[发明专利]基于直觉模糊认知图的时间序列预测方法

说明书

本发明公开了一种基于直觉模糊认知图的时间序列预测方法，构建基于直觉模糊认知图的时间序列预测模型，通过模糊C聚类求得当前时刻的时间序列映射到各个聚类中心的隶属度，根据隶属度求出犹豫度和非隶属度，得到模型的各个节点，根据粒子群算法进行参数学习，得到学习后的权重矩阵和权重犹豫度，根据当前时刻的隶属度计算出其犹豫度，根据隶属度、非隶属度和犹豫度对下一时刻的时间序列进行推理，得到预测结果，具有准确性高的优点。

技术领域

本发明涉及一种基于直觉模糊认知图的时间序列预测方法。

背景技术

模糊认知图(FCMS)是一种软计算方法，是模糊逻辑和神经网络结合的产物。模糊认知图是知识的图解表示，由节点(概念)和有向边组成，节点可以是概念、实体等，有向边表示概念或是实体间的因果关系，在结构上可以看作是面向对象的单层带反馈的神经网络，它支持专家先验知识及因果关系的表示与推理，知识就蕴含在概念节点及概念节点间的关系中。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的。模糊认知图(FCMS)是简单但功能强大的工具，常用于基于特定领域的知识和经验对动态系统进行建模和仿真，其组成部分包括具有因果相关的概念，并且可以通过模糊逻辑表示不确定和非精确的知识。与传统的模糊方法相比，它们具有许多优势，对于时间序列可以更快速的把模型得到的结果与真实值进行比较，查看模型的性能。

近十年来，模糊逻辑被考虑用于认知地图的扩展，使它们能够应对不确定的信息。在模糊认知图(FCM)模型中，其节点之间关系的强度由模糊化权重矩阵来表示。对于模糊认知图(FCM)的因果关系，已经提出了各种推理方法。由于模糊认知图(FCM)的简单性和有效性，使其越来越流行，可应用于故障检测、医疗诊断、管理决策、社会现象分析、电路分析、地理信息系统、股票分析、棋类对弈、控制系统等其它领域的复杂问题的建模。

模糊认知图(FCMS)作为一种重要的模型，和认知地图，自动机，模糊自动机在结构和功能上存在明显差异，但是它们都以符号、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，而构造本身是在获取抽象实体之间的基本依赖关系。

等同其它知识表示方法一样,模型也存在知识的获取问题。在大多数实际应用中，系统的FCM往往是依靠领域专家的知识和经验建立的,由于专家的主观性、局限性以及问题的复杂性，可能造成所建立的系统与现实有较大的差距，甚至难以实现。目前的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。用于决策的模糊认知图是经过专家分析在这个领域哪些因素比较重要得到的，特定决策的预测结果对于决策者做决定是有很大价值的，是一种行之有效的决策方法。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，提出了一种基于直觉模糊认知图的时间序列预测方法，本发明利用模糊C均值聚类找到模型的节点，根据PSO进行参数学习，参数学习是对权重矩阵和权重犹豫度的学习，根据当前时刻的隶属度计算出其犹豫度，根据隶属度、非隶属度和犹豫度对下一时刻的时间序列进行推理,能够保证预测结果的正确性。

为了实现上述目的，本发明采用如下技术方案：

一种基于直觉模糊认知图的时间序列预测方法，包括以下步骤：

构建直觉模糊认知图，通过模糊C聚类求得当前时刻的时间序列映射到各个聚类中心的隶属度，根据隶属度求出犹豫度和非隶属度，得到模型的各个节点，根据粒子群算法进行参数学习，得到学习后的权重矩阵和权重犹豫度，根据当前时刻的隶属度计算出其犹豫度，根据隶属度、非隶属度和犹豫度对下一时刻的时间序列进行推理，得到预测结果。