论文部分内容阅读
随着社会步入信息时代,各领域的数据大量产生,其中根据时间顺序采集得到的一类观测值被称为时间序列,例如:股票价格序列、太阳黑子的观测值、电力负荷、气象变化、网站访问人数等。时间序列最为典型的特征是数据间具有相互依赖性,从数据中找出这一内部规律并对未来值进行预测被称为时间序列预测。传统的时间序列预测方法是从纯数学的角度对数据进行分析后建立预测模型,但是时间序列具有非线性特征,很难对系统建立理想的模型。人工神经网络具有自组织、自学习、容错性强的特征,在求解非线性问题上具有较好的逼近能力,将具有动态特征的递归神经网络用于时间序列预测能够得到性能优越的预测模型。然而,递归神经网络存在易陷入局部最优、计算负荷大和梯度消失等缺陷。针对递归神经网络学习算法的缺陷,本文采用粒子群算法对递归神经网络进行优化,提出了基于粒子群算法的递归神经网络,并将其用于求解时间序列预测问题,主要研究内容如下:1.为克服粒子群算法易陷入局部最优、种群多样性差的弊端,提出了自适应混沌粒子群算法,通过个体适应度值动态调整学习参数,同时引入混沌干扰因子和变异因子增加算法多样性,从而平衡算法的勘探开采能力。采用自适应混沌粒子群算法对递归神经网络的连接权值和节点偏置进行优化,并利用优化所得的网络对石油价格序列进行预测,结果表明优化后的网络能以一定的时间代价得到精度较高的预测结果,同时具有较好的泛化能力。2.为求解高维复杂的时间序列预测问题,提出了基于动态多种群的粒子群优化算法。该算法利用主辅种群的方式搜索全局最优解,主辅种群分别利用自适应混沌粒子群和改进的量子粒子群进行更新。采用基于动态多种群粒子群优化算法的递归神经网络对太阳黑子数据集进行预测,结果表明优化后的网络在求解高维复杂的时间序列预测问题上具有较高的预测精度,且时间代价较小。3.选取多个领域的时间序列数据集,采用基于不同学习算法的递归神经网络进行预测,通过预测误差分析,证明了基于粒子群算法的递归神经网络在时间序列预测问题上具有较好的预测性能。