CN1795421A - 确定动态系统的未来的系统特性的方法以及具有程序代码装置的计算机程序和计算机程序产品 - Google Patents

Abstract

在本发明中，在应用动态系统的已知的系统特性的情况下，通过相似性比较确定未来的系统特性的近似(“相似性分析”)。随后，在应用动态系统的未来的系统特性的近似的情况下和在应用神经网络结构、尤其是因果－反向因果网络的情况下，确定未来的系统特性(“因果性分析”)。

Description

确定动态系统的未来的系统特性的方法 以及具有程序代码装置的计算机程序 和计算机程序产品

本发明涉及一种用于确定动态系统的未来的系统特性的方法、以及具有程序代码装置(Mittel)的计算机程序和计算机程序产品。

从[1]中公知，为了描述和模拟动态系统或动态过程和该动态过程的过程特性而采用神经元结构、例如神经网络。

一般，通过对于动态过程的观察者是不可见的状态过渡描述和描述技术动态过程的可观察的量的输出方程来描述动态系统或动态过程。

图2中示出了动态过程的这种过程特性。

动态过程200或动态过程在其中进行的动态系统200经受可预定维数(Dimension)的外部输入量u的影响，其中，用u_t来表示时刻t的输入量u_t：

                       u_t∈R¹，

其中，用1表示自然数。

时刻t的输入量u_t引起了动态过程的变化。

时刻t的可预定维数m的内部状态s_t(s_t∈R^m)对于动态系统200的观察者是不可见的。

与内部状态s_t和输入量u_t有关地，引起了动态过程的内部状态s_t的状态过渡，并且动态过程的状态过渡到随后的时刻t+1的后续状态s_t+1。

在此适用：

s_t+1＝f(s_t，u_t).                            (1)

其中，用f(.)表示一般的映射规则(Abbildungsvorschrift)。

时刻t的由动态系统200的观察者可见的输出量y_t与输入量u_t以及内部状态s_t有关。

输出量y_t(y_t∈Rⁿ)具有可预定的维数n。

输出量y_t与输入量u_t和动态过程的内部状态s_t的关系通过以下一般的规则来给出：

y_t＝g(s_t)，                          (2)

其中，用g(.)表示一般的映射规则。

为了描述动态系统200，在[1]中以互相连接的神经元的神经网络的形式采用由互相连接的计算元件组成的神经元结构。加权神经网络的神经元之间的连接。神经网络的权重被包括在参数矢量v中。

因此，根据以下的规则，经受动态过程的动态系统的内部状态与输入量u_t和过去的时刻的内部状态s_t和参数矢量v有关：

s_t+1＝NN(v，s_t，u_t)，                (3)

其中，用NN(.)表示由神经网络预定的映射规则。

根据关系式(3)来描述动态系统200也被称为“预测方法(Forecast Approach)”。

替代于此地也可以通过下式来描述动态系统：

s_t＝f(s_t-1，u_t)                       (1`)

与

s_t＝NN(v，s_t-1，u_t)                   (3`)

这称为“一致性方法(Consistency Approach)”。“预测方法”和“一致性方法”导致各自的网络结构方面的微小的结构差别，但是这两种方法对于动态系统是等价的、可替换地应用的描述形式。

从[2]中公知一种用于描述动态系统200的其它的神经元结构、即被称为时延递归神经网络(TDRNN，Time Delay Recurrent NeuralNetwork)的神经网络。该公知的TDRNN在图5中被示为经过有限数量的时刻(示出了5个时刻：t-4，t-3，t-2，t-1，t)展开的神经网络500。

图5中示出的神经网络500具有带有五个子输入层521、522、523、524和525的输入层501，这五个子输入层分别含有可预定数量的输入计算元件，给这些输入计算元件可施加可预定的时刻t-4、t-3、t-2、t-1和t的输入量u_t-4、u_t-3、u_t-2、u_t-1和u_t，也就是可施加下面说明的具有预定时间步长(Zeitschrit)的时间系列值(Zeitreihenwert)。

