[发明专利]基于动态模糊认知图的在线时间序列预测方法

说明书

本发明公开了一种基于动态模糊认知图的在线时间序列预测方法，形成信息颗粒，将时间序列映射到信息颗粒的激活水平上，形成模糊认知图的节点；优化模糊认知图参数水平上的信息颗粒，确定模糊认知图的节点之间的权重；根据当前时刻进来的数据动态调整模糊认知图，利用动态调整后的模糊认知图进行时间序列预测的预测。本发明根据具体的情况调整聚类中心和参数,实现动态优化，使得模型能实时的捕捉到数据信息的变化，从而使预测更精准。

技术领域

本发明涉及一种基于动态模糊认知图的在线时间序列预测方法。

背景技术

为了有效地分析、预测和控制大规模、不确定的动态系统，人们迫切需要 研究如何从大量、动态、混杂且含有多种不确定性的数据中发现其中的特征， 克服目前针对大数据建模的难题。数据分析与处理技术必须能应对具有模糊和 随机不确定性的动态数据和信息，并且可以把所发现的内在特征和模式表示为 易于处理、可用自然语言解释的、更接近于实际的模型。其中模糊认知图就具 有语言描述、数值推理、模糊信息的表达等特点，使其成为建立在系统的原始 数据和系统模型之间的一个重要部分。时间序列的预测是一个多年来吸引研究 者注意的重要课题，针对数据的复杂性，模糊认知图(FCMS)就是其中一个可 以有效应用于预测时间序列的重要模型。

模糊认知图(FCMS)是一种软计算方法，它通过模拟模糊推理，并利用整个 图各节点(概念)的相互作用来模拟系统动态行为，具有一定的先进性，但是其 以符号、概念构成的，而且是抽象的不仅是简单数字的计算。为了开发这些构 造的基础，需要在抽象层次上进行，而构造本身旨在捕获抽象实体之间的基本 依赖关系。

时间序列的分析与建模一直作为一个被广泛研究的经典的问题，早期的许 多研究者利用线性系统理论、随机过程理论、模糊集理论等去分析和建模时间 序列，获得了许多经典的时间序列模型，如：AR、MR和ARIMA模型、支持向量 机(SVM)模型等。这些模型目前已经发展的非常成熟并且在不同的领域得到了有 效的应用，取得了良好的效果。

然而在当今数据时代背景下，时间序列呈现出数据的高维性、数据的海量 性、数据结构的复杂性等特点，上述提及的这些传统的时间序列分析与建模方 法已经不能完全满足实际应用需要。

模糊认知图的建模过程对其决策和预测结果有很大的影响，在根据专家经 验构建模型时存在着很大的主观因素，不同的专家可能会对模型有着不同的理 解，可能构建的模型就会有所不同，具有一定的局限性。模糊认知图的构建是 基于专家经验的，并且是尝试着进行改变的，存在一定的局限性。

因此，对于时间序列这种数值型的数据进行建模的话，专家经验可能就做 不到了，因为不同领域的不同数据的变化趋势和特征是很难人为的捕捉到的。

发明内容

本发明为了解决上述问题，提出了一种基于动态模糊认知图的在线时间序 列预测方法，本发明能够根据当前时刻的数据对构建的模型进行动态优化，根 据具体的情况调整聚类中心和参数，实现动态优化，使得模型能实时的捕捉到 数据信息的变化，从而使预测更精准。

为了实现上述目的，本发明采用如下技术方案：

一种基于动态模糊认知图的在线时间序列预测方法，包括以下步骤：

形成信息颗粒，将时间序列映射到信息颗粒的激活水平上，形成模糊认知 图的节点；

优化模糊认知图参数水平上的信息颗粒，确定模糊认知图的节点之间的权 重；

根据当前时刻进来的数据动态调整模糊认知图，利用动态调整后的模糊认 知图进行时间序列预测的预测。

进一步的，模糊认知图由节点和节点之间的定位连接组成，节点代表概念， 描述问题或过程，节点之间的定位连接的有向边代表概念之间的关系，边的集 合是由权重矩阵表示。