針對傳統(tǒng)的時間序列分析方法預(yù)測科學(xué)數(shù)據(jù)效果較差的特點，提出了一種結(jié)合自組織神經(jīng)網(wǎng)絡(luò)和灰色理論的時間序列預(yù)測方法。該方法利用度量時間序列相似性距離函數(shù)，將時間序列按照其變化規(guī)律分成不同的類別，并在GM算法中針對白化參數(shù)進行優(yōu)化，對科學(xué)數(shù)據(jù)時間序列進行自組織聚類，針對各類別采用灰色理論建立預(yù)測模型。試驗表明，該模型適合科學(xué)數(shù)據(jù)的變化特點，提高了預(yù)測精度。
關(guān) 鍵 詞 神經(jīng)網(wǎng)絡(luò); 灰色理論; 時間序列; 預(yù)測

Traditional methods have poor efficiency and effect to deal with the scientific data series forecasting. In this paper, a forecasting algorithm based on grey theory and self-organized map neural networks is proposed. Firstly, the scientific data time series cluster in self-organized mannar. Then the forecast model is established with grey theory. In clustering, a distance criterion is proposed to scale the difference between series. In grey theory, the whiten parameter is optimized. The experiments show that this algorithm surpasses those traditional forecasting methods in precision and time efficiency.
Key words neural network; grey theory; time series; forecasting

大規(guī)?？茖W(xué)計算是對連續(xù)變化的科學(xué)現(xiàn)象進行離散抽樣的數(shù)值模擬，計算過程除需花費大量的計算資源外，還必然會產(chǎn)生大規(guī)模的數(shù)值模擬數(shù)據(jù)。仿真物理現(xiàn)象的數(shù)值模擬數(shù)據(jù)由數(shù)值計算程序通過一系列時間步產(chǎn)生，是對連續(xù)空間數(shù)據(jù)離散采樣、帶有網(wǎng)格結(jié)構(gòu)的時間序列[1-2]。當數(shù)據(jù)規(guī)模增大時，時間序列的分析和處理都因為數(shù)據(jù)特征復(fù)雜、規(guī)模龐大而難以進行。數(shù)值模擬應(yīng)用中，大規(guī)?？茖W(xué)數(shù)據(jù)的時間序列分析[3-5]，已經(jīng)成為影響科學(xué)數(shù)據(jù)挖掘的一個重要瓶頸問題。
科學(xué)數(shù)據(jù)具有幾何特性、拓撲結(jié)構(gòu)、物理屬性和時變性四個基本特征。特別是對于時變性來講，存在對時間規(guī)則的網(wǎng)格數(shù)據(jù)和對時間步間隔變化的網(wǎng)格數(shù)據(jù)。常用的時間序列分析方法假定數(shù)據(jù)時間間隔相等，因此不適于科學(xué)數(shù)據(jù)時間序列分析。影響科學(xué)現(xiàn)象的物理因素是多種多樣的，各種各樣的物理因素對物理現(xiàn)象的具體影響仍需進一步研究，因此對科學(xué)數(shù)據(jù)時間序列的預(yù)測常具有灰色性特征。本文建立灰色預(yù)測模型，即以自組織神經(jīng)網(wǎng)絡(luò)聚類后的時間序列為基礎(chǔ)，運用灰色模型預(yù)測科學(xué)數(shù)據(jù)時間序列的變化。