在基于迭代法的策略中,首先計算一步超前預(yù)測,然后基于一步超前預(yù)測值來預(yù)測其他數(shù)據(jù)。另一方面,在基于直接法的策略中,可以根據(jù)相同的預(yù)測模型估算一步超前或多步超前值。通常,累積誤差是影響迭代法中預(yù)測精度的重要因素,而計算成本則是直接法中需要考慮的重要因素。
除此之外還提出了一些其他算法,例如多輸入多輸出(MIMO)方法和DirRec策略,以及多輸入多輸出(MISMO)預(yù)測模型等。在MIMO和MISMO算法中,主要思想是獲得更高的預(yù)測精度。同時,這些方法都具有較高的計算成本。在MISMO算法中,初始預(yù)測任務(wù)通常被轉(zhuǎn)換為子任務(wù),進(jìn)而使用最優(yōu)解計算輸出,其中算法復(fù)雜度是一個關(guān)鍵問題。
與現(xiàn)有技術(shù)相比,本發(fā)明的有益效果是:本方法通過采用基于圖像模型的長短時記憶時間序列模型,該模型將長短時記憶神經(jīng)網(wǎng)絡(luò)預(yù)測和貝葉斯圖形推理結(jié)合起來,大大減少了算法的復(fù)雜度,并采用最優(yōu)估計原理和遞歸的算法獲得更高的預(yù)測精度。同時通過采用基于概率論和貝葉斯規(guī)則提出遞歸運(yùn)算結(jié)構(gòu),以獲得更好的預(yù)測性能,該結(jié)構(gòu)比現(xiàn)有模型更好的性能。
步驟3,將訓(xùn)練數(shù)據(jù)重建,得到重建的訓(xùn)練數(shù)據(jù);其中基于長短時記憶網(wǎng)絡(luò)的時間序列預(yù)測模型,構(gòu)建一個多輸入單輸出的非線,使用重建的訓(xùn)練數(shù)據(jù),計算GUR參數(shù),并且GUR參數(shù)服從高斯分布,然后估計概率密度;首先基于梯度下降算法計算GUR參數(shù),然后基于最大似然法估計概率密度密度。
}和測試數(shù)據(jù){at+1,…,aT}。步驟2,基于Takens定理計算相空間重構(gòu)參數(shù):D,τ。重構(gòu)過程具體為:對于一個非線性系統(tǒng)S,通過觀測得到一組測量值x(n),n=1,2,…N。利用此測量值可以構(gòu)造一組m維向量X(n)=(x(n),x(n-τ),……,x(n-(D-1)τ)) (1)
是相關(guān)維數(shù)。該過程描述即為訓(xùn)練數(shù)據(jù)重建過程,即將第n到n-(D-1)τ時刻數(shù)據(jù)作為系統(tǒng)輸入數(shù)據(jù),將n+h步數(shù)據(jù)作為系統(tǒng)輸出數(shù)據(jù),從而建立輸入與輸出數(shù)據(jù)的數(shù)據(jù)對。這些數(shù)據(jù)對將用于系統(tǒng)的訓(xùn)練。步驟4,使用重建的訓(xùn)練數(shù)據(jù)[x
]i=1:t,計算GUR參數(shù)Wz,Wr,W,并且該參數(shù)服從高斯分布,然后估計概率密度;具體的基于梯度下降算法計算GUR參數(shù)Wz,Wr,W;通過先驗(yàn)知識和大數(shù)據(jù)統(tǒng)計,然后通過最大化學(xué)習(xí)ML算法或極大似然法進(jìn)行參數(shù)估計得到概率密度P(x,h);刪去原來的P(ht,zt)等。如圖2所示,為GUR模型示意圖,即GUR這種自回歸神經(jīng)網(wǎng)絡(luò)神經(jīng)元結(jié)構(gòu),其中W代表核心單元Cell內(nèi)存中權(quán)值矩陣,W(r)為輸入單元的網(wǎng)絡(luò)權(quán)值矩陣,W(z)為輸出單元網(wǎng)路權(quán)值矩陣。具體神經(jīng)網(wǎng)絡(luò)權(quán)值計算可以通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法進(jìn)行計算,可依據(jù)訓(xùn)練數(shù)據(jù)對采用誤差反傳算法。步驟5,對于測試數(shù)據(jù){a
}。根據(jù)該公式,輸入xt及ht-1,通過圖2中數(shù)據(jù)流及公式計算,即獲得ht。步驟6,基于先驗(yàn)信息設(shè)置先驗(yàn)分布;具體的首先將GUR參數(shù)空間分成多個小區(qū)間;然后確定每個小區(qū)間的決定主觀概率,決定主觀概率需滿足非負(fù)性公理,即對任意事件A,0≤P(A)≤1,正則性公理,即必然事件的概率為1,可列可加性公理,對可列個互不相容的事件A1,A2,A3……,得到或依據(jù)歷史數(shù)據(jù)確定主觀頻率;然后依據(jù)主觀頻率得到頻率直方圖,在依據(jù)該直方圖得到的平滑曲線,即為先驗(yàn)分布P(h