输入计算元件、也就是输入神经元通过可变的连接与可预定数量的隐藏层505(示出了5个隐藏层)的神经元相连接。

在此，第一隐藏层531、第二隐藏层532、第三隐藏层533、第四隐藏层534和第五隐藏层535的神经元分别与第一子输入层521、第二子输入层522、第三子输入层523、第四子输入层524和第五子输入层525的神经元相连接。

在第一隐藏层531、第二隐藏层532、第三隐藏层533、第四隐藏层534和第五隐藏层535分别与第一子输入层521、第二子输入层522、第三子输入层523、第四子输入层524和第五子输入层525之间的连接分别是相同的。所有连接的权重分别被包含在第一连接矩阵B₁中。

此外，根据由第二连接矩阵A₁给出的结构，第一隐藏层531的神经元利用其输出与第二隐藏层532的神经元的输入相连接。根据由第二连接矩阵A₁给出的结构，第二隐藏层532的神经元利用其输出与第三隐藏层533的神经元的输入相连接。根据由第二连接矩阵A₁给出的结构，第三隐藏层533的神经元利用其输出与第四隐藏层534的神经元的输入相连接。根据由第二连接矩阵A₁给出的结构，第四隐藏层534的神经元利用其输出与第五隐藏层535的神经元的输入相连接。

在这些隐藏层、即第一隐藏层531、第二隐藏层532、第三隐藏层533、第四隐藏层534和第五隐藏层535中，在五个相继的时刻t-4、t-3、t-2、t-1和t上，分别代表了由TDRNN所描述的动态过程的“内部”状态或者“内部”系统状态s_t-4、s_t-3、s_t-2、s_t-1和s_t。

各个层中的下标中的数据分别说明了在各个层的输出上可量取或可输送的信号(u_t-4，u_t-3，u_t-2，u_t-1，u_t)分别涉及的时刻t-4、t-3、t-2、t-1和t。

输出层520具有五个子输出层，即第一子输出层541、第二子输出层542、第三子输出层543、第四子输出层544以及第五子输出层545。根据由输出连接矩阵C₁给出的结构，第一子输出层541的神经元与第一隐藏层531的神经元相连接。根据由输出连接矩阵C₁给出的结构，第二子输出层542的神经元与第二隐藏层532的神经元相连接。根据输出连接矩阵C₁，第三子输出层543的神经元与第三隐藏层533的神经元相连接。根据输出连接矩阵C₁，第四子输出层544的神经元与第四隐藏层534的神经元相连接。根据输出连接矩阵C₁，第五子输出层545的神经元与第五隐藏层535的神经元相连接。在子输出层541、542、543、544和545的神经元上，可以量取针对各时刻t-4、t-3、t-2、t-1、t的输出量(y_t-4，y_t-3，y_t-2，y_t-1，y_t)。

神经网络中的等效连接矩阵在各个时刻具有相同值的基本定理被称为所谓的共享权重值(Shared Weight)的原理。

在训练阶段这样来训练从[2]中公知的和被称为时延递归神经网络(TDRNN)的装置，使得对于输入量u_t分别确定实际的动态系统上的目标量y^d _t。该元组(输入量、所确定的目标量)被称为训练数据。多个这种训练数据形成了训练数据组。

在此，训练数据组的时刻(t-4，t-3，t-3，...)的在时间上相继的元组(u_t-4，y^d _t-4)、(u_t-3，y^d _t-3)、(u_t-2，y^d _t-2)分别具有预定的时间步长。

利用训练数据组来训练TDRNN。同样在[1]和[4]中能找到关于不同的训练方法的概况。

在此处要强调，仅仅可识别动态系统200的时刻t-4、t-3、...、t的输出量y_t-4、y_t-3、...、y_t。“内部”系统状态s_t-4、s_t-3、...、s_t是不可见的。

在训练阶段通常使以下的成本函数E最小化：

$E=\frac{1}{T}\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{(y_t-y_t^d)}^2\→\underset{f,g}{\min }----\left(4\right)$

