分数阶模糊认知图:多变量时间序列长期预测框架
《Pattern Recognition》:Fractional-order fuzzy cognitive maps: A framework for long-term forecasting of multivariate time series
【字体:
大
中
小
】
时间:2026年09月21日
来源:Pattern Recognition 9.1
编辑推荐:
- 提出分数阶模糊认知图(FFCM)以实现连续时间建模,捕捉长期依赖关系。
- 自动学习分数阶阶数,降低参数复杂度并缓解过拟合问题。
- 采用"Z形"并行预测结构以提高效率并减少误差累积。
**引言**
多变量时间序列(MTS)预测利用多变量历史数据来预测未来状态,广泛应
- 提出分数阶模糊认知图(FFCM)以实现连续时间建模,捕捉长期依赖关系。
- 自动学习分数阶阶数,降低参数复杂度并缓解过拟合问题。
- 采用"Z形"并行预测结构以提高效率并减少误差累积。
**引言**
多变量时间序列(MTS)预测利用多变量历史数据来预测未来状态,广泛应用于天气预报[1]、交通流量分析[2]和电力需求预测等领域。它包含多输入单输出(MISO)和多输入多输出(MIMO)预测范式[3]。与单变量预测不同,MTS建模能够捕捉变量间的相互依赖关系以提升预测精度,同时也带来了更高的建模复杂度。
现有的MTS预测方法主要包括统计模型和深度学习算法。经典统计方法包括ARIMA和卡尔曼滤波,但它们受限于严格的数学假设,泛化能力较差。近年来,深度神经网络(DNN)在时间序列预测中取得了显著的性能提升。Liu等人[4]提出了一种多模态动态图卷积网络,用于精确的股票预测。Zhao等人[5]设计了TFformer,通过频率分解和周期性匹配实现低复杂度的长序列预测。然而,基于DNN的方法存在黑箱特性和高昂的训练成本,这限制了其在需要可解释性和安全性场景中的应用。
模糊认知图(FCM)因其卓越的可解释性和因果推理能力而受到广泛关注,被广泛应用于医疗诊断[6]、风险分析、工程和环境研究等领域。Mariadoss等人[7]基于k-means聚类构建了一个两阶段心血管疾病风险评估系统。Soner等人[8]将FCM与仿真工具相结合,用于港口网络安全风险管理。FCM整合了模糊逻辑和循环结构的优势,有效弥补了DNN的某些缺陷,在MTS预测中展现出巨大潜力[9]。
当前的基于FCM的时间序列预测模型分为无隐藏层的传统FCM(TFCM)和有隐藏层的深度增强FCM(DNN-FCM)两类。TFCM通常与波let变换、经验分解[10]、信息颗粒[11]和模糊集[12]相结合。TFCM具有较高的可解释性,能够捕捉短期时间相关性而在短期预测中表现良好,但其浅层结构无法从复杂非平稳时间序列中提取多层次抽象特征,限制了长程预测性能。DNN-FCM嵌入注意力机制[13]、LSTM单元[14]和回声状态网络[15]来构建隐藏层,并通过梯度下降优化模型参数,提升了非线性特征提取能力。然而,所引入的隐藏节点和权重缺乏物理意义,严重降低了模型的可解释性。
尽管结构上存在差异,TFCM和DNN-FCM均采用一阶FCM推理规则,仅利用前一个单一时间步的状态进行节点更新,无法捕捉长期时间依赖关系。高阶FCM(HFCM)[16]采用多个独立权重矩阵来融合多步历史信息,有效丰富了时间特征并提升了预测性能[17]。然而,HFCM存在四个关键的固有缺陷:
(i) **无约束的权重学习。** HFCM学习多个独立权重矩阵,缺乏时间衰减约束[18],违反了现实中记忆逐渐衰减的物理规律,导致不合理的时序建模和长程预测精度下降。
(ii) **有限整数阶约束。** 通过梯度下降优化的HFCM记忆长度??是一个通过反复实验手动设定的正整数[18], [19]。对第??步之后的历史信息进行硬性截断,导致长期时间特征的不可逆丢失,削弱了模型捕捉缓变和周期性时间序列分量的能力。
