[发明专利]一种太阳黑子月均值的混合预测方法

说明书

本发明公开一种太阳黑子月均值的混合预测方法，属于预测技术领域，通过VMD变分模态分解将太阳黑子月均值时间序列分解成不同频率的固有模态函数，然后通过训练样本对FA‑BP预测模型进行训练，训练完成后，进行太阳黑子月均值的预测。通过对比预测数据与实际数据，得到结果表明本发明提供的太阳黑子月均值的混合预测方法的预测结果的均方根误差、平均绝对误差小于现有技术，预测精度高。

技术领域

本发明涉及预测技术领域，具体为一种太阳黑子月均值的预测方法。

背景技术

文献“Sunspots Time-Series Prediction Based on Complementary EnsembleEmpirical Mode Decomposition and Wavelet Neural Network,Mathematical Problemsin Engineering,vol.2017,Article ID 3513980,7pages,2017”公开了一种太阳黑子月均值的预测方法，采用互补集合经验模式分解CEEMD和小波神经网络WNN的预测方法。首先用CEEMD对太阳黑子时间序列进行分解，得到一组固有模态函数IMFs，然后对每个分量分别建立训练样本和预测样本，并由WNN进行训练和预测，再将各分量的预测值重构得到原始时间序列的预测值。其预测的误差为：平均绝对误差值MAE＝1.58413，均方根误差值RMSE＝12.64374，有一定的逼近能力，能够对非平稳数据进行预测，但仍需进一步优化神经网络算法，从而提高预测精度。

发明内容

针对现有技术中存在的问题，本发明提供一种太阳黑子月均值的混合预测方法，预测值的均方根误差和平均绝对误差小，预测精度高。

本发明是通过以下技术方案来实现：

一种太阳黑子月均值的混合预测方法，包括如下步骤：

步骤S1，获取训练样本，通过VMD变分模态分解将训练样本时间序列分解成多个IMFs(固有模态函数)，所述训练样本为太阳黑子历史月均实际数据；

步骤S2，将步骤S1中得到的每个IMF分量的数据分别进行归一化处理；

步骤S3，建立FA-BP预测模型，将步骤S2中的每个归一化处理的IMF分量的数据分别输入FA-BP预测模型，对FA-BP预测模型进行训练，训练完成后，预测每一个IMF分量的预测值；

步骤S4，将每个IMF分量的预测值累加，得到最终的预测结果。

可选的，步骤S3中，建立FA-BP预测模型，将步骤S2中的每个归一化处理的IMF分量的数据分别输入FA-BP预测模型，对FA-BP预测模型进行训练包括：

初始化BP神经网络，根据训练样本确定每层神经元的个数，计算权值数和阈值数；

输入训练样本，初始化萤火虫算法参数，将BP神经网络的权值和阈值视为种群中的萤火虫个体；

进入萤火虫算法迭代更新过程，搜索适应度最优个体权值和阈值；

将最优个体权值和阈值传回BP神经网络，对FA-BP预测模型进行训练。

可选的，步骤S4之后还包括：

计算预测结果的均方根误差值RMSE；

其中，计算均方根误差值RMSE的公式为：

式中，为预测结果数据，x(t)为预测样本数据，所述预测样本为训练样本时间之后的太阳黑子历史月均实际数据。

可选的，步骤S4之后还包括：

计算预测结果的平均绝对误差值MAE；

其中，计算均方根误差值RMSE的公式为：