基于双输出前馈神经网络和鲸鱼优化算法的区间预测方法

结合改进的鲸鱼优化算法(WOA)、双输出前馈神经网络(DFNN)和上下界估计(LUBE)方法设计了一种新的区间预测算法WDL(WOA+DFNN+LUBE).首先,构建双输出前馈神经网络,以较大输出作为预测区间的上界,较小输出作为下界.其次,以区间覆盖宽度准则(CWC)作为网络优化目标,针对其非连续、非可微的特征,通过改进的鲸鱼优化算法优化双输出前馈神经网络.最后,通过10个通用数据集评估WDL算法的预测性能,并与GDL(GA+DFNN+LUBE)算法和PDL(PSO+DFNN+LUBE)算法进行比较;进一步,通过数据集分区技术分析数据分布对WDL算法性能的影响.结果表明:随着置信水平上升,WDL算法的预测区间覆盖率(PICP)快速减小,预测区间归一化平均宽度(PINAW)显著增加,预测性能明显下降;在90%的置信水平下,WDL算法的平均PICP接近1,而GDL和PDL算法的平均PICP只有0.9和0.8,平均PINAW分别为0.5554,0.6811和0.6403,WDL算法具有明显优势;对均值中心区域数据,WDL算法的平均PICP高达0.9860,而均值临近区域和偏远区域数据的平均PICP仅为0.9835和0.8106,对中位数中心区域数据,WDL算法的平均PICP高达0.9873,而中位数低值区域和高值区域数据的平均PICP仅为0.9377和0.8336,但PINAW并无明显差异,说明数据降噪能够显著改善WDL算法的性能.总之,WDL算法能够获得更高的PICP和更窄的PINAW,显著降低数据预测的不确定性,提高预测性能.