其中，利用T来表示所考虑的时刻的数量。

从[5]和[6]中公知从[2]中公知的和被称为时延递归神经网络(TDRNN)的神经元结构的扩展方案。

来自[5]的扩展方案尤其适用于确定动态过程的未来的状态，这被称为“超调(overshooting)”。

来自[5]的图1a示出一种从[5]中公知的扩展方案所基于的基本结构。

该基本结构是一种经过三个时刻t、t+1、t+2展开的神经网络。

该基本结构具有含有可预定数量的输入神经元的输入层，给这些输入神经元可施加可预定的时刻t的输入量u_t、也就是以下说明的具有预定时间步长的时间系列值。

输入神经元通过可变的连接与可预定数量的隐藏层(示出了3个隐藏层)的神经元相连接。

在此，第一隐藏层的神经元与第一输入层的神经元相连接。

第一隐藏层与第一输入层之间的连接具有包含在第一连接矩阵B中的权重。

此外，根据由第二连接矩阵A给出的结构，第一隐藏层的神经元利用其输出与第二隐藏层的神经元的输入相连接。根据由第二连接矩阵A给出的结构，第二隐藏层的神经元利用其输出与第三隐藏层的神经元的输入相连接。

在这些隐藏层、即第一隐藏层、第二隐藏层和第三隐藏层中，在三个相继的时刻t、t+1和t+2上，分别代表了所描述的动态过程的“内部”状态或者“内部”系统状态s_t、s_t+1和s_t+2。

各个层中的下标中的数据分别说明了时刻t、t+1、t+2，在各个层的输出上可量取或可输送的信号(u_t)分别涉及这些时刻。

输出层120具有两个子输出层、即第一子输出层和第二子输出层。根据由输出连接矩阵C给出的结构，第一子输出层的神经元与第一隐藏层的神经元相连接。同样根据由输出连接矩阵C给出的结构，第二子输出层的神经元与第二隐藏层的神经元相连接。

在子输出层的神经元上可量取各时刻t+1、t+2的输出量(y_t+1，y_t+2)。

图6中示出了来自[5]的该基本结构的其它的扩展方案。

来自[6]的TDRNN结构的扩展方案、即所谓的纠错递归神经网络(ECRNN，Error-Correction-Recurrent-Neural-Network)涉及结构上决定的纠错机制，该纠错机制作为结构的组成部分被集成到神经元结构中。图7示出具有ECRNN的相应功能性关系的基本的结构。

从[7]中公知一种用于描述动态系统200的其它的神经元结构、即一种被称为因果-反向因果时延递归神经网络(简称因果-反向因果神经网络；CRCNN，Causal-Retro-Causal Neutral Network)的神经网络。

图3示出一种具有CRCNN的相应功能性关系的基本的结构300。

在该CRCNN中，两个神经元子结构310、320互相耦合。在此，根据以下的规则，第一神经元子结构310的第一内部子状态s_t(311-314)和第二神经元子结构320的第二内部子状态r_t(321-324)与输入量u_t(301-304)、第一内部子状态s_t-1(311-314)、第二内部子状态r_t+1(321-324)以及参数矢量v_s、v_t、v_y有关：

s_t＝NN(v_s，s_t-1，u_t)，                      (8)

r_t＝NN(v_r，r_t+1，u_t)                        (9)

y_t＝NN(v_y，s_t，r_t)                         (10)

其中，用NN(.)表示由神经网络预定的映射规则。

加权CRCNN的神经元之间的连接。这些权重被包含在参数矢量v_s、v_t、v_y中。

根据图3的CRCNN 300是经过四个时刻(t-1、t、t+1和t+2)展开的神经网络(请参阅TDRNN，图5)。

在[2]中和以上与公知的TDRNN(参阅图5)有关地说明了经过有限数量的时刻展开的神经网络的特征。

此外，在[3]中还能找到关于神经网络的基础的概况和神经网络在经济领域中的应用可能性。

公知的装置和方法尤其是具有以下缺点，即通过这些装置和方法只能不够准确地描述要描述的动态系统，并且因此只能不够准确地预测系统的未来的发展。

这尤其是适用于经受计划影响的动态系统，也就是不是只是纯粹由市场推动的动态系统。

因此，本发明所基于的问题是，说明一种用于确定动态系统的未来的系统特性的方法，该方法不遭受公知装置和方法的缺点，尤其是不遭受这些装置和方法的不准确性。

通过具有根据各自的独立权利要求所述的特征的、用于确定动态系统的未来的系统特性的方法以及具有程序代码装置的计算机程序和计算机程序产品来解决该任务。

在用于确定动态系统的未来的系统特性的方法中，在应用动态系统的已知的系统特性的情况下，通过相似性比较或相似性分析来确定未来的系统特性的近似(“Similarity Analysis”)。

