自适应差分进化算法优化BP神经网络的时间序列预测

J4 ›› 2015, Vol. 37 ›› Issue (12): 2270-2275.

自适应差分进化算法优化BP神经网络的时间序列预测

王林1，彭璐1，夏德2，曾奕1

（1.华中科技大学管理学院,湖北武汉 430074; 2.武汉理工大学管理学院,湖北武汉 430070）

收稿日期:2014-12-16 修回日期:2015-03-10 出版日期:2015-12-25 发布日期:2015-12-25
基金资助:
中央高校基本科研业务费资助项目(HUST:2014QN201)

BP neural network incorporating selfadaptive differential
evolution algorithm for time series forecasting

WANG Lin1,PENG Lu1,XIA De2,ZENG Yi1

（1.School of Management,Huazhong University of Science and Technology,Wuhan 430074;
2.School of Management,Wuhan University of Technology,Wuhan 430070,China）

Received:2014-12-16 Revised:2015-03-10 Online:2015-12-25 Published:2015-12-25

摘要/Abstract

摘要：

针对BP神经网络学习算法随机初始化连接权值和阈值易使模型陷入局部极小点的缺点，设计了一种自适应差分进化算法优化BP神经网络的混合算法。该混合算法中，差分进化算法采用自适应变异和交叉因子优化BP神经网络的初始权值和阈值，再用预寻优得到的初始权值和阈值训练BP神经网络得到最优的权值和阈值。首先对改进的自适应差分进化算法运用测试函数进行性能测试，然后用一个经典时间序列问题对提出的混合算法进行了检验，并与一般的神经网络、ARIMA预测模型及其它混合预测模型进行了对比，实验结果表明，本文提出的混合算法有效并且明显提高了预测精度。

关键词: 时间序列预测, BP神经网络, 差分进化算法

Abstract:

It is easy for a BP neural network (BPNN) to be trapped into a local minimum point for the time series forecasting problem. To improve the forecasting accuracy, we design a hybrid algorithm which combines the selfadaptive differential evolution algorithm (SDE) with the BPNN. We adopt the SDE algorithm to search for global initial weights and thresholds of the BPNN. These values are then employed to further search for the optimal weights and thresholds. The performance of the proposed SDE algorithm is verified through benchmark functions and a wellknown real data set is used to verify the effectiveness of the hybrid algorithm. Compared with general neural network, ARIMA and other hybrid models,experimental results indicate that the proposed algorithm can be an effective way to improve forecasting accuracy.

Key words: time series forecasting;BP neural network;differential evolution algorithm

王林1，彭璐1，夏德2，曾奕1. 自适应差分进化算法优化BP神经网络的时间序列预测[J]. J4, 2015, 37(12): 2270-2275.

WANG Lin1,PENG Lu1,XIA De2,ZENG Yi1. BP neural network incorporating selfadaptive differential
evolution algorithm for time series forecasting [J]. J4, 2015, 37(12): 2270-2275.

