基于新型人工神经网络与灰狼优化算法的混合阶单变量直觉模糊时间序列预测方法

为何这一预测思路对日常数据重要

从加密货币价格到加满一箱油或购买黄金的成本，金融数值常常以难以预测的方式波动。本文提出了一种将昨日嘈杂的价格曲线转化为更好明日估计的新方法，通过混合类人的怀疑程度与一种受真实神经元分支中信号传递启发的先进神经网络。

更像人类方式地处理不确定性

大多数预测工具将每个数据点视为属于或不属于某一模式，就像开关要么开要么关。模糊时间序列方法弱化了这种二元观，使数据能够“部分”符合多个模式。本文的方法更进一步，同时追踪数据点不属于某模式的程度，以及介于二者之间的犹豫程度。这种更丰富的描述称为直觉模糊时间序列，它使模型不仅能表示部分一致性，还能明确表示分歧和关于某值真实归属的剩余不确定性。

让两种视角共同学习

作者设计的预测模型将隶属度和非隶属度信息视为同一时间序列的两条并行视角。首先，聚类过程将过去数据分入模糊区域，并为每个点分配三项得分：属于的程度、不属于的程度以及模型的不确定程度。这些得分连同原始过去数值一起被输入到一种特殊的神经网络中。网络的一部分侧重于隶属信息，另一部分侧重于非隶属信息。每一部分学习自身的内部关系并各自给出下一步值的预测。

一种类似分支神经元的神经网络

该方法没有使用标准的分层网络，而是依赖一种模拟生物神经元分支结构的树突神经元模型。信号首先通过突触层，然后沿树突分支相乘，在膜层相加，最后在胞体层转化为输出。在所提出的组合设计中，隶属输入和非隶属输入各有独立的树突通路。其输出随后通过系统自动学习的权重混合。这一结构既能捕捉数据中的复杂交互，又能保持整体架构的紧凑性。

灰狼为网络调节众多参数

训练这样一个细致的网络意味着要调整许多内部权重和阈值。作者没有依赖容易陷入局部劣解的传统梯度训练，而是采用了一种受自然启发的策略——灰狼优化算法。在该算法中，虚拟“狼群”探索网络参数的不同设置，并由模拟真实狼群狩猎的等级结构引导。随着时间推移，狼群收敛到能最小化预测误差的参数值，包括平衡隶属分支与非隶属分支的关键权衡。

在关键金融序列上获得更佳预测

研究团队在四个熟悉的金融时间序列上测试了他们的方法：比特币、原油、欧元兑美元和黄金价格。他们将每个数据集划分为训练、验证和测试部分，并将所提方法与若干知名的模糊和直觉模糊预测模型进行比较。在这些案例中，新方法常常获得最低的平均预测误差；即便未位列第一，表现也仍与最佳竞争者非常接近。结果表明，让模型同时从每个模式的符合与不符合中学习，并在由灰狼调优的树突式网络内进行，可以提供更准确且更稳定的预测。

这对未来预测工具意味着什么

简言之，本文表明更谨慎地对待不确定性，并赋予神经网络更丰富、更具生物学启发的结构，能够改善现实世界金融数据的短期预测。该方法仍专注于单变量，但它指向一种使用多种信念与怀疑色调而非单一明确界线的预测系统。通过进一步扩展，类似思路可帮助分析师与自动化系统在任何以不确定时间序列数据为关键的场景中做出更明智的决策。

引用: Cansu, T., Bas, E. & Egrioglu, E. Mixed order single variable intuitionistic fuzzy time series forecasting method based on a new artificial neural network and grey wolf optimization algorithm. Sci Rep 16, 15682 (2026). https://doi.org/10.1038/s41598-026-45059-2

关键词: 金融预测, 模糊时间序列, 人工神经网络, 灰狼优化, 直觉模糊集