探析人工神經網絡在時間序列預測中的應用

摘 要：近年來，隨著神經網絡理論的不斷發(fā)展，基于神經網絡的預測方法也在不斷提出。本文以神經網絡和相空間重構相關理論為基礎，用神經網絡方法去處理混沌時間序列預測問題，對人工神經網絡以及時間序列的概念做了一個敘述，并且主要對人工神經網絡在時間序列預測中的應用進行了詳細的探討。

關鍵字：人工神經網絡；時間序列；預測；應用；

中圖分類號：F252 文獻標識碼：A 文章編號：1674-3520（2015）-07-00-02

一、人工神經網絡和時間序列預測的概況

（一）人工神經網絡

在非線性信號處理領域，混沌與神經網絡相結合是一個新興的課題?；煦缡欠蔷€性動態(tài)系統(tǒng)所特有的一種運動形式，它既普遍存在又極具復雜性。而神經網絡具有聯(lián)想記憶等非線性特性，特別適用于處理高度非線性系統(tǒng)復雜問題，所以基于神經網絡的預測技術是解決混沌時間序列預測問題的有效方法，同時又為預測理論的研究開辟了新的、廣闊的發(fā)展空間。

人工神經網絡作為一種較新的信息處理學科，具有許多的優(yōu)點，在本質上它是大規(guī)模并行處理的自適應非線性系統(tǒng)，具有很強的自學能力和非線性逼近能力，善于聯(lián)想、概括、類比和推廣。而自適應神經模糊推理系統(tǒng)是一種頗具特色的神經網絡，和神經網絡一樣，同樣具有以任意精度逼近任何線性或非線性函數(shù)的功能，并且收斂速度快、誤差小、所需訓練樣本少等優(yōu)點，它是神經網絡與模糊推理相結合的產物，相比傳統(tǒng)方法，將會顯示出比單一神經網絡更好的預測效果。

（二）時間序列預測

時間序列預測是一種根據歷史數(shù)據構造時間序列模型，再把模型外推來預測未來的一種方法。時間序列預測方法的基本思想是：用一個現(xiàn)象的過去行為來預測未來該現(xiàn)象的變化，即通過時間序列的歷史數(shù)據揭示現(xiàn)象隨時間變化的規(guī)律，將這種規(guī)律延伸到未來，從而對該現(xiàn)象的未來作出預測。時間序列預測在科學、經濟、工程等許多領域都有應用。時間序列預測是預測領域內的一個重要研究方向，研究時間序列預測可以反映社會經濟現(xiàn)象的發(fā)展變化過程，描述現(xiàn)象的發(fā)展狀態(tài)和結果，可以研究社會經濟現(xiàn)象的發(fā)展趨勢和發(fā)展速度?？梢蕴剿鳜F(xiàn)象發(fā)展變化的規(guī)律，對某些社會經濟現(xiàn)象進行預測。

二、人工神經網絡在時間序列預測中的應用

將大量的神經元進行聯(lián)結可構成人工神經網絡。神經網絡中神經元的連接方式與用于訓練網絡的學習算法是緊密結合的。從網絡性能角度可分為連續(xù)型與離散型網絡、確定性與隨機性性網絡。從網絡結構角度可分為前向網絡與反饋網絡。

將網絡結構和學習算法相結合，對人工神經網絡進行分為，單層前向網絡：即為原節(jié)點個數(shù)的“輸入層”看作一層神經元，因為該“輸入層”不具有執(zhí)行計算的功能。多層前向網絡與單層前向網絡的區(qū)別在于：多層前向網絡含有一個或更多的隱含層，網絡每一層的神經元只含有作為它們輸入前一層的輸出信號，網絡輸出層（終止層）神經元的輸出信號組成了對網絡中輸入層（起始層）源節(jié)點產生的激勵模式的全部響應。通過加入一個或更多的隱層，使網絡能提取出更高序的統(tǒng)計。反饋網絡是指在網絡中至少含有一個反饋回路的神經網絡。隨機神經網絡是對神經網絡引入隨機機制，認為神經元是按照概率的原理進行工作的，這就是說，每個神經元的興奮或抑制具有隨機性，其概率取決于神經元的輸入。競爭神經網絡的顯著特點是它的輸出神經元相互競爭以確定勝者，勝者指出哪一種原型模式最能代表輸入模式。

在時間序列預測中，前饋網絡是最常使用的網絡。在這種情形下，從數(shù)學角度看，網絡成為輸入輸出的非線性函數(shù)。時間序列預測方法即是用神經網絡來擬合函數(shù)，然后預測未來值。

