时间序列预测在社会商品零售中的应用研究.docVIP

时间序列预测在社会商品零售中的应用研究 时问序列预测在社会商品零售中的应用研究 胡 静 唐好魁 (济南大学信息科学与工程学院 山东 济南 250022) 【摘 要】神经网络和遗传进化的方法在时间序列预测中的应用已得到充分地认可，一些模型已经提出，例如多层感知器(MLP)，误差反向 传播(BP)，径向基函数(RBF)网络和遗传规划算法(GP)等等 本文通过实例分析，比较了以上的几种方法，计算了各种预测模型的精度和推广 预测能力。 【关键词1遗传进化；p,．BIa网络；BP网络；PSO算法；GP算法；时间序列预测 1．引言 传统的时问序列分析是从纯数学的角度来分析的，但是由于实际 应用中时间序列具有不规则 、混沌等非线性特征，很难对系统建立理 想的模型，预测更是无能为力。而人工神经网络由于其具有自组织、自 学习能力、非线性逼近能力，将它用于时问序列预测更为有效．因为它 可以对网络进行反复的训练，从而使网络学习存贮的知识用于推理时 更接近实际系统的值。随着学习样本及新知识的补充，网络的适应能 力将不断增强。而当时间序列规律发生改变，只需将新的样本加入网 络中进行重新学习即可得到新的知识，再用训练好的网络进行规律改 变后的时间序列预测。当前用得最广泛的是 BP网络。 BP网络虽然可以实现输入和输出问的任意非线性映射，但是由 于 BP神经网络是 基于梯度下降的误差反向传播算法进行学习的， 所以网络的学习速度通常很慢，而且很容易陷入局部极小点，尽管采 用一些改进的快速学习算法可以较好地解决某些实际问题．但是在设 计过程中往往都要经过反复的试凑和训练过程。而径向基函数(RBF) 网络是以函数逼近理论为基础而构造的一类前向网络，这类网络的学 习等价于在多维空问中寻找训练数据的最佳拟合平面。径向基函数网 络的每个隐层神经元的函数都构成了拟合平面的一个基函数．网络也 因此得名。径向基函数网络是一种局部逼近网络，即对于输入空间的 某一个局部区域只存在少数的神经元用于决定网络的输出 由于二者 的构造本质不同，径向基函数网络在函数逼近能力 、分类能力和学习 速度等方面均优于BP神经网络。同时作为计算智能的一大分支 ，遗 传规划算法(genetic programming，GP)在实现机器学习方面优越的性能 提供了一个数据处理和知识挖掘的手段。因而将它们应用于复杂的时 间序列预测会取得很好的效果。 2．RBF网络 RBF网络由三层组成，其结构如图 1所示。输入层节点只传递输 入信号到隐层，隐层节点由像高斯函数那样的辐射状作用函数构成． 而输出节点是简单的线性函数 输入 ，(x) 图 1 RBF神经网络 输出 y1 y 隐层节点中的作用函数(基函数)对输入信号在局部产生响应。最 常用的基函数是高斯函数： =exp[一堕= ] (1) 2 其中X是 n维输入向量；c 是第 i个基函数的中心，与x具有相同 维数的向量： 8 是第 i个感知的变量，它决定了该基函数中心点的宽度；IIx—C ll 表示 X和c，之问的距离。输入层实现从 — )非线性映射，输出层实 现从Ri(x)到Y 的线性映射 ，即： m — yk= w~Ri(x) k=l，2??r (2) i=1 其中， 是权值。 3．RBF网络的学习算法 粒 子群优 化算 法 (PsO)是 一种进 化计 算技术 (evolutionary computation)，由 Eberhart博士和 kennedy博士发明。PSO是一种基于 叠代的优化工具。初始化为一群随机粒子(随机解)，然后通过叠代找到 最优解。在每一次叠代中，粒子通过跟踪两个“极值”来更新自己。第一 个就是粒子本身所找到的最优解，这个解叫做个体极值(pBest)。另一 个极值是整个种群 目前找到的最优解．这个极值是全局极值(gBest)。 另外也可以不用整个种群而只是用其中一部分作为粒子的邻居，那么 在所有邻居中的极值就是局部极值。在找到这两个最优值时，粒子根 据如下的公式来更新 自己的速度和新的位置 ／-~=／／+C 1 rand0 (pbest-present)+(a) c2 r帆dO (gbest-present) present=present+p (b) v是粒子的速度，present是当前粒子的位置 pbest和gbest如前定 义，rand0是介于(O，1)之问的随机数 c1，c2是学习因子。 程序的伪代码如下 For each particle ． ． ． ． ． ． ． ． ． — — Initialize particle END Do — — F0r each partic