参考文献

［1］Zhang G,Patuwo B E,Hu M Y. Forecasting with artificial neural networks:The state of the art ［J］. International Journal of Forecasting,1998,14（1）:3562．
［2］Aslanargun A,Mammadov M,Yazici B,et al. Comparison of ARIMA,neural networks and hybrid models in time series:Tourist arrival forecasting ［J］. Journal of Statistical Computation and Simulation,2007,77（1）:2953．
［3］Yam J Y F,Chow T W S. A weight initialization method for improving training speed in feedforward neural network ［J］. Neurocomputing,2000,30（1）:219232．
［4］Irani R,Nasimi R. Evolving neural network using real coded genetic algorithm for permeability estimation of the reservoir ［J］.Expert Systems with Applications,2011,38（8）:98629866．
［5］Li Song，Liu Lijun，Zhai Man. Prediction for shortterm traffic flow based on modified PSO optimized BP neural network［J］.Systems EngineeringTheory & Practice，2012，32（9）:20452049. （in Chinese）
［6］Onwubolu G,Davendra D. Scheduling flow shops using differential evolution algorithm ［J］. European Journal of Operational Research,2006,171（2）:674692．
［7］Qu H,Wang L,Zeng Y R. Modeling and optimization for the joint replenishment and delivery problem with heterogeneous items［J］. KnowledgeBased Systems,2013,54:207215．
［8］Deng Hua, Zhao Hui. Prediction of product cost based on DEBP algorithm［J］. Computer Engineering and Applications,2009,45（3）:233234. （in Chinese）
［9］Campbell M J,Walker A M. A survey of statistical work on the Mackenzie River series of annual Canadian lynx trappings for the years 18211934 and a new analysis ［J］.Journal of the Royal Statistical Society （Series A）,1977,140:411431．
［10］Zhang G P. Time series forecasting using a hybrid ARIMA and neural network model［J］. Neurocomputing,2003,50:159175．
［11］Khashei M,Bijari M. An artificial neural network （p，d，q） model for timeseries forecasting ［J］. Expert Systems with Applications,2010,37（1）:479489．
［12］Wang L,Zeng Y,Chen T. Back propagation neural network with adaptive differential evolution algorithm for time series forecasting ［J］. Expert Systems with Applications,2015,42（2）:855863．
［13］Elton C,Nicholson M. The tenyear cycle in numbers of the lynx in Canada ［J］. The Journal of Animal Ecology,1942,11:215244．
附中文参考文献：
［5］李松,刘力军,翟曼. 改进粒子群算法优化BP 神经网络的短时交通流预测［J］. 系统工程理论与实践,2012,32（9）:20452049．
［8］邓华,赵辉. DEBP 神经网络对产品成本预测的研究［J］.计算机工程与应用,2009，45（3）:233234．

[1]	胡新荣, 刘嘉文, 刘军平, 彭涛, 何儒汉, . 基于改进GA-BP-MC神经网络的人体三维尺寸预测[J]. 计算机工程与科学, 2021, 43(08): 1443-1453.
[2]	邓翔宇, 张屹南, 杨雅涵. 一种用于交通标识分类的形状识别算法[J]. 计算机工程与科学, 2021, 43(02): 322-328.
[3]	沈晓燕, 王雪梅, 王燕. 基于样本熵和模式识别的脑电信号识别算法研究[J]. 计算机工程与科学, 2020, 42(08): 1482-1488.
[4]	胡福年，董倩男. 多策略自适应变异的差分进化算法及其应用[J]. 计算机工程与科学, 2020, 42(06): 1076-1088.
[5]	陈丽芳,冯力静,刘保相. 神经网络规则优化建模与应用[J]. 计算机工程与科学, 2019, 41(12): 2247-2254.
[6]	吴曼曼1，徐建新 1，2. 基于EMD改进的Elman神经网络对股票的短期预测模型[J]. 计算机工程与科学, 2019, 41(06): 1119-1127.
[7]	孙霞，吴楠楠，张蕾，陈静，冯筠. 基于深度学习的MOOCs辍学率预测方法[J]. 计算机工程与科学, 2019, 41(05): 893-899.
[8]	张毅，张珉浩. 基于机器学习的能力评价与匹配研究[J]. 计算机工程与科学, 2019, 41(02): 363-369.
[9]	丁红卫，万良，邓烜堃. 改进的HS算法优化BP神经网络的入侵检测研究[J]. 计算机工程与科学, 2019, 41(01): 65-72.
[10]	张莹杰，张树群. 改进约束鸡群算法在神经网络的应用[J]. 计算机工程与科学, 2018, 40(12): 2252-2257.
[11]	宋强1,刘亚萍2,刘珍兰1. 基于多代种群进化信息改进的差分进化算法研究[J]. 计算机工程与科学, 2018, 40(11): 2054-2059.
[12]	黄辉先，胡鹏飞. 基于共轭梯度法的反馈差分进化混合算法及其在弹簧设计中的应用[J]. 计算机工程与科学, 2018, 40(07): 1316-1322.
[13]	朱林波，汪继文，邱剑锋，方柳平. 基于简化群优化算法和协方差矩阵学习的差分进化算法[J]. 计算机工程与科学, 2017, 39(11): 2122-2130.
[14]	杜涛，阮爱武，汪鹏，李永亮，李平. 一种基于BP神经网络的集成电路PHM模型[J]. 计算机工程与科学, 2017, 39(01): 55-60.
[15]	陈旺虎，俞茂义，马生俊，李金溶，郏文博. 基于局部收敛权阵进化的BP神经网络MapReduce训练[J]. 计算机工程与科学, 2016, 38(12): 2425-2433.