針對傳統的時間序列分析方法預測科學數據效果較差的特點，提出了一種結合自組織神經網絡和灰色理論的時間序列預測方法。該方法利用度量時間序列相似性距離函數，將時間序列按照其變化規律分成不同的類別，并在GM算法中針對白化參數進行優化，對科學數據時間序列進行自組織聚類，針對各類別采用灰色理論建立預測模型。試驗表明，該模型適合科學數據的變化特點，提高了預測精度。
關 鍵 詞 神經網絡; 灰色理論; 時間序列; 預測

Traditional methods have poor efficiency and effect to deal with the scientific data series forecasting. In this paper, a forecasting algorithm based on grey theory and self-organized map neural networks is proposed. Firstly, the scientific data time series cluster in self-organized mannar. Then the forecast model is established with grey theory. In clustering, a distance criterion is proposed to scale the difference between series. In grey theory, the whiten parameter is optimized. The experiments show that this algorithm surpasses those traditional forecasting methods in precision and time efficiency.
Key words neural network; grey theory; time series; forecasting

大規模科學計算是對連續變化的科學現象進行離散抽樣的數值模擬，計算過程除需花費大量的計算資源外，還必然會產生大規模的數值模擬數據。仿真物理現象的數值模擬數據由數值計算程序通過一系列時間步產生，是對連續空間數據離散采樣、帶有網格結構的時間序列[1-2]。當數據規模增大時，時間序列的分析和處理都因為數據特征復雜、規模龐大而難以進行。數值模擬應用中，大規模科學數據的時間序列分析[3-5]，已經成為影響科學數據挖掘的一個重要瓶頸問題。
科學數據具有幾何特性、拓撲結構、物理屬性和時變性四個基本特征。特別是對于時變性來講，存在對時間規則的網格數據和對時間步間隔變化的網格數據。常用的時間序列分析方法假定數據時間間隔相等，因此不適于科學數據時間序列分析。影響科學現象的物理因素是多種多樣的，各種各樣的物理因素對物理現象的具體影響仍需進一步研究，因此對科學數據時間序列的預測常具有灰色性特征。本文建立灰色預測模型，即以自組織神經網絡聚類后的時間序列為基礎，運用灰色模型預測科學數據時間序列的變化。