(iii) **参数线性增长。** HFCM的参数数量随模型阶数线性增加,对于??个概念节点和阶数??,需要??2??个参数[3]。在有限训练数据下,过多的参数容易导致过拟合,造成泛化能力差和预测结果不稳定。
(iv) **鲁棒性有限。** HFCM仅适用于固定间隔的离散时间序列,无法有效处理实践中常见的不规则或存在缺失的观测数据,导致在复杂现实任务中精度明显下降。
这些缺陷源于HFCM中不合理的参数化、有限的记忆截断和离散时间建模,限制了其在复杂MTS数据上的预测性能。为解决这些问题,本文引入分数阶微积分到FCM框架中,提出了一种新颖的分数阶模糊认知图(FFCM)。据我们所知,这是分数阶理论在FCM框架中的首次应用。本文的主要贡献总结如下:
(i) 与HFCM采用独立学习的权重矩阵不同,FFCM采用基于可学习分数参数??和Gamma函数的连续记忆机制,生成符合真实世界记忆特征的幂律衰减系数。连续的??消除了整数阶记忆截断,实现了全历史信息建模。同时,连续时间公式极大地增强了对不规则和不完整时间序列的建模能力。
(ii) FFCM从单一参数??和一个共享权重矩阵??导出所有衰减系数,将参数复杂度从??(??2??)降低到??(??2)。这从根本上解决了HFCM的参数线性增长问题,降低了过拟合风险,同时保留了无隐藏层FCM结构的完整可解释性。
(iii) 为长程MTS预测设计了"Z形"并行结构,将长预测任务分解为并行的短序列预测子任务。该结构抑制了递归误差累积,降低了分数阶计算的开销,显著提高了长程预测精度。
综上所述,所提出的分数阶记忆机制解决了HFCM的核心缺陷,而Z形并行结构优化了预测效率。本文其余部分组织如下:第2节回顾了FCM和分数阶微积分的相关工作。第3节"从HFCM到FFCM"和第4节"基于FFCM的长程MTS建模"详细介绍了FFCM模型的推导和Z形并行架构设计。第5节展示了实验结果、效率分析、参数敏感性分析和可解释性验证。第6节总结了本文并展望了未来研究方向。
**预备知识**
本节介绍所提方法的理论基础。第2.1节回顾了传统FCM和高阶FCM。第2.2节介绍了Grünwald-Letnikov分数阶导数,它支撑了FFCM的连续记忆机制。第2.3节总结了典型的基于FCM的时间序列预测方法。
**从HFCM到FFCM**
本节提出了分数阶模糊认知图(FFCM)。我们首先通过在连续时间分数阶微积分框架下重构HFCM推理机制来推导FFCM公式,然后提供了其参数学习过程。
**基于FFCM的长程MTS建模**
第3节通过公式(25)推导了FFCM从??(???)到??(??_??)的单步推理公式。控制每步精度的关键因素是公式(12)中GL求和可用的历史状态数量??:更大的??可获得更精细的分数阶导数近似。本节说明了如何将多个这样的步骤组织为长程MTS建模的并行架构,并通过插值密集化的输入增强阶段来增加??。
**实验**
本节展示了所提FFCM的综合实验评估。我们首先描述基准数据集和实验协议,然后在完整数据和缺失数据条件下将长程预测性能与代表性基线进行比较。随后,我们分析了参数数量和GPU内存使用量方面的计算效率,接着进行关键参数分析、消融实验以验证各组件的贡献,以及……
**结论**
本文提出了FFCM,首次将分数阶微积分引入FCM框架,从连续时间视角重新定义了HFCM推理机制,并采用可学习的分数阶阶数??。进一步发展了Z形并行架构,将预测时域分解为???1个并行预测模块(Pred-Block),使分数阶推理在长程MTS预测中具备计算可行性。
在八个真实MTS数据集上的大量实验验证了……
**CRediT作者贡献声明**
Lin Su:软件、形式分析、数据整理。Wei Lu:软件、调查研究、经费获取。
**利益冲突声明**
作者声明不存在可能影响本文工作的已知竞争性经济利益或个人关系。
**致谢**
本工作得到了国家自然科学基金委的资助,项目编号为62473074、62073056、61876029和62076050。
Lin Su | Wei Lu
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