黄伟建 李永涛 黄远

(河北工程大学信息与电气工程学院,邯郸 056038)

为提高混沌时间序列的预测精度,提出一种基于混合神经网络和注意力机制的预测模型(Att-CNNLSTM),首先对混沌时间序列进行相空间重构和数据归一化,然后利用卷积神经网络(CNN)对时间序列的重构相空间进行空间特征提取,再将CNN提取的特征和原时间序列组合,用长短期记忆网络(LSTM)根据空间特征提取时间特征,最后通过注意力机制捕获时间序列的关键时空特征,给出最终预测结果.将该模型对Logistic,Lorenz和太阳黑子混沌时间序列进行预测实验,并与未引入注意力机制的CNN-LSTM模型、单一的CNN和LSTM网络模型、以及传统的机器学习算法最小二乘支持向量机(LSSVM)的预测性能进行比较.实验结果显示本文提出的预测模型预测误差低于其他模型,预测精度更高.

1 引 言

非线性科学的研究涉及到社会科学和自然科学的各个领域,如金融、电力、水文和天气等.这些呈现出混沌现象的动力学系统中,任一变量随时间演化而产生的混沌时间序列,都蕴含着系统丰富的动力学信息,而这些信息往往包含着具有重要价值的内容.对混沌时间序列的研究,就是要将其丰富的动力学信息提取出来,并应用到实际中去.在实际运用中,对混沌时间序列进行预测一直以来都是研究的热点.文献[1]提出一种分数阶最大相关熵的自适应滤波算法,在混沌时间序列的预测中可以减少噪声影响,预测结果准确率有所……