基于混合多层神经网络模型的温度预测方法及系统

摘要

本发明属于人工智能领域，提供了一种基于混合多层神经网络模型的温度预测方法及系统。其中，该温度预测方法包括获取设定地区的设定历史时间段的天气信息；将获取的天气信息输入至训练完成的混合多层神经网络模型中，输出设定地区平均温度预测值；其中，混合多层神经网络模型的层数至少包括两层，第一层基于聚类的模糊神经元构成，第一层之后的连续层均使用多项式神经元构造，第一层之后的连续层的多项式神经元使用进化选择策略筛选得到。

说明书

技术领域

本发明属于人工智能领域，尤其涉及一种基于混合多层神经网络模型的温度预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

当遇到涉及非线性，高维，测量不精确和数据的高阶动态的问题以及应用场景的多样化时，预测建模和模式分类就变得更具挑战性。利用多种技术的协同作用来进行混合建模是解决此类问题的有效方法之一。作为计算智能研究的重要组成部分，神经网络已经成为研究具有自适应学习能力混合架构的有效工具。神经网络的类型很多，包括经典神经网络(例如多层感知器)，径向基函数神经网络，多项式神经网络等。

原始的多项式神经网络只包括由单纯的多项式或者线性函数构成的神经元，其结构虽然简单灵活但不能很好的反映和表示数据中的复杂的结构。当前多项式神经网络研究集中在用更复杂的神经元替换多项式神经网络中的所有节点，以增强模型的非线性拟合能力，但这同时也增加了模型的结构复杂度。特别是随着网络层数的增加，模型的计算效率会下降的更加明显，同时模型的预测精度也无法保证。多项式神经网络及其类似结构模型的性能取决于输入变量的组合，因此在构建每层网络时神经元的选择策略对模型的预测性能具有非常重要的影响。

设定区域的温度预测对于安排相应地区的工作与生活(比如农业生产、军事行动等等)具有重要意义。但是发明人发现，目前由于神经网络的复杂性，导致设定区域的温度预测的计算效率低且温度预测精度也无法保证。

发明内容

为了解决上述背景技术中存在的技术问题，本发明提供一种基于混合多层神经网络模型的温度预测方法及系统，其计算效率高且模型的泛化能力强，而且还能够保证设定地区平均温度预测值的预测精度。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一个方面提供一种基于混合多层神经网络模型的温度预测方法。

一种基于混合多层神经网络模型的温度预测方法，包括：

获取设定地区的设定历史时间段的天气信息；

将获取的天气信息输入至训练完成的混合多层神经网络模型中，输出设定地区平均温度预测值；

其中，混合多层神经网络模型的层数至少包括两层，第一层基于聚类的模糊神经元构成，第一层之后的连续层均使用多项式神经元构造，第一层之后的连续层的多项式神经元使用进化选择策略筛选得到。

进一步地，所述天气信息包括最高温度、最低温度、结露点、降水量、海平面气压、标准气压、能见度、风速及最大风速。

进一步地，在所述混合多层神经网络模型中，第一层之后的连续层的输入，由上一层的输出和进化选择策略共同决定。

进一步地，在所述混合多层神经网络模型的第一层中，使用K-Means聚类算法确定聚类的中心并利用高斯函数作为隶属度函数并计算隶属度，对隶属度进行标准化处理，使用线性函数作表示模糊规则后件部分。

进一步地，在训练混合多层神经网络模型之前，还包括：

获取设定地区的设定历史时间段的天气信息并形成数据集；

使用五折交叉验证对数据集进行划分。

进一步地，所述进化选择策略为锦标赛选择策略，由上一层的输出作为当前层的候选输入，计算当前每个神经元的适应值，然后根据适应值进行初始选择；其中，适应值为所有天气信息训练数据对应的测得平均温度与预测的平均温度的之差的平方累加和。

进一步地，所述进化选择策略为最佳保留选择或随机竞争选择策略。

本发明的第二个方面提供一种基于混合多层神经网络模型的温度预测系统。

一种基于混合多层神经网络模型的温度预测系统，包括：

天气信息获取模块，其用于获取设定地区的设定历史时间段的天气信息；

平均温度预测模块，其用于将获取的天气信息输入至训练完成的混合多层神经网络模型中，输出设定地区平均温度预测值；

其中，混合多层神经网络模型的层数至少包括两层，第一层基于聚类的模糊神经元构成，第一层之后的连续层均使用多项式神经元构造，第一层之后的连续层的多项式神经元使用进化选择策略筛选得到。

本发明的第三个方面提供一种计算机可读存储介质。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于混合多层神经网络模型的温度预测方法中的步骤。

本发明的第四个方面提供一种计算机设备。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于混合多层神经网络模型的温度预测方法中的步骤。

与现有技术相比，本发明的有益效果是：

本发明提供了一种基于混合多层神经网络模型的温度预测方法，为了解决设定区域的温度预测的计算效率低且温度预测精度也无法保证的问题，其中的混合多层神经网络模型的层数至少包括两层，第一层基于聚类的模糊神经元构成，第一层之后的连续层均使用多项式神经元构造，第一层之后的连续层的多项式神经元使用进化选择策略筛选得到，该模型计算效率高且模型的泛化能力强，保证了设定地区平均温度预测值的预测精度。

本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1是本发明实施例提供的一种基于混合多层神经网络模型的温度预测方法流程图；

图2是本发明实施例提供的混合多层神经网络模型的结构示意图；

图3是本发明实施例提供的锦标赛选择策略步骤；

图4是本发明实施例提供的一种基于混合多层神经网络模型的温度预测系统结构示意图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例一

