摘要
时间序列预测在人类社会中扮演着重要角色，因此，如何提高时间序列预测的准确性具有重要的研究意义。近年来，回声状态网络(ESN)因其在时间序列预测上的出色表现而引起了广泛关注。但是，ESN用于时间序列预测时也存在着一些亟需解决的问题。首先，ESN的储备池参数设置对其性能影响较大，然而这些参数通常是研究人员根据经验确定的，不仅耗时长，还不能根据不同的时间序列自适应调整。其次，ESN的输入权值是随机生成的，导致其在某些时间序列上的预测性能较好，而在部分特定的时间序列上表现不佳。针对这些问题，本文将从ESN的储备池参数设置和输入权值设置两个方面进行优化，本文的主要工作体现在以下两个方面: (1)针对ESN不能根据不同的时间序列有效选择存储池参数，导致ESN预测性能不足的问题，提出自适应精英引导的人工蜂群(AEABC)算法来优化ESN。在AEABC中，提出自适应精英引导的解搜索策略，该策略引入精英解来指导新解的产生，其中精英解是从精英组中自适应选择的。并且，为更好地平衡勘探和开采，在该策略中融入基于进化状态的操作，采用正弦函数根据评价次数来控制精英组的大小，使精英组的大小随着进化的状态及时地调整;在传统ABC中，侦察蜂直接放弃原有的解，然后随机初始化生成新解，这容易造成侦察蜂丢失搜索经验。对于这个问题，AEABC提出线性组合被放弃解和全局最优解来生成新解的机制，同时保存被放弃解中的搜索经验和全局最优解中的有益信息，提高算法的搜索效率。在CEC2013基准函数上测试了 AEABC、ABC以及13个改进ABC的性能，实验结果表明AEABC的性能更优。因此，采用AEABC对ESN的储备池参数进行寻优，可以提高ESN的预测性能。为验证AEABC-ESN模型的有效性，在Mackey-Glass时间序列和中国全社会月度用电数据集上进行了实验。由实验结果可知，AEABC-ESN模型具有良好的预测能力和泛化能力。 (2)针对ESN由于随机生成输入权值，导致ESN在一些时间序列上表现不佳的问题，提出双重经验结合的自适应差分进化(DECDE)算法来优化ESN。DECDE算法设计了一种新的基于个体经验与集体经验结合的参数自适应机制，在该机制中，每个个体都有属于自己的缩放因子(F)和杂交概率(CR)，并且个体通过自身经验和多个成功个体的集体经验来自适应地更新参数值，不仅很好地利用了个体自身的演化信息，还结合了集体的有益信息，提高了算法性能。此外，DECDE算法提出了一种新的带外部存档的变异策略，该变异策略中设计了一个调整变异策略贪婪性的参数，并且这个参数在进化的过程中随着函数评价次数的增加而动态变化，适应性地调整变异策略在不同进化阶段的贪婪性，较好地平衡了算法的勘探和开采，进而提高了算法性能。在CEC2017基准函数上对算法进行数值实验，将DECDE算法与多个改进的DE算法进行了比较。实验结果表明，DECDE算法在整体上优于其他对比算法。因此，利用DECDE优化ESN的输入权值，可以提高ESN的性能。为验证DECDE-ESN模型的有效性，采用不同的时间序列进行仿真实验。由实验结果可知，本文提出的DECDE-ESN模型的预测精度较高。
NETL