离散过程神经网络在时间序列预测中的应用

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (32): 224-227.

离散过程神经网络在时间序列预测中的应用

刘丽杰1，李盼池2，李欣2，张强2

1.黑龙江八一农垦大学信息技术学院，黑龙江大庆 163319
2.东北石油大学计算机与信息技术学院黑龙江大庆 163318

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-11-11 发布日期:2011-11-11

Application of discrete process neural network in time series prediction

LIU Lijie1，LI Panchi2，LI Xin2，ZHANG Qiang2

1.School of Information Technology，HLJ August First Land Reclamation University，Daqing，Heilongjiang 163319，China
2.School of Computer and Information Technology，Northeast Petroleum University，Daqing，Heilongjiang 163318，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-11-11 Published:2011-11-11

摘要/Abstract

摘要： 为解决复杂时间序列的预测问题，针对目前过程神经网络的输入为多个连续的时变函数，而许多实际问题的输入为多个序列的离散值，提出一种基于离散输入的过程神经网络模型及学习算法;并以太阳黑子数实际数据为例对太阳黑子数时间序列进行预测，仿真结果表明该模型具有很好的逼近和预测能力。

关键词: 过程神经元网络, 学习算法, 时间序列预测, 太阳黑子数

Abstract: By now，the input of Process Neural Network（PNN） is multiple continuous time-varying function and the input for practical problems is discrete value of multiple series，a PNN model and learning algorithm is presented based on discrete input to solve the problem of complex time series prediction.The algorithm takes sunspot number as example to predict sunspot number time series，and the simulation results show that the model produces good ability for approximation and prediction.

Key words: process neural networks, learning algorithm, time series predication, sunspot number

刘丽杰1，李盼池2，李欣2，张强2. 离散过程神经网络在时间序列预测中的应用[J]. 计算机工程与应用, 2011, 47(32): 224-227.

LIU Lijie1，LI Panchi2，LI Xin2，ZHANG Qiang2. Application of discrete process neural network in time series prediction[J]. Computer Engineering and Applications, 2011, 47(32): 224-227.

[1]	吴明慧，侯凌燕，王超. 面向预测的长短时神经网络记忆增强机制[J]. 计算机工程与应用, 2021, 57(21): 109-115.
[2]	杨薛钰，陈建平，傅启明，陆悠，吴宏杰. 基于随机方差减小方法的DDPG算法[J]. 计算机工程与应用, 2021, 57(19): 104-111.
[3]	周涛，陆惠玲，霍兵强. 深度信念网络研究进展[J]. 计算机工程与应用, 2020, 56(9): 24-32.
[4]	宋丽丽，李彬，赵俊雅，刘国峰. 正态重采样的改进行人再识别度量学习算法[J]. 计算机工程与应用, 2020, 56(8): 158-165.
[5]	陈晔，刘志强. 基于LFM矩阵分解的推荐算法优化研究[J]. 计算机工程与应用, 2019, 55(2): 116-120.
[6]	曾添，杨德刚. 运用PSO算法的自递归RBF网络建模与应用[J]. 计算机工程与应用, 2019, 55(13): 172-177.
[7]	刘恒，侯越. 贝叶斯神经网络在股票时间序列预测中的应用[J]. 计算机工程与应用, 2019, 55(12): 225-229.
[8]	贾松达1，庞宇松1，2，阎高伟1. 多任务LS-SVM在时间序列预测中的应用[J]. 计算机工程与应用, 2018, 54(3): 233-237.
[9]	崔未，王卫华，黄樟灿，谈庆. 基于GEP算法的高阶常微分方程预测模型[J]. 计算机工程与应用, 2018, 54(18): 256-262.
[10]	吕宗磊1，2，陈国明2. 航班备降概率分布预测模型研究[J]. 计算机工程与应用, 2017, 53(20): 259-264.
[11]	孙天昊，石鸿瑗，万煊民. 基于ARIMA和QoS的云服务选择算法研究[J]. 计算机工程与应用, 2017, 53(13): 99-103.
[12]	刘斌1，何进荣1，耿耀君1，王最2. 并行机器学习算法基础体系前沿进展综述[J]. 计算机工程与应用, 2017, 53(11): 31-38.
[13]	张晓芳1，谢俊2. 可控家用电器负荷优化模型及用电策略研究[J]. 计算机工程与应用, 2016, 52(24): 246-250.
[14]	臧兆祥1，2，李昭1，2，王俊英1，2，但志平1，2. 基于平均奖赏强化学习算法的零阶分类元系统[J]. 计算机工程与应用, 2016, 52(21): 14-20.
[15]	曹　　净，李文云，赵党书，宋志刚，丁文云. 基于PSO-LSSVM模型的基坑周边建筑倾斜预测[J]. 计算机工程与应用, 2016, 52(1): 254-259.