如图1所示，本实施例提供了一种基于混合多层神经网络模型的温度预测方法，其具体包括如下步骤：

S101：获取设定地区的设定历史时间段的天气信息。

此处需要说明的是，本实施例的天气信息包括最高温度、最低温度、结露点、降水量、海平面气压、标准气压、能见度、风速及最大风速。

在其他实施例中，天气信息也可采用至少包括最高温度及最低温度的其他数量的天气信息。

S102：将获取的天气信息输入至训练完成的混合多层神经网络模型中，输出设定地区平均温度预测值。

其中，混合多层神经网络模型的层数至少包括两层，第一层基于聚类的模糊神经元构成，第一层之后的连续层均使用多项式神经元构造，第一层之后的连续层的多项式神经元使用进化选择策略筛选得到，如图2所示。

在图2中，混合多层神经网络模型的第一层由基于聚类的模糊神经元(CFN)构成。CFN本质上是一组模糊规则的集合。模糊规则的前件由聚类算法进行确定，以K-Means算法进行说明：

S1021：使用K-Means聚类算法确定聚类的中心并利用高斯函数作为隶属度函数并计算隶属度，基于高斯函数的隶属度可表示为：

其中||.||表示欧几里得距离，v

S1022：对S1021所求的隶属度进行标准化处理。标准化后的隶属度值在0～1之间。

S1023：使用线性函数作表示模糊规则后件部分，基于聚类神经元的输出可以表示为：

其中c代表聚类中心的数量，一般取值范围在2～10之间，f

在图2中，第一层之后的连续层均使用多项式神经元PN构造，使用二次多项式的形式如下所示：

x'

这里的x'

其中G表示当前层输入数据的特征数，例如：在第一层中G等于9，g表示每个神经元的输入变量的个数，此处设为2。G和g组合的结果为当前层组成的神经元的个数。

在所述混合多层神经网络模型中，第一层之后的连续层的输入，由上一层的输出和进化选择策略共同决定。

值得注意的是每层的训练和测试输入数据都是不同的，但是它们各自对应的输出与原始训练和测试的输出数据相同。

如图3所示，所述进化选择策略为锦标赛选择策略。基于锦标赛选择策略的神经元选择步骤如下所示：

步骤(1)由上一层的输出作为当前层的候选输入，计算当前每个神经元的适应值，然后根据适应值进行初始选择；其中，适应值为所有天气信息训练数据对应的测得平均温度与预测的平均温度的之差的平方累加和。

其中N训练数据的个数，比如为1287。y

步骤(2)初始选择后，从神经元集合中随机选择一些个体以构建锦标赛池并使它们参与比赛，其中所选神经元的数量与锦标赛池的大小相同。

步骤(3)根据神经元选择概率和选择阈值从锦标赛池中选择神经元。神经元的选择概率为：

SP

其中p为神经元选择参数在0～1之间，这里设为0.5，TS为锦标赛的规模大小(即几个个体参加比赛)。SP

步骤(4)选择比赛中的最佳的几个节点，通常只选择最佳的一个。

重复上述步骤(1)-步骤(4)，直到所选神经元的数量满足每层中预定义的最大数量的节点为止，这里设为20。

在其他实施例中，所述进化选择策略也可采用最佳保留选择或随机竞争选择策略进行神经元的筛选。

在具体实施中，构建完每一层网络后，都要检查终止条件，如果网络达到预定的层数(这里设为5层)，混合多层神经网络模型构建完毕。

在具体实施中，在训练混合多层神经网络模型之前，还包括：

获取设定地区的设定历史时间段的天气信息并形成数据集；

使用五折交叉验证对数据集进行划分。

例如：给定某地区收集到的天气信息组成的数据集。该数据集共包含1609条数据。每条数据包含9个特征，分别是：最高温度，最低温度，结露点，降水量，海平面气压，标准气压，能见度，风速，最大风速。使用五折交叉验证对数据进行划分，即将该天气数据集划分成五块，其中的四块作为训练(大约有1287条数据)。在网络的第一层构建中，将1287条数据直接作为第一层的训练输入，由于每条数据共9个特征，实际的数据是一个9×1287的矩阵。

本实施例的基于混合多层神经网络模型的温度预测方法与其它模型在相同天气数据集上的实验结果对比，如表1所示：

表1实验结果对比

根据表1可知，本实施例结合了基于聚类的模糊神经元和多项式神经元的优势，同时利用有效的基于进化选择的神经元选择策略，这些技术组合使得模型的预测性能有了显著的提高，即预测误差减小。

实施例二

如图4所示，本实施例提供了一种基于混合多层神经网络模型的温度预测系统，其具体包括如下模块：

天气信息获取模块11，其用于获取设定地区的设定历史时间段的天气信息；

平均温度预测模块12，其用于将获取的天气信息输入至训练完成的混合多层神经网络模型中，输出设定地区平均温度预测值；

其中，混合多层神经网络模型的层数至少包括两层，第一层基于聚类的模糊神经元构成，第一层之后的连续层均使用多项式神经元构造，第一层之后的连续层的多项式神经元使用进化选择策略筛选得到。

此处需要说明的是，本实施例的基于混合多层神经网络模型的温度预测系统中的各个模块，与实施例一中的基于混合多层神经网络模型的温度预测方法中的各个步骤一一对应，其具体实施过程相同，此处不再累述。

实施例三

本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于混合多层神经网络模型的温度预测方法中的步骤。

实施例四

本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于混合多层神经网络模型的温度预测方法中的步骤。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。