设备的电力参数信息;
4、将所述电力参数信息输入预训练的梯度增强模糊规则模型,得到特定区域待预测设备的电力能源消耗数据;其中,所述预训练的梯度增强模糊规则模型是通过多个弱学习器累加得到的,所述多个弱学习器的训练集合电力数据集是由预训练电力数据集和前一个弱
5、可选地,所述将所述电力参数信息输入预训练的梯度增强模糊规则模型,得到特定区域待预测设备的电力能源消耗数据,包括:
6、根据所述预训练的梯度增强模糊规则模型中的多个弱学习器,对应得到多个弱学习预测值;
7、将所述多个弱学习预测值进行求和,得到所述特定区域待预测设备的电力能源消耗数据。
8、可选地,电力参数信息包括:
9、待预测设备的湿度、所处温度、材料、设备类型以及设备所处空间中的至少一个。
10、可选地,预训练的梯度增强模糊规则模型的训练过程,包括:
11、a、获取当前迭代次α的当前弱学习器的当前训练集合电力数据集;α为整数,为预设迭代次数;
12、b、通过所述当前训练集合电力数据集对当前迭代次α的当前弱学习器进行训练,得到当前迭代次α的预测数据;
13、c、将所述当前迭代次α+1,加1之后作为当前迭代次,且b中得到的当前迭代次α的预测数据作为当前训练集合电力数据集;
14、d、循环执行步骤a-c,直到达到预设迭代次数或预设精度。
15、可选地,当前弱学习器中包括φ个弱子学习器,每个弱学习器的训练过程包括:
16、a、获取当前弱子学习器的当前预训练电力数据集;所述当前预训练电力数据集包括:当前预训练电力参数信息和当前预训练电力消耗信息;
17、b、通过所述当前预训练电力数据集和模糊算法fcm中的目标函数q,得到当前弱子学习器的数据原型和当前弱子学习器的隶属度矩阵;
18、c、通过所述隶属度矩阵、所述数据原型以及t-s规则得到当前弱子学习器的输出;
19、d、将所述当前弱子学习器的输出与所述当前预训练电力消耗信息做差,得到训练差分数据,
20、e、将所述当前弱子学习器的编号加1,加1之后作为当前弱子学习器的编号,且d中得到的训练差分数据作为当前预训练电力消耗信息;
21、f、循环执行步骤a-e直到第φ个弱子学习器。
22、可选地,通过所述当前预训练电力数据集和模糊算法fcm中的目标函数q,得到当前弱子学习器的数据原型和当前弱子学习器的隶属度矩阵,包括:
23、目标函数q表示为:
24、当前预训练电力数据集d={(x1,y1),(x2,y2),…,(xn,yn)};k=1,2,…,n;k表示第k个样本,n表示样本总数,c表示生成的模糊规则模型数量,xk表示当前电力参数训练信息,yk表示当前电力训练消耗信息;隶属度矩阵uik表示数据xk到第i个原型的隶属程度;0≤uik≤1;
25、对所述公式(1)采用拉格朗日乘子进行优化,得到优化后的目标函数qλ,
26、
27、根据所述目标函数qλ,计算得到数据原型vi和隶属度矩阵uik;
28、
29、
30、其中,m表示模糊系数,j表示原型个数,vj表示第j个原型。
31、第二方面,本专利技术提供了一种基于梯度增强模糊规则模型的数据预测装置,包括:获取单元和处理单元;
32、所述获取单元,用于获取特定区域的待预测设备的电力参数信息;
33、所述处理单元,用于将所述电力参数信息输入预训练的梯度增强模糊规则模型,得到特定区域待预测设备的电力能源消耗数据;其中,所述预训练的梯度增强模糊规则模型是通过多个弱学习器累加得到的,所述多个弱学习器的训练集合电力数据集是由预训练电力数据集和前一个弱学习器的输出得到的;将多个所述弱学习器的预测结果进行累加,得到所述待预测设备的电力能源消耗数据;所述弱学习器为模糊规则模型。
34、可选地,所述处理单元,具体用于根据所述预训练的梯度增强模糊规则模型中的多个弱学习器,对应得到多个弱学习预测值;