接着，在应用动态系统的未来的系统特性的近似的情况下和在应用神经网络结构的情况下确定未来的系统特性(“CausalityAnalysis(因果性分析)”)，其中，将动态系统的未来的系统特性的近似作为输入量输送给神经网络结构，并且神经网络结构的输出量代表了未来的系统特性。

直观地来看，本发明在应用神经网络结构的情况下示出了相似性分析(“Similarity Analysis”)与因果性分析(“CausalityAnalysis”)的结合。

在此，为此采用相似性分析，以便从历史的系统特性中确定未来的(可期望的)系统特性的近似。基于该近似，接着像补充修正(Nachkorrektur)似地，在应用神经网络结构的情况下确定或预测未来的系统特性。

这种两级的或组合的行为方式、亦即在应用神经网络结构的情况下首先通过相似性分析随后进行补充修正的近似确定是尤其适用的，以便预测所谓的“人控制的(Human Controlled)”系统(HCS)的系统特性。这种HCS应被理解为经受控制的和/或计划干预的影响的这种系统。

这种HCS的实例是能量消耗、电流消耗或者煤气消耗或相应的能源消耗特性。

在此，能量消耗或电流消耗/煤气消耗与能源的供应和对能源的需求有关。供求的互相作用虽然处于市场操纵的(marktmechanisch)(经济的)规律性或机制之下。但是，通过计划和相应地提供能源的供应量，可以干预该互相作用或干预市场动态，也就是干预系统。

在本发明中尤其是能(在因果性分析的范围内)应用这种神经网络结构，这些神经网络结构尤其适用于作用原因分析(因果性分析)。

通常将动态系统表达为原因作用关系(请参阅图2的实施方案，关系式(1)至(3))，这些原因作用关系可以通过从[1]、[2]或者[5]中公知的神经元的结构来映射。这些原因作用关系在这些神经元结构中在其中找到表达，即在这些神经元结构中生成的信息流在时间上指向前、也就是从过去指向未来。这种被称为正向特性。过去的时刻(t-2)、(t-1)、...的输入量u_t中的原因导致时刻(t或t+1)的输出量y_t中的(可感觉到的)作用。在此，输入量u_t通过神经元的原因作用结构被映射到输出量y_t上。

该“指向前的”信息流尤其适用，以便考虑市场操纵的影响。

可以用神经元子结构来扩充原因作用关系的这些“一维”(指向前的)结构，该子结构执行作用原因分析并且因此准备因果的合成。

在该(作用原因)扩充结构或作用原因结构中，生成了在时间上指向后的信息流、也就是从未来指向过去的信息流。这种被称为反向特性。时刻(t)的输出量y_t中的作用“引起”或具有时刻(t-1)、(t-2)、...的输入量u_t中的其原因。在此，以相对原因作用结构相反的方式，将(作为扩展结构的输入量的)输出量y_t映射到(作为扩展结构的输出量的)输入量u_t上。

该“指向后的”信息流尤其适用，以便考虑计划的和/或控制的影响。

本发明尤其适用于预测动态系统的未来的系统特性。该预测可以从所确定的未来的系统特性中导出。

设立具有程序代码装置的计算机程序，以便，当在计算机上实施该程序时，执行根据本发明方法的所有步骤。

设立具有存储在机器可读载体上的程序代码装置的计算机程序产品，以便，当在计算机上实施该程序时，执行根据本发明方法的所有步骤。

装置以及具有程序代码装置的计算机程序以及具有存储在机器可读载体上的程序代码装置的计算机程序产品尤其是适用于执行本发明方法或者执行它的以下所述的扩展方案之一，为了当在计算机上实施程序时执行根据本发明方法的所有步骤而设立该具有程序代码装置的计算机程序，为了当在计算机上实施程序时执行根据本发明方法的所有步骤而设立该具有存储在机器可读载体上的程序代码装置的计算机程序产品。

