读论文《三支决策框架下基于BPNN和信息粒的时间序列长期预测》

原标题《Information granules-based long-term forecasting of time series via BPNN under three-way decision framework》

动机

1.用于长期预报的TSF数值模式由于误差的累积会导致预报结果精度较差，将TSF转换为GTS是一种有效的长期预报方法。近年来，针对GTS预测问题，出现了许多研究成果，如模糊信息粒和区间信息粒。目前，信息粒的不同分割和不同描述方法，以及它们在长期预测中的效果和差异仍是主要的研究点
2.由于BPNN要求输入等长，这就造成了GTS信息的丢失，说明信息粒的构建方式还有改进的空间。因此，利用基于GTS的BPNN预测趋势信息，可以在数值层面进行多步预测，提高预测的精度和效率。

贡献

1.提出了一种新的GTS构造方法，根据时间序列的显著点划分信息粒并设置误差阈值，可以快速提取时间序列中的趋势信息，用线性信息粒代替原始时间序列，同时也避免了噪声和异常值的影响。
2.鉴于TWD（三支决策）能有效降低决策风险，本文提出一种基于TWD的信息粒度压缩方法。定义了相应的条件概率和损失函数表，使得TWD可以应用于时间序列趋势信息的提取，从而扩展了TWD在预测中的应用。
3.该模型通过信息粒长度阈值控制信息粒的最大长度，每个信息粒的长度基于TWD方法，通过评估趋势信息的价值，在保持数据特征的同时实现时间序列信息粒的压缩，可以极大地保留趋势信息。

方法

基于显著点的时间序列分割方法

简单来说就是为了弥补只利用极值点做分割点进行粒化时，原数据梯度爬升较大导致信息粒拟合不够，设定一个阈值超过阈值的点也加入到分割点中，算法步骤如下：

基于TWD的信息粒压缩

对于低频数据显著点粒化已经足够了，但对于高频数据来说该方法容易受到噪声的影响，过于关注局部特征，并没有从长期预测的目的出发得到整体的趋势信息。与聚类类似需要对信息粒进行压缩，目的是让信息粒内部的差距小，而粒之间的差距大。TWD对是否合并信息粒有一个合理的决策结果。通过定义条件概率和损失函数，将TWD应用于信息粒的划分成为一个需要合理解决的问题。本文采用TWD对信息粒进行压缩。

确定TWD的要素

隶属度：
以连续3个信息粒(连续4个显著点)为决策对象，设任意3个连续信息粒的线性插值长度分别为Lp，Lq，Lr，为方便说明，假设Lr最大
那么好的情况就是：另外两个信息粒长度都是0，那么可以直接合并
坏的情况则是：三者长度相同，不进行合并
则决策对象对两种情况的隶属度如下：

优先级：
优先合并较短的数据，免得长数据直接把短数据吃掉

损失矩阵：
由于和聚类相似，因此给出两个指标分别是粒内相似度，和粒间差距
粒内相似度：

粒间差距：

最终整合得到信息粒有效度：

给定动作集合A = { aP，aB，aN }，aP：将决策对象Xj中的3个信息粒合并为1个信息粒；aB：将待选分裂点，即中间信息粒的首末点和信息粒的中点，以最大IGV ( ω )为目标，将对象Xj中的3个信息粒合并为2个信息粒；aN：拒绝3个粒的合并过程

用IGV来评估执行三个动作后决策对象的状态如下：

以此构造损失矩阵：

最终算法如下：

TWD框架下基于信息粒度的BPNN

其算法流程如下：

其中隐层的神经元数由经验公式决定：
PV的计算公式如下：$$l=[\sqrt{m+n}]+a$$其中，m = 3p为输入层神经元个数，n = 3为输出层神经元个数，[ · ]为向下取整的高斯函数，a一般取0 ~ 10之间的常数，本文实验固定为9

如此得到了最后的预测序列。

之后是关于模型的参数确定和实验比对不做赘述。

参考

三支决策