[发明专利]基于规则演化的核递归最大相关熵时间序列在线预测方法

权利要求书

1.一种基于规则演化的核递归最大相关熵时间序列在线预测方法，其特征在于，包括以下步骤：

步骤1：收集时间序列数据，并对其进行归一化处理；

步骤2：对归一化后的时间序列数据进行相空间重构，用于深入挖掘时间序列中有用信息；

步骤3：划分步骤2重构后的数据集，并对参数进行设置和初始化；

步骤4：根据训练数据集及参数设置，从第2个时刻开始进行模型的迭代训练；

步骤5：利用步骤4训练好的模型，选择规则库中最兼容规则对测试数据集进行输出预测，然后对样本数据进行反归一化计算，最后利用评价指标度量模型预测精度。

2.根据权利要求1所述的一种基于规则演化的核递归最大相关熵时间序列在线预测方法，其特征在于，所述的步骤1具体如下：

针对预测问题构建样本{(x(n),d(n)),n＝1,2,…}，其中x(n)表示由t维特征输入x(n)组成的模型输入向量，即x(n)＝[x₁(n),x₂(n),…,x_t(n)]，d(n)表示预测目标，n表示时刻；其次，考虑输入向量中的多维特征的量纲差别，采用归一化方法对数据进行处理；

对预测目标进行归一化处理，得出预测目标归一化后值为d′(n)。

3.根据权利要求2所述的一种基于规则演化的核递归最大相关熵时间序列在线预测方法，其特征在于，所述的步骤1中，归一化处理的计算公式如下所示：

其中，x(n)和x′(n)分别为输入数据归一化前后的值，x_min和x_max分别为输入数据的最小值和最大值。

4.根据权利要求1所述的一种基于规则演化的核递归最大相关熵时间序列在线预测方法，其特征在于，所述的步骤2具体如下：

对归一化后的时间序列数据进行相空间重构，重构后的输入向量表示为：

其中，τ_t(n)和m_t(n)分别为归一化后输入向量x′(n)中第t个特征序列的延迟时间和嵌入维数，T为转置，此时预测目标为

5.根据权利要求1所述的一种基于规则演化的核递归最大相关熵时间序列在线预测方法，其特征在于，所述的步骤3具体如下：

选取重构后的时间序列数据的80％作为训练集，且将训练集的总量记为N，其余部分作为测试集；

设置模型参数，包括相关熵中核宽度σ′、高斯核大小σ、聚类中心学习率η、唤醒指数学习率β、正则化参数γ、唤醒阈值以及距离阈值δ；

在第1个时刻，第1个训练数据代入模型，创建首条规则，形成规则库，并对模型关键参数进行初始化设置，包括唤醒指数a₁(1)＝0，聚类中心字典以及扩展系数κ·,·表示高斯核函数，变量b和b^*的核函数定义为：

其中，σ是高斯核大小。