目录
0.引言
针对时间序列预测的自相关性导致的预测值滞后于实际值的问题，1）采用EMD方法对序列进行分解，2）对每个分量进行DBN建模，3）为进一步提高dbn的精度，采用模拟退火SA对DBN各层节点数进行优化。结果表明EMD+SA+DBN预测精度最高。
1.数据说明
风速预测主要是时间序列预测，通常采用滚动序列建模，即采用1-n时刻风速作为输入，第n+1时刻风速作为输出，然后采用第2到n+1时刻风速作为输入，第n+2时刻风速作为输出，这样进行滚动建模。
2.实验分析
2.1 DBN预测
直接采用DBN进行滚动建模结果如图2所说。一般情况下，得到的效果都还不错，但是会有一个很严重的问题，就是预测值“滞后“于实际值现象，以图3为例，可以看出这种滞后现象。
由图3可知，这个预测得到的值滞后于真实值，相当于当前时刻预测的是上一时刻的值。因此，即使精度较高，这个模型依旧是无法使用的。主要原因是：点这里，因为序列存在自相关，实际上DBN并没有学习到风速预测模型，而是学习到了这种自相关性，而这个在时间序列预测上是及其常见的。
2.2 EMD分解+DBN
为了解决这个滞后问题，采用EMD经验模态分解先对序列进行分解得到IMF本征模态分量，然后对每个imf建立DBN预测模型，如图4所示。最后将各IMF对应的DBN的预测值相加，得到最终的预测结果，结果如图5所示：
2.3 EMD+模拟退火+DBN
最后，为再一次提升精度，本文采用SA模拟退火算法对DBN的各隐含层节点数进行寻优，得到一个较优的网络结构，优化流程如图6所示，得到的结果如图7所示。
结果显示经SA优化后的DBN，精度得到了再一次提升。
最后对上述各算法结果进行对比
代码链接：点这里
版权声明：本文为qq_41043389原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接和本声明。