網絡參數(shù)和網絡大小用于預測的神經網絡的性質與網絡參數(shù)和大小均有關。網絡結構包括神經元數(shù)目、隱層數(shù)目與連接方式等。對一個給定結構來說，訓練過程就是調整參數(shù)以獲得近似基本聯(lián)系，誤差定義為均方根誤差，訓練過程可視為一個優(yōu)化問題。

在大多數(shù)的神經網絡研究中，決定多少輸入與隱層單元數(shù)的定量規(guī)則問題目前尚未有好的進展，為使網絡成為一個完全通用的映射，必須至少有一個隱層。理論上已經證明：具有偏差和至少一個S型隱層加上一個線性輸出層的網絡，能夠逼近任何有理函數(shù)。

其次，網絡結構要盡可能緊湊，即滿足要求的最小網絡最好。實際上，通常從小網絡開始，逐步增加隱層數(shù)目。同樣輸入元數(shù)目也是類似處理。通常把可用的時間序列數(shù)據分為兩部分：訓練數(shù)據和檢驗數(shù)據。訓練數(shù)據一般多于檢驗數(shù)據兩倍。檢驗過程有三種方式：第一，短期預測精度的檢驗：用檢驗數(shù)據作為輸入，網絡輸出與下一個時間序列點作比較，誤差統(tǒng)計估計了其精度。第二，長期預測中迭代一步預測：

以一個矢量作為輸入，輸出作為下一個輸入矢量的一部分，遞歸向前傳播。第三，直接多步預測：即用函數(shù)方式直接進行預測，輸出預測值，對它進行預測的前提是認為其未來值。利用神經網絡來擬合這種函數(shù)關系，并用它來推導未來的值。這就是利用BP人工神經網絡進行時間序列預測的基本思路。

進行時間序列預測的神經網絡結構可以分為兩種：一種是單步預測網絡，一種是多步網絡預測。單步預測網絡輸出個數(shù)為1個，一次可計算一步的預測值。多步預測網絡的輸出個數(shù)是多個，每一次可計算出多步的預測值。在預測過程中，可將得到的預測值作為下一步預測的輸入來計算出進一步的預測值，進行迭代的多步預測。

實踐證明，網絡預測值和真實值之間所有誤差都基木控制在0. 2以內，預測的誤差非常小。例如在城市供水中的應用中，通過多層前饋神經網絡模型（BP模型）來預測用水量。BP網絡由輸入層、輸出層及隱含層組成，隱含層可有一個或多個，每層由若干個神經元組成。隱含單元與輸入單元之間、輸出單元與隱含單元之間通過相應的傳遞強度逐個相互聯(lián)結，用來模擬神經細胞之間的相互聯(lián)結，預測一個月的時用水量。可以選取上個月的數(shù)據進行訓練，也可以選取去年或連續(xù)幾年同月的時用水量進行預測，不過訓練樣本數(shù)越大、訓練時間越長則預測精度越高。預測結果與實際用水量的相對誤差在±1%以內。

綜上所述，說明模型的預測是非常精確的，并可認為模型具有相當?shù)膮⒖純r值。因此可以認為，用神經網絡方法建立起來的時間序列預測具有很好的預測效果。神經網絡方法作為分析預測時間序列變量的工具，具有重要的意義和應用前景，也有許多問題有待深入探討和研究。

三、結語

綜上所述，本文對基于人工神經網絡的時間序列預測進行了探討，通過應用已經取得了良好的預測效果，隨著智能化的不斷發(fā)展，神經網絡的算法與更多的只能方式相結合成為未來發(fā)展的趨勢，這就需要我們不斷的進行總結和創(chuàng)新，提供更完善的神經理論算法。

參考文獻：

[1]宋玉強.人工神經網絡在時間序列預測中的應用研究[D].西安建筑科技大學，2005.DOI：10.7666/d.y841530.

[2]趙洪波，馮夏庭.非線性位移時間序列預測的進化-支持向量機方法及應用[J].巖土工程學報，2003，25（4）：468-471.

[3]范庚，馬登武，吳明輝等.電子系統(tǒng)狀態(tài)時間序列預測的優(yōu)化相關向量機方法[J].系統(tǒng)工程與電子技術，2013，35（9）：2011-2015.

[4]李海艦.遺傳神經網絡在混沌時間序列預測中的應用[D].中北大學，2008.

[5]尹漢釗.基于遞歸神經網絡與集成算法的時間序列預測應用研究[D].西安電子科技大學，2010.