在此，也可以分散地或分布式地实现所描述的软件解决方案，也就是计算机程序的部分或者计算机程序产品的部分(也作为独立的子解决方案)可以在不同的(分布式的)计算机上运行或由这些计算机来实施，或者被存储在不同的存储介质上。

由从属权利要求得出本发明的优选的扩展方案。

以下所述的扩展方案既涉及方法又涉及具有程序代码装置的计算机程序和计算机程序产品。

本发明和以下所述的扩展方案可以既在软件中又在硬件中来实现，例如在应用专门的电路的情况下来实现。

此外，可能通过计算机可读的存储介质来实现本发明或以下所述的扩展方案，在该存储介质上存储了具有程序代码装置的、实施本发明或者扩展方案的计算机程序。

也可以通过具有存储介质的计算机程序产品来实现本发明或者每种以下所述的扩展方案，在该存储介质上存储了具有程序代码装置的、实施本发明或者扩展方案的计算机程序。

在一种扩展方案中，神经网络结构具有两个互相耦合的子结构。

这样来匹配第一神经元子结构，使得该第一神经元子结构的第一映射特性描述了动态系统的正向特性。

可以由从[1]、[2]或者[5]中公知的神经元结构来映射的该第一“指向前的”神经网络结构尤其适用，以便模仿或识别原因作用关系(请参阅图2的实施方案，关系式(1)至(3))。

该原因作用关系在该第一神经元子结构中在其中找到表达，即在该第一神经元子结构中生成的信息流在时间上指向前、也就是从过去指向未来。这种被称为正向特性。过去的时刻(t-2)、(t-1)、...的输入量u_t中的原因导致时刻(t或t+1)的输出量y_t中的(可感觉到的)作用。在此，输入量u_t通过神经元的原因作用结构被映射到输出量y_t上。

这样来匹配第二神经元子结构，使得该第二神经元子结构的第二映射特性描述动态系统的反向特性。

可以由相应的从[1]、[2]或者[5]中公知的神经元结构来映射的该第二“指向后的”神经网络结构尤其适用，以便模仿或识别作用原因关系。

该第二“指向后的”神经元子结构因此尤其适用于执行作用原因分析，以便以此来准备因果的合成。

在该(作用原因)子结构中生成了在时间上指向后的信息流、也就是从未来指向过去的信息流。这种被称为反向特性。时刻(t)的输出量y_t中的作用“引起”或具有时刻(t-1)、(t-2)、...的输入量u_t中的其原因。在此，以相对原因作用结构相反的方式，将(作为第二神经元子结构的输入量的)输出量y_t映射到(作为第二神经元子结构的输出量的)输入量u_t上。

此外，第一“指向前的”神经元子结构尤其适用于考虑市场机制对动态系统的影响。

第二“指向后的”神经元子结构尤其适用于考虑对动态系统的计划影响。

根据该“指向前的”原因作用关系(因果性)和“指向后的”作用原因关系(反向因果性(Retrokausalitaet))，由第一和第二神经元子结构组成的神经元结构可被称为因果-反向因果神经网络。

在一种扩展方案中，第一和/或第二神经元子结构是一个或多个经过多个时刻展开的神经网络(例如TDRNN)，在该一个或多个神经网络中将所述动态系统的时间上的维数发展为空间上的维数。

除此之外，可能合宜的是，将第一和/或第二神经元子结构构造为纠错递归神经网络(ECRNN)。在[6]中说明了这种ECRNN的基础，并且可以相应地嵌入到神经元子结构中。

在一种改进方案中规定，在应用历史的系统数据的情况下确定动态系统的已知的系统特性。

可以这样确定动态系统的未来的系统特性的近似，使得将已知的系统特性划分成可预定时间长度(如一天或者一个小时)的段(Abschnitt)。接着，为这些段确定所属的段系统特性。

