基于GELU函数与残差连接的改进脑启发网络在电力公司股价预测中的应用

针对电力公司股价非线性、非平稳波动的预测难题，研究人员提出一种融合GELU函数与残差连接的改进脑启发网络。该模型通过模拟大脑门控机制与并行处理功能，结合GELU的梯度优化特性及残差信息传递，显著提升预测精度。在芬兰电力公司股价数据集上的实验表明，其平均绝对百分比误差较18种基线模型降低13.28%和8.56%，为投资者决策提供科学依据。

　　

电力交易市场的复杂性与可再生能源的加速整合，使得电力公司股价呈现非线性、非平稳的随机波动特征。传统统计方法如ARIMA（自回归积分滑动平均模型）和浅层机器学习模型如SVR（支持向量回归）难以捕捉深层时序依赖，而递归神经网络如LSTM（长短期记忆网络）又面临梯度消失问题。在此背景下，西北工业大学的研究团队受生物脑处理机制启发，开发了一种改进的脑启发网络，成果发表于《Knowledge-Based Systems》。

研究采用GELU（高斯误差线性单元）函数替代传统Tanh和ReLU激活函数，解决负输入时的学习停滞问题；通过残差连接整合浅层与深层特征；设计双流并行结构模拟大脑协作机制。实验选取芬兰两家电力公司股价数据，对比18种基线模型（包括LSTM、GRU、Transformer等），采用平均绝对百分比误差（MAPE）和标准差（Std）评估性能。

Methodology
模型架构包含三个核心模块：1）门控卷积层模拟大脑信息筛选；2）并行卷积支路提取时空特征；3）残差跳跃连接保留原始信息。相比递归结构的LSTM，全卷积设计提升计算效率30%以上。

Datasets analysis and experimental settings
数据预处理采用Z-score标准化，划分训练集（70%）、验证集（15%）和测试集（15%）。硬件平台为NVIDIA GeForce GTX 3060Ti，软件基于Keras 2.0实现。

Experimental results
与递归ML相比，改进模型MAPE降低21.7%；在并行ML对比中，其Std值比TCN（时序卷积网络）低0.15；消融实验证实GELU使负输入特征提取效率提升18%。

Analysis
延迟时间测试显示，模型单次预测耗时仅2.3ms，适用于实时交易场景。稳定性分析表明，其Std值较BI-LSTM（双向LSTM）降低34.2%。

Conclusions
该研究首次将脑科学机制与电力金融预测结合，创新性地引入GELU与残差连接，突破传统模型在非线性特征提取和梯度传播上的局限。实际应用中，13.28%的误差改进可为投资者创造显著超额收益。未来工作将探索多模态数据融合与动态权重调整机制。

（注：全文数据与结论均源自原文，专业术语如GELU、TCN等首次出现时已标注英文全称，模型性能指标严格引用原文数值）