引入随机高阶模糊认知图作为储备池计算模型：以太阳能与负荷预测为例
人工智能
2022-01-10 v2 机器学习
神经与进化计算
摘要
模糊认知图（FCMs）已成为一种可解释的带符号加权有向图方法，由节点（概念）和表示概念间依赖关系的权重组成。尽管 FCMs 在各种时间序列预测应用中取得了可观成就，设计具有时间高效训练方法的 FCM 模型仍是一项开放挑战。因此，本文引入一种新颖的单变量时间序列预测技术，其由一组称为 R-HFCM 的随机高阶 FCM 模型构成。所提出的 R-HFCM 模型的新颖性在于将 FCM 与回声状态网络（ESN）——作为储备池计算（RC）模型中高效且特定的一个家族——的概念相融合，并应用最小二乘算法训练模型。从另一角度看，R-HFCM 的结构由输入层、储备层与输出层组成，其中仅输出层可训练，而各子储备层组件的权重随机选取并在训练过程中保持恒定。作为案例研究，该模型考虑使用巴西太阳能电站公共数据的太阳能预测，以及包含马来西亚 Johor 市供电公司每小时电力负荷与温度数据的马来西亚数据集。实验还考察了映射规模、激活函数、偏置存在与否以及储备层大小对 R-HFCM 方法精度的影响。所得结果证实了所提 R-HFCM 模型相对于其他方法的优越性。本研究提供了证据，表明 FCM 可成为时间序列建模中动力学储备层实现的新途径。
引用
@article{arxiv.2201.02158,
title = {Introducing Randomized High Order Fuzzy Cognitive Maps as Reservoir Computing Models: A Case Study in Solar Energy and Load Forecasting},
author = {Omid Orang and Petrônio Cândido de Lima Silva and Frederico Gadelha Guimarães},
journal= {arXiv preprint arXiv:2201.02158},
year = {2022}
}