一种基于FEEMD分解时间序列的数据预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110598170A(43)申请公布日2019.12.20(21)申请号201910722929.8(22)申请日2019.08.06(71)申请人天津大学地址300072天津市南开区卫津路92号(72)发明人孔祥玉郭家良李闯邓泽强田龙飞屈璐瑶胡天宇(74)专利代理机构天津市北洋有限责任专利代理事务所12201代理人张金亭(51)Int.Cl.G06F17/14(2006.01)G06N3/08(2006.01)G06Q10/04(2012.01)G06Q50/06(2012.01)权利要求书2页说明书8页附图1页(54)发明名称一种基于FEEMD分解时间序列的数据预测方法(57)摘要本发明公开了一种基于FEEMD分解时间序列的数据预测方法，建立ELM预测模型，并融合杜鹃搜索算法对ELM预测模型进行优化；采用FEEMD算法将历史数据时间序列分解为本征模函数分量和残差分量；采用变分模态分解方法对本征模函数分量和残差分量中的实数值信号进行分解；将变分模态分解得出的结果作为ELM预测模型的输入，来求取本征模函数分量和残差分量的预测值；叠加本征模函数分量和残差分量的预测值得到最终的预测值。本发明采用杜鹃搜索算法对ELM预测模型进行优化，实现了快速准确的数据预测。CN110598170ACN110598170A权利要求书1/2页1.一种基于FEEMD分解时间序列的数据预测方法，其特征在于，该方法包括：建立ELM预测模型，并融合杜鹃搜索算法对ELM预测模型进行优化；采用FEEMD算法将历史数据时间序列分解为本征模函数分量和残差分量；采用变分模态分解方法对本征模函数分量和残差分量中的实数值信号进行分解；将变分模态分解得出的结果作为ELM预测模型的输入，来求取本征模函数分量和残差分量的预测值；叠加本征模函数分量和残差分量的预测值得到最终的预测值。2.根据权利要求1所述的基于FEEMD分解时间序列的数据预测方法，其特征在于，融合杜鹃搜索算法对ELM预测模型进行优化的方法包括：采用杜鹃搜索算法，将ELM预测模型的隐层节点数作为鸟巢位置；输入样本数据，设定隐层阈值，产生一组ELM预测模型的输入权值矩阵和输出权值矩阵，并计算样本数据预测误差作为当前鸟巢位置的适应度值；每次迭代搜索结束后，储存最优鸟巢位置及其对应的输入权值矩阵和输出权值矩阵；当满足迭代终止条件时，比较鸟巢位置所对应的适应度值，得到ELM预测模型的最优隐层节点数及其所对应的输入权值矩阵和输出权值矩阵。3.根据权利要求2所述的基于FEEMD分解时间序列的数据预测方法，其特征在于，采用杜鹃搜索算法，得到ELM预测模型的最优隐层节点数及其所对应的输入权值矩阵和输出权值矩阵的具体步骤包括：步骤1-1，样本数据归一化处理；步骤1-2，初始化杜鹃搜索算法的个体和参数：设置发现概率，产生N个鸟巢初始位置，向上取整后作为ELM预测模型的隐层节点数的N个不同的取值，输入样本数据并计算样本数据的均方根误差作为其所对应的适应度值，设置最大迭代次数；步骤1-3，选取上一代最优鸟巢位置，根据Levy飞行机制搜索鸟巢位置并取整后作为ELM预测模型的新隐层节点数，将新隐层节点数代入ELM预测模型，计算所对应的适应度值，并跟上一代最优适应度值比较，如果更优则更新鸟巢位置，否则保留上一代最优鸟巢位置；步骤1-4，将产生随机数和发现概率比较，若随机数＜发现概率，则随机选择鸟巢位置，并更新替换鸟巢中最差的位置；否则不做改变；步骤1-5，若满足迭代次数，停止搜寻；否则返回步骤1-3；步骤1-6，选取适应度值最小的那个鸟巢位置作为ELM的最优隐层节点数，并输出所对应的输入权值矩阵及输出权值矩阵。4.根据权利要求1所述的基于FEEMD分解时间序列的数据预测方法，其特征在于，采用FEEMD算法将历史数据时间序列分解为本征模函数分量和残差分量的方法包括如下步骤：步骤2-1，在原始历史数据时间序列中加入随机白噪声；步骤2-2，采用FEEMD算法将加入随机白噪声的历史数据时间序列分解成本征模函数分量和一个从高频到低频范围内残差分量；步骤2-3，改变白噪声的幅度，重复步骤1-1至步骤1-2，直到达到设定的时间或次数；步骤2-4，将加入不同幅度的随机白噪声后分解得到的本征模函数分量和残差分量求平均值作为最终分解结果。5.根据权利要求1所述的基于FEEMD分解时间序列的数据预测方法，其特征在于，采用变分模态分解方法对本征模函数分量和残差分量中的实数值信号进行分解的方法包括：将已知的实数值信号分解转换成一系列具有特定系数特性的模式，对于每个模式，采用希尔2CN110598170A权利要求书2/2页伯特变换计算分析单侧频谱信号；将混合指数调谐至各自的估计中心频率，使模式频