[发明专利]基于改进的多目标差分优化回声状态网络的时间序列预测模型

说明书

一种基于改进的多目标差分优化回声状态网络的时间序列预测模型。首先，随机初始化种群，依次对种群中的个体进行适应度评价。其次，设置种群最大的迭代次数进行迭代。再次，采用差分进化为种群中的每个个体生成变异个体和试验个体，将试验个体组成试验种群，将当代种群和试验种群组成混合种群；利用参考向量将混合种群分解成K个子种群，并进行子种群更新。所有更新完的子种群即为下一代新的种群，返回上一步。最后，当迭代次数达到最大得到一个最终种群，从中选出一个个体作为最优输出个体。本发明利用改进的多目标差分进化算法优化储备池参数，提高模型的寻优性能，提出的模型可以提高时间序列的预测精度，且具有良好的泛化能力及实际应用价值。

技术领域

本发明涉及一种复杂时间序列预测模型，特别涉及一种基于改进的多目标差分优化回声状态网络的时间序列预测模型。

背景技术

时间序列广泛存在于社会生活的各个方面。它在经济领域中广泛存在，例如商品价格，股票指数。它也广泛存在于工业领域，例如轴承健康监测。在水文领域，年径流量和星系形态，等等。因此，时间序列预测的准确性通常是许多研究人员追求的目标。在过去的几十年中，已经提出了各种时间序列预测模型，例如自回归模型，神经网络，支持向量回归和模糊系统。尤其是神经网络在处理非线性方面表现出极大的优势。在许多学者的不断努力下，神经网络已经得到了深刻的发展。例如，Jaeger和Haas提出了一种用于训练神经网络的随机算法，称为回声状态网络(ESN)。发现ESN在时间序列预测中具有一定优势。它训练算法简单，训练时间短，并且保证了解的全局最优性。尽管回声状态网络具有上述优点，但也存在一些问题，例如储备池的适应性和稳定性问题，病态解的出现以及对不同时间序列ESN参数值设定的问题。

近些年来，许多学者利用群智能优化算法优化神经网络，得到了很好的研究成果。例如乔玉晶等的《基于蜂群算法优化BP神经网络三目视觉标定》(公开号：CN 110009696 A)利用人工蜂群算法为BP神经网络选取最佳的初始权重与偏置。但是人工蜂群算法对具体问题和应用环境的依赖性较大，且计算复杂度高。BP神经网络的训练时间较长，整体来看蜂群算法优化BP神经网络这个算法的适用性不高。玄东吉等的《基于蚁群算法优化后的BP神经网络来估算SOC的方法》(公开号：CN 109738807 A)选取蚁群算法来优化BP神经网络来估算现阶段动力电池的SOC。尽管蚁群算法具有很强的鲁棒性，但它具有明显的经验性，收敛速度慢和适用性低的特点，因此它不适合直接用于实际问题。易辉等的《基于改进的萤火虫算法优化概率神经网络的电力变压器故障诊断方法及系统》(公开号：CN 110363277 A)改进的萤火虫算法来优化概率神经网络进行电力变压器故障诊断，达到诊断精度高，误差小的效果。但是萤火虫算法发现率低、求解精读不高、求解速度慢，导致萤火虫算法优化概率神经网络的开销很大。

目前熟知的群智能优化算法有一定的不足。遗传算法的局部搜索能力不强，无法找到全局最优解，搜索效率低。粒子群算法的鲁棒性很差，而且粒子群算法容易陷入局部最优解，参数的初始化对算法的性能影响很大。人工鱼群算法尽管不易陷入局部最优，但不适用于同时优化具有不同范围的参数，其本身算法结构复杂且效率低下。鸽群优化算法收敛速度慢且稳定性相对较差。教与学优化算法具有过早收敛的现象。研究发现，差分进化算法结构很简单而且具有强大的全局搜索能力，并且可以平衡局部和全局信息以进行搜索。因此本发明选择差分进化来优化回声状态网络的储备池参数，为了进一步提高预测的准确定和稳定性，本发明选择多目标差分来进行两个目标函数的优化。

发明内容

本发明的主要目的是解决回声状态网络的储备池参数应对不同时间序列时难以确定的问题，提供一种利用改进的多目标差分进化算法来优化回声状态网络的储备池参数的预测模型，不必人工手动调节参数以此节省时间，而且适用于不同的时间序列预测，提高预测精度。

为了达到上述目的，本发明采用的技术方案为：