从这些段中可以选出具有各自所属的段系统特性的某些段。在应用这些所选出的段和所选出的所属的段系统特性的情况下，可以在考虑日历效应时确定近似。

在一种改进方案中选出了这种段，这种段的所属的段系统特性具有有意义的特性。

在应用所选出的段系统特性的情况下确定动态系统的未来的系统特性的近似时，可以在所选出的段系统特性之间内插和/或平均一个系统特性，和/或嵌入历史的段系统特性。

在一种扩展方案中，将本发明用于能量消耗、尤其是煤气量的消耗的预测。相应地也可以将本发明用于电流消耗预测。

如在经济系统(金融业务、银行、保险)或者工业系统(生产系统、工业设备、物流系统)中那样的另外的应用情形是可以设想的。

在附图中示出并在以下详细阐述本发明的实施例。

图1a和1b示出在根据实施例的能源预测中的两级行为方式的略图(1a：第一级：相似性分析；1b：第二级：因果性分析)；

图2示出动态系统的一般性描述的略图；

图3示出具有基本功能性关系的CRCNN的略图；

图4示出展示了能量消耗/煤气消耗的历史分布的略图(01/92-10/99的周数据)；

图5示出TDRNN的利用有限多的状态经过时间展开的装置的略图；

图6示出TDRNN的适合于“超调”的扩展方案的略图；

图7示出具有基本功能性关系的ECRNN的略图。

实施例：能量消耗预测/煤气消耗预测

任务提出(图4)

图4示出来自经济环境中的、通过在本发明的以下实施例的范围中所述的行为方式所解决的问题410。

基于预测时期的温度发展的预定的情形来寻找未来2001年的能量消耗或煤气消耗的预测。

基于01/92-10/99时期的周消耗数据，图4示范性地针对能量消耗分布示出能量消耗/煤气消耗的历史分布曲线400。

在此，煤气消耗一般与客户(市场操纵)的需求和供应企业的燃气库存量的计划战略(成本最小化)(计划的影响)420有关。

行为方式(图1a和图1b)

图1a和图1b示出用于能量消耗预测2001的行为方式。

图1a示出行为方式的第一步、即相似性分析(近似步骤)。图1b示出行为方式的第二步、即因果性分析(补充修正)。第一步的结果同时是第二步的输出量或输入量。

步骤1：相似性分析(图1a，110)

在相似性分析110中，将历史的、已知的能量消耗分布(在该情况下为2000年的能量消耗111)划分成各一日的时间段、即所谓的日片(Tagesscheiben)。

继续从历史的能量消耗分布2000中选出由一个或多个互相联系的日片所组成的有意义的能量消耗样板120、121。

有意义的能量消耗样板120、121在此可以是在其分布形式上像能量消耗尖峰那样超常的样板。在像假日(圣诞节、复活节)或假期开始那样的有意义的日子的能量消耗样板也是有意义的。

基于相应的日片，在考虑日历效应的情况下，将这种这样选出的能量消耗样板借用或投影到要预测的2001年上或要预测的时期2001上，130、131。

在此应将日历效应理解为，例如将“日片”或复活节2000的能量消耗分布(历史的)假设为所预测的、近似的“日片”或复活节2001的能量消耗分布(近似预测)(尽管有复活节2000和2001之间的日期差别)。

相应地，利用从2000借用到2001时的所有所选出的有意义的能量消耗样板120、121来处理130、131。

现在还可以弥合在2001的近似的、所预测的能量消耗分布中出现的(分布)缺140。

这可以通过在从2000投影到2001年的有意义的能量消耗分布120、121之间的内插和/或平均和/或应用可信的历史的消耗分布来实现。

该第一步、即相似性分析110的结果是2001的所预测的能量消耗分布的近似112。

步骤2：因果性分析(图1b，150)

该近似的、所预测的能量消耗分布112、152现在用作针对第二步、即因果性分析150的输出量。结果是，因果性分析150提供了所寻找的2001的能量消耗分布预测153。

在应用神经网络结构、即所谓的因果-反向因果神经网络(CRCNN)151或300(图3)的情况下执行因果性分析150。

神经网络结构-CRC NN(图3)

图3示出具有CRCNN的相应的功能性关系的基本结构300。

在该CRCNN中互相耦合两个神经元子结构310、320。在此，根据以下规则，第一神经元子结构310的第一内部子状态s_t(311-314)和第二神经元子结构320的第二内部子状态r_t(321-324)与输入量u_t(301-304)、第一内部子状态s_t-1(311-314)、第二内部子状态r_t+1(321-324)以及参数矢量v_s、v_t、v_y有关：

s_t＝NN(v_s，s_t-1，u_t)，                      (8)

r_t＝NN(v_r，r_t+1，u_t)                        (9)

y_t＝NN(v_y，s_t，r_t)                         (10)

