用于时间序列预测的分数阶神经常微分方程
林敏(Min Lin)
郑建国(Jianguo Zheng)
范宏(Hong Fan)
《Electronics》:Fractional Neural Ordinary Differential Equations for Time-Series Forecasting
Min Lin,
Jianguo Zheng and
Hong Fan
【字体:
大
中
小
】
时间:2026年05月03日
来源:Electronics 2.6
摘要
神经常微分方程(Neural ODEs)通过连续时间动态系统描述深度网络的特征演变,并通过可微分数值求解器实现端到端学习。然而,在小样本时间序列的闭环滚动预测中,传统的神经常微分方程仍然容易受到误差累积和数值不稳定性的影响。为了提高长期演变的可控性,本研究提出了一种基于分数阶算子的神经常微分方程框架。该方法没有直接将全历史卷积核引入控制动态中,而是从常数函数的黎曼-刘维尔分数积分的封闭形式表达式中构建了一个分数有效步长,并将其一致地嵌入到四阶龙格-库塔(Runge-Kutta)求解器的所有子步骤中。通过这种方式,连续深度传播的尺度由一个可调参数来控制。结合残差输出结构,该方法在保持连续动态可解释性的同时,有效抑制了闭环预测中的轨迹漂移并提高了训练稳定性。为了研究分数阶参数对拟合和外推的影响,采用了粒子群优化(Particle Swarm Optimization)自动搜索最优阶数。在线性螺旋系统、洛伦兹连续动态系统以及一个小样本省级年度电力消耗数据集上的实验评估表明,所提出的模型在多个任务中实现了更低的预测误差,并在长预测范围内表现出更好的轨迹保持能力和鲁棒性。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号