基于组合NARX神经网络的非平稳含噪混沌时间序列在线预测

针对混沌时间序列演化复杂,数据非平稳特征及噪声严重影响混沌时间序列短期预测精度的问题,提出了基于前向差分、改进小波包去噪和外因输入的非线性自回归网络(FD-IWPD-NARX)的非平稳含噪混沌时间序列(NNCTS)在线组合预测方法。在滚动时域框架下,采用前向差分平稳窗口内时间序列数据,改进小波包去噪阈值函数改善数据去噪效果,最后通过串并行闭环NARX神经网络对平稳去噪的混沌时间序列进行训练和测试。结果表明,前向差分和提出的改进小波包去噪可以有效提升NARX神经网络的预测性能;与不分窗NARX神经网络、循环神经网络(RNN)和标准长短期记忆网络(LSTM)相比,FD-IWPD-NARX网络可基于少量数据完成模型训练,在预测精度方面具有优势,且每窗模型的训练平均时长缩短至0.12 s,具有在线应用潜力。