基于复值树突神经模型的时间序列预测方法和系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115775017A(43)申请公布日2023.03.10(21)申请号202211477084.9(22)申请日2022.11.23(71)申请人苏州大学地址215000江苏省苏州市吴中区石湖西路188号(72)发明人黄鹤王悦琳王志东(74)专利代理机构苏州市中南伟业知识产权代理事务所(普通合伙)32257专利代理师陈华红子(51)Int.Cl.G06N3/049(2023.01)G06N3/048(2023.01)G06N3/08(2023.01)G06Q40/06(2012.01)权利要求书6页说明书17页附图6页(54)发明名称基于复值树突神经模型的时间序列预测方法和系统(57)摘要本发明涉及神经网络技术领域，公开一种基于复值树突神经模型的时间序列预测方法和系统，方法包括获取原始数据进行复值化处理得到训练集，构建复值树突神经模型；使用所述训练集训练所述复值树突神经模型得到训练完成的复值树突神经模型，训练时采用方差缩减的循环结构优化训练过程、采用定量递增的策略改变随机批次数；将待测数据输入训练完成的复值树突神经模型得到预测结果；系统包括数据获取模块、建模模块、训练模块和预测模块。本发明可以加快收敛速度、提高精确性，适用于大型数据集。CN115775017ACN115775017A权利要求书1/6页1.一种基于复值树突神经模型的时间序列预测方法，其特征在于，包括：S1：获取原始数据进行复值化处理得到训练集，构建复值树突神经模型；S2：使用所述训练集训练所述复值树突神经模型得到训练完成的复值树突神经模型，训练时采用方差缩减的循环结构优化训练过程、采用定量递增的策略改变随机批次数；S3：将待测数据输入训练完成的复值树突神经模型得到预测结果。2.根据权利要求1所述的基于复值树突神经模型的时间序列预测方法，其特征在于：所述获取原始数据进行复值化处理得到训练集，具体为：在一段连续时间内取N个数据，建立时间序列{xn|n＝1,…,N}，其中N是时间序列的总长度，xn是第n个数据；将每p个连续数据作为模型输入，得到N‑p个模型输入为I＝{X1,X2,…,Xi,…,XN‑p}，其中Xi是模型输入的第i个样本，共有N‑p个样本为：将所述模型输入I作为训练集。3.根据权利要求1所述的基于复值树突神经模型的时间序列预测方法，其特征在于：所述训练时采用方差缩减的循环结构优化训练过程、采用定量递增的策略改变随机批次数，具体为：S2‑1：初始化模型参数ωij和θij得到初始外循环参数ωij和θij分别是需要学习的连接权重和阈值；设定学习率α，最大内循环次数T，最大外循环次数K，其中S2‑2：构建外循环：令表示第k次外循环的参数；根据ωij的全样本平均梯度表示式和θij的全样本平均梯度表示式计算当前迭代时刻全样本的平均梯度值S2‑3：构建内循环：根据现有的外循环次数递增样本数S，在确定S后进行样本随机采样，此时取到的样本集为Γ；计算方差缩减后的梯度t表示第t次内循环，表示在第k次外循环内进行第t次内循环时的参数，表示内循环参数在随机样本集Γ上的平均梯度，表示外循环参数在随机样本集Γ上的平均梯度；S2‑4：计算前后两次迭代时参数的变化量sc与前后两次迭代时梯度的变化量yc：当前后两次迭代在同一外循环时，有以及当前后两次迭代在2CN115775017A权利要求书2/6页不同外循环时，有以及Γ‑1表示用于上一次迭代更新的随机采样的样本集，c表示参数更新次数；S2‑5：计算在第k次外循环内进行第t次内循环时的搜索方向S2‑6：更新S2‑7：如果内循环次数t+1＜T，则令t＝t+1，继续内循环；如果t+1＝T，结束内循环，并令外循环参数k＝k+1，重新开始外循环，直至k达到最大外循环次数K；S2‑8：当所有的内循环和外循环都结束后，将此时的作为模型的最佳参数。4.根据权利要求3所述的基于复值树突神经模型的时间序列预测方法，其特征在于：所述ωij的全样本平均梯度表示式和θij的全样本平均梯度表示式的计算方法为：S2‑2‑1：构建单神经元复值树突神经模型后向传播的表示式；S2‑2‑2：根据所述单神经元复值树突神经模型后向传播的表示式，构建ωij的单个样本的复梯度表示和θij的单个样本的复梯度表示S2‑2‑3：将整体N个样本梯度加和求平均得到ωij的全样本平均梯度表示式和θij的全样本平均梯度表示式5.根据权利要求4所述的基于复值树突神经模型的时间序列预测方法，其特征在于：所述构建单神经元复值树突神经模型后向传播的表示式，具体为：S2‑2‑1‑1：根据欧几里德范数计算模型输出层的单样本误差为：en＝On‑TSn；其中，Ln表示单样本为n时、模型输出的单样本误差，en表示单样本为n时、单样本输出值与目标值的