构建分级重构的混沌时间序列预测通用模型的方法技术

构建分级重构的混沌时间序列预测通用模型的方法，属于通信技术以及计算机技术领域，尤其依据用户需求设置重构码集，利用输入序列特性进行维度分析及结构分析判决，进而建立分级驱动机制，包括限内预测及限外预测的一级驱动、优先级驱动的二级驱动，立足长期预测方法、精准预测方法、自适应盲估计方法的建立，重构预测方法，达到最佳的预测需求。本发明专利技术适用于具有混沌特性的时间序列的短期、中长期、长期预测系统及装置。预测系统及装置。预测系统及装置。

【技术实现步骤摘要】
构建分级重构的混沌时间序列预测通用模型的方法


[0001]本专利技术属于通信技术以及计算机
，尤其构建分级重构的混沌时间序列预测通用模型的方法，是一种符合混沌时间序列特性的序列短期、中长期和长期预测方法。

技术介绍

[0002]混沌时间序列凭借其类随机特性、初值敏感性，已经在气象学、经济学、生物学和工程学等各个领域具有广泛应用，如果利用其隐性机制挖掘其内在规律，则可以估计及预测当前及未来风险或趋势，因此对混沌时间序列预测方法研究具有十分重要的现实价值。然而，目前混沌时间序列预测研究大多停滞在单一特性序列预测阶段，或仅在具有明确方程和已知方程等前提条件下研究，因此，能够适应非确定、多变和多种类混沌序列预测的方法研究迫在眉睫，其也成为推动混沌时间序列预测技术进一步发展和应用的关键技术。