35、将所述多个弱学习预测值进行求和,得到所述特定区域待预测设备的电力能源消耗数据。
36、第三方面,本专利技术实施例提供一种基于梯度增强模糊规则模型的数据预测系统,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当所述装置运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如上述第一方面所述方法的步骤。
37、第四方面,本专利技术实施例提供一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时以执行如上述第一方面所述方法的步骤。
38、本专利技术提供了一种基于梯度增强模糊规则模型的数据预测方法及系统。其中,基于梯度增强模糊规则模型的数据预测方法包括:获取特定区域的待预测设备的电力参数信息;将电力参数信息输入预训练的梯度增强模糊规则模型,得到特定区域待预测设备的电力能源消耗数据;其中,预训练的梯度增强模糊规则模型是通过多个弱学习器累加得到的,多个弱学习器的训练集合电力数据集是由预训练电力数据集和前一个弱学习器的输出得到的;将多个弱学习器的预测结果进行累加,得到待预测设备的电力能源消耗数据;弱学习器为模糊规则模型。通过将多个弱学习器进行叠加,并利用之前弱学习器的输出不断修正训练集合电力数据集以得到预训练的梯度增强模糊规则模型,使得经预训练的梯度增强模糊规则模型预测的数据可以尽可能逼近实际值,提高了电力本文档来自技高网...
【技术保护点】
1.一种基于梯度增强模糊规则模型的数据预测方法,其特征在于,包括:
2.根据权利要求1所述的基于梯度增强模糊规则模型的数据预测方法,其特征在于,所述将所述电力参数信息输入预训练的梯度增强模糊规则模型,得到特定区域待预测设备的电力能源消耗数据,包括:
3.根据权利要求1所述的基于梯度增强模糊规则模型的数据预测方法,其特征在于,所述电力参数信息包括:
4.根据权利要求1所述的基于梯度增强模糊规则模型的数据预测方法,其特征在于,所述预训练的梯度增强模糊规则模型的训练过程,包括:
5.根据权利要求4所述的基于梯度增强模糊规则模型的数据预测方法,其特征在于,所述当前弱学习器中包括Φ个弱子学习器,每个弱学习器的训练过程包括:
6.根据权利要求5所述的基于梯度增强模糊规则模型的数据预测方法,其特征在于,所述通过所述当前预训练电力数据集和模糊算法FCM中的目标函数Q,得到当前弱子学习器的数据原型和当前弱子学习器的隶属度矩阵,包括:
7.一种基于梯度增强模糊规则模型的数据预测装置,其特征在于,包括:获取单元和处理单元;
...【技术特征摘要】
1.一种基于梯度增强模糊规则模型的数据预测方法,其特征在于,包括:
2.根据权利要求1所述的基于梯度增强模糊规则模型的数据预测方法,其特征在于,所述将所述电力参数信息输入预训练的梯度增强模糊规则模型,得到特定区域待预测设备的电力能源消耗数据,包括:
3.根据权利要求1所述的基于梯度增强模糊规则模型的数据预测方法,其特征在于,所述电力参数信息包括:
4.根据权利要求1所述的基于梯度增强模糊规则模型的数据预测方法,其特征在于,所述预训练的梯度增强模糊规则模型的训练过程,包括:
5.根据权利要求4所述的基于梯度增强模糊规则模型的数据预测方法,其特征在于,所述当前弱学习器中包括φ个弱子学习器,每个弱学习器的训练过程包括:
6.根据权利要求5所述的基于梯度增强模糊规则模型的数据预测方法,其特征在于,...
【专利技术属性】
技术研发人员:聂朋,于强,李垚垚,袁细国,
申请(专利权)人:西安电子科技大学杭州研究院,
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。