[发明专利]一种基于灰狼优化回声状态网络的时序预测方法

说明书

技术领域

本发明涉及时间序列研究与分析领域，尤其涉及一种基于灰狼优化回声状态网络的时序预测方法。

背景技术

时间序列作为按照时间排序的一组随机变量，广泛地存在于生活中的诸多领域，包括商业、气象、金融、农业等。为了更好的认识事物的内在规律，时间序列的预测已成为广泛研究关注的热点问题之一。

由于时间序列较强的非线性和随机性，为了更准确地对时间序列数据进行预测，各领域研究人员已提出多种时间序列预测模型。其中，回声状态网络(Echo State Network,ESN)作为一种新型递归神经网络，在非线性时间序列预测方面得到广泛应用。它采用储备池代替传统神经网络的隐层，其核心是对一些连接权重的训练，通过简单的线性回归即可完成训练过程。但由于ESN独特的结构特性，传统的ESN网络训练时需要大量的训练样本使得训练困难，从而影响预测精度。

发明内容

本发明的目的在于避免现有技术的不足之处而提供一种基于灰狼优化回声状态网络的时序预测方法。本发明的目的可以通过采用如下的技术措施来实现，设计一种基于灰狼优化回声状态网络的时序预测方法，包括：初始化回声状态网络中的参数，同时初始化灰狼算法中的参数得到最优解位置参数Positions()；将最优解位置参数Positions()作为初始的 W^out，向回声状态网络中输入时序数据和初始的W^out，计算预测输出序列；根据实际输出序列和预测输出序列之间的误差计算误差函数，并将误差函数作为灰狼算法中的适应度函数；分别对比灰狼算法中三狼目标函数与适应度函数，并根据灰狼捕食行为对灰狼位置信息进行更新得到最终的优化结果；将最优结果作为回声状态网络的输出权重Wo^ut，利用回声状态网络进行时序数据的预测。

其中，在向回声状态网络中输入时序数据和初始的Wo^ut，计算预测输出序列的步骤之前，还包括步骤：

对时间序列数据进行预处理；其中，预处理的方式至少包括：降维、去噪、归一化、局部均值分解、软阈值去噪、改进小波熵分段、SAX符号表示。

其中，根据训练集及初始的Wo^ut计算出的预测输出序列公式如下：

x(n+1)＝f(Wⁱⁿu(n+1)+Wx(n)+W^backy(n))

W^out＝Positions()

y(n+1)＝f^out(W^outu(n+1),x(n+1),y(n))；

式中，

u(n)＝u₁(n),u₂(n),u₃(n),...,u_K(n)，

x(n)＝x₁(n),x₂(n),x₃(n),...,x_N(n)，

y(n)＝y₁(n),y₂(n),y₃(n),...,y_L(n)

u(n)、x(n)、y(n)分别为回声状态网络的输入向量、状态向量和输出向量，M为x₁(n),x₂(n),x₃(n),...,x_N(n)构成的矩阵，T为 y₁(n),y₂(n),y₃(n),...,y_L(n)构成的列向量，f和f^out分别为回声状态网络储备池处理单元和输出处理单元的内部神经元的激活函数。

其中，回声状态网络储备池处理单元和输出处理单元的内部神经元的激活函数为正切函数。

其中，将实际输出序列和预测输出序列之间误差函数作为适应度函数的表达公式为：

式中，y₁表示预测得到的输出序列；y实际训练的输出序列；N为训练输出序列的长度。

其中，在对比目标函数与适应度函数，得到灰狼位置信息的最优结果的步骤中，包括步骤：

将适应度函数与三狼的目标函数进行比较，若适应度函数值小于目标函数值，则将目标函数值更新为适应度函数值，根据灰狼捕食行为计算三狼位置的最优解；