کاربرد شبکه های عصبی مصنوعی در پیشبینی سری های زمانی آشوبی

در این مقاله پیشبینی سری زمانی آشوبی و تحلیل خطا با استفاده از شبکه های عصبی خطی و غیرخطی همراه با بگارگیری تئوری جاسازی پیشنهاد شده است. سری های زمانی به طور کلی شامل مولفه های خطی و غیرخطی میباشند. در این مطالعه در جهت بهبود دقت پیش بینی، یک روش ترکیبی شامل پیشبینی کننده خطی و غیرخطی، برای مدل کردن هر دو مولفه ارائه شده است . ابتدا با استفاده از نظریه جاسازی، سریزمانی در فضای حالت مناسب نمایش داده شده، سپس نقاط فضای حالت به یک شبکه عصبی خطی داده شده اند. خطای سری زمانی پیشبینی ش ده، محاسبه و به عنوان یک سریزمانی آشوبی جدید، در فضای حالت مناسب جاسازی شده است. در ادامه نقاط فضایحالت بدست آمده به مدل غیرخطی مورد نظر که یک شبکه عصبی بازگشتی المان آموزش داده شده با الگوریتم بهینه سازی جمعیت ذرات میباشد، خورانده شده تا مورد تحلیل قرار گیرند. در نهایت مقادیر پیش بینی شده از سری زمانی اصلی و سری زمانی خطا یعنی خروجی دو پیشبینی کننده خطی و غیرخطی، با هم جمع شده و با مقادیر واقعی سری زمانی مقایسه شده اند. سریهای زمانی آشوبی مکی گلاس، لورنز و لکه های خورشیدی برای ارزیابی کارایی روش پیشنهادی استفاده شده اند. نتایج به دست آمده نشان دهنده ی پیشبینی دقیق تر روش پیشنهادی در مقایسه با روشهای پیش بینی موجود، میباشد.

کلیدواژه ها:

سری زمانی آشوبی ، پیشبینی ، شبکه های عصبی مصنوعی