技术实现思路

[0003]构建分级重构的混沌时间序列预测通用模型的方法，依据用户需求设置重构码集，利用输入序列特性进行维度分析及结构分析判决，进而建立分级驱动机制，包括限内预测及限外预测的一级驱动和优先级驱动的二级驱动，立足长期预测方法、精准预测方法和自适应盲估计方法的建立，重构预测方法，达到最佳的预测需求。
[0004]采用的技术方案是：
[0005]首先，输入观测序列，并依据用户需求设置重构码集。
[0006]然后，结合用户需求及应用触发位分析用户需求，进行一级驱动。
[0007]进一步，分析优先级位，进行二级驱动。
[0008]最后，利用观测序列进行方法重构，从而得到限内预测或限外预测结果。
[0009]其优点在于：
[0010]本构建分级重构的混沌时间序列预测通用模型的方法，依据用户需求设置重构码集，利用输入序列特性进行维度分析及结构分析判决，进而建立分级驱动机制，包括限内预测及限外预测的一级驱动和优先级驱动的二级驱动，立足长期预测方法、精准预测方法和自适应盲估计方法的建立，重构预测方法，达到最佳的预测需求。本专利技术适用于具有混沌特性的时间序列的短期、中长期和长期预测系统及装置。
附图说明
[0011]图1是本专利技术分级重构的混沌时间序列预测通用模型流程图。
具体实施方式
[0012]步骤1：输入观测序列X
I
×
N
，I为序列维度，N为每维度序列长度，从而得到I维的长度为N的序列x
i
(n)，其中i＝1,2,
…
I，n＝1,2,
…
N。
[0013]步骤2：设置预测长度为M，M的取值可由用户定义并设置；当预测需求为观测序列N
长度内的部分序列预测时定义为限内预测，即在N长度内的某M长度预测。当预测需求为观测序列N长度外的未来序列预测时定义为限外预测，即在N长度外的某M长度预测。进一步，依据用户需求设置重构码集C＝{c1,c2,
…
c
10
}，具体重构码集的解释如下：
[0014][0015]步骤3：结合用户需求及应用触发位c1分析用户需求，进行一级驱动。如果c1＝0则为限内预测，并跳转至步骤4。如果c1＝1则为限外预测，并跳转至步骤11。
[0016]步骤4：分析优先级位c2，进行二级驱动。如果c2＝0则跳转至步骤5，如果c2＝1则跳转至步骤6。
[0017]步骤5：利用维度为I长度为N的序列x
i
(n)进行限内预测，建立长期预测方法，计算预测结果y
i
(m)，其中，m＝1,2,
…
M、i＝1,2,
…
I、n＝1,2,
…
N，LTF[
·
]为长期预测方法。进而输出y
i
(m)并跳转至步骤18。
[0018]y
i
(m)＝LTF[x
i
(n)]ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)。
[0019]步骤6：对维度为I长度为N的序列x
i
(n)进行维度分析，如果I大于1则跳转至步骤7，否则跳转至步骤8。
[0020]步骤7：利用维度为I长度为N的序列x
i
(n)进行限内预测，利用公式(1)所示的长期预测方法LTF[
·
]，计算预测结果y
i
(m)，进而输出y
i
(m)并跳转至步骤18。
[0021]步骤8：对维度为I长度为N的序列x
i
(n)进行结构分析，分别构建6类混沌特性的数据矩阵及观测矩阵，6类混沌分别为：Logistic(罗切斯特)、Sine(正弦映射)、分段Logistic(分段罗切斯特)、Kent(肯特)、Bemouilli shift(伯努利移位)和Chebyshev(切比雪夫)。在构建数据矩阵及观测矩阵的基础上，分别推导相应的分型参数α
j
，从而生成待识别序列{z1(n),z2(n)
…
z6(n)}，并建立交叉验证误差函数e
j
，其中，j＝1,2,
…
6。
[0022][0023]进一步，计算误差最小值满足min(e
j
)＜10
‑
10
，则可输出此时的j值，即：J＝j，并跳转至步骤9，否则跳转至步骤10。其中，min(
·
)是计算最小值函数。
[0024]步骤9：利用维度为I长度为N的序列x
i
(n)进行限内预测，并利用y0＝x
i
(1)和α
J
建立精准预测函数，计算预测结果y
i
(m)，其中，m＝1,2,
…
M、i＝1,2,
…
I、n＝1,2,
…
N，为初值为y0分型参数为α
J
的精准预测函数，进而输出y
i
(m)并跳转至步骤18。
[0025][0026]步骤10：利用维度为I长度为N的序列x
i
(n)进行限内预测，建立自适应盲估计方法，计算预测结果y
i
(m)，其中，m＝1,2,
…
M、i＝1,2,
…
I、n＝1,2,
…
N，HPABE[
·
]为自适应盲估计方法。进而输出y
i
(m)并跳转至步骤18。
[0027]y
i
(m)＝HPABE[x
i
(n)]ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)。
[0028]步骤11：分析优先级位c2，进行二级驱动。如果c2＝0则跳转至步骤12，如果c2＝1则跳转至步骤13。
[0029]步骤12：利用维度为I长度为N的序列x
i
(n)进行限外预测，利用公式(1)所示的长期预测方法LT本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.构建分级重构的混沌时间序列预测通用模型的方法，其特征在于包括下列步骤：步骤1：输入观测序列X
I
×
N
，I为序列维度，N为每维度序列长度，从而得到I维的长度为N的序列x
i
(n)，其中i＝1,2,
…
I，n＝1,2,
…
N；步骤2：设置预测长度为M，M的取值由用户定义并设置；当预测需求为观测序列N长度内的部分序列预测时定义为限内预测，即在N长度内的某M长度预测；当预测需求为观测序列N长度外的未来序列预测时定义为限外预测，即在N长度外的某M长度预测；进一步，依据用户需求设置重构码集C＝{c1,c2,
…
c
10
}，具体重构码集的解释如下：步骤3：结合用户需求及应用触发位c1分析用户需求，进行一级驱动；如果c1＝0则为限内预测，并跳转至步骤4；如果c1＝1则为限外预测，并跳转至步骤11；步骤4：分析优先级位c2，进行二级驱动；如果c2＝0则跳转至步骤5，如果c2＝1则跳转至步骤6；步骤5：利用维度为I长度为N的序列x
i
(n)进行限内预测，建立长期预测方法，计算预测结果y
i
(m)，其中，m＝1,2,
…
M、i＝1,2,
…
I、n＝1,2,
…
N，LTF[
·
]为长期预测方法；进而输出y
i
(m)并跳转至步骤18；y
i
(m)＝LTF[x
i
(n)]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
[1]；步骤6：对维度为I长度为N的序列x
i
(n)进行维度分析，如果I大于1则跳转至步骤7，否则跳转至步骤8；步骤7：利用维度为I长度为N的序列x
i
(n)进行限内预测，利用公式[1]所示的长期预测方法LTF[
·
]，计算预测结果y
i
(m)，进而输出y
i
(m)并跳转至步骤18；
步骤8：对维度为I长度为N的序列x
i
(n)进行结构分析，分别构建6类混沌特性的数据矩阵及观测矩阵，6类混沌分别为：Logistic罗切斯特、Sine正弦映射、分段Logistic分段罗切斯特、Kent肯特、Bemouilli shift伯努利移位和Chebyshev切比雪夫；在构建数据矩阵及观测矩阵的基础上，分别推导相应的分型参数α
j
，从而生成待识别序列{z1(n),z2(n)
…
z6(n)}，并建立交叉验证误差函数e
j
，其中，j＝1,2,
…
6；进一步，计算误差最小值满足min(e
j
)＜10
‑
10
，则输出此时的j值，即：J＝j，并跳转至步骤9，否则跳转至步骤10；其中，min(
·
)是计算最小值函数；步骤9：利用维度为I长度为N的序列x
i
(n)进行限内预测，并利用y0＝x
i
(1)和α
J
建立精准预测函数，计算...

【专利技术属性】
技术研发人员：刘芳，
申请(专利权)人：沈阳理工大学，
类型：发明
国别省市：