其中，用NN(.)表示由神经网络预定的映射规则。

CRCNN的神经元之间的连接被加权。权重被包含在参数矢量v_s、v_t、v_y中。

根据图3的CRCNN 300是经过四个时刻(t-1、t、t+1和t+2)展开的神经网络(请参阅TDRNN，图5)。

在[2]中和以上与公知的TDRNN(请参阅图5)有关地描述了经过有限数量的时刻展开的神经网络的特征。

在此，输入量u_t(301-304)是来自第一级(110)的相似性分析的结果，也就是在第一级中所确定的所预测的能量消耗的近似分布112、152。

在此，输出量y_t(341-344)是第二级(150)的因果性分析的所期望的结果，也就是在第二级中所确定的所预测的能量消耗的补充修正的分布153。

可以利用程序SENN(版本2.3)来执行上述实施例的可能的实现方案。

在本文件中引用了以下文献：

[1]S.Haykin，Neural Networks：A Comprehensive Foundation，

   Prentice Hall，Second Edition，

   ISBN 0-13-273350-1，s.732-789，1999.

[2]David E.Rumelhart et al.，Parallel Distributed Proces-

   sing，Explorations in the Microstructure of Cognition，

   Vol.1：Foundations，A Bradford Book，The MIT Press，

   Cambridge，Massachusetts，London，England，1987

[3]H.Rehkugler und H.G.zimmermann，Neuronale Netze in

   der konomie，Grundlagen und finanzwirtschaftliche

   Anwendungen，Verlag Franz Vahlen München，

   ISBN 3-8006-1871-O，S.3-90，1994.

[4]WO00/08599.

[5]WO00/55809.

[6]Zimmermann H.G.，Neuneier R.，Grotbmann R.，Modelling ofDynamic Systems by Error-Correction-Neural-Networks，inSoofe and Cao(Eds.)，Forecasting Financial Data，KluwerVerlag，ISBN 0792376803，2002.

[7]WO02/27654.

Claims (16)

1.用于确定动态系统的未来的系统特性的方法，

-其中，在应用所述动态系统的已知的系统特性的情况下，通过相似性比较来确定所述未来的系统特性的近似(“相似性分析”)，

-其中，在应用所述动态系统的未来的系统特性的近似的情况下和在应用神经网络结构的情况下，确定所述未来的系统特性(“因果性分析”)，其中，将所述动态系统的未来的系统特性的近似作为输入量输送给所述神经网络结构，并且所述神经网络结构的输出量代表所述未来的系统特性。

2.按权利要求1所述的方法，

-其中，所述神经网络结构具有两个互相耦合的子结构，其中，这样来匹配第一神经元子结构，使得该第一神经元子结构的第一映射特性描述所述动态系统的正向特性，和其中，这样来匹配第二神经元子结构，使得该第二神经元子结构的第二映射特性描述所述动态系统的反向特性。

3.按权利要求2所述的方法，

-其中，所述第一和/或所述第二神经元子结构是一个/多个经过多个时刻展开的神经网络。

4.按以上权利要求之一所述的方法，

-其中，所述动态系统处于市场操纵的影响和计划的影响之下。

5.按权利要求4所述的方法，

-其中，所述动态系统是“人控制的”系统。

6.按权利要求4或5和按权利要求2或3所述的方法，

-其中，所述第一神经元子结构考虑市场机制对所述动态系统的影响，和/或

-其中，所述第二神经元子结构考虑对所述动态系统的计划的影响。

7.按以上权利要求之一所述的方法，

-其中，所述神经网络结构是因果-反向因果网络。

8.按以上权利要求之一所述的方法，

-其中，在应用历史的系统数据的情况下确定所述动态系统的已知的系统特性。

9.按以上权利要求之一所述的方法，

-其中，这样来确定所述动态系统的未来的系统特性的近似，使得

-将所述已知的系统特性划分成可预定时间长度的段，其中，为所述段确定所属的段系统特性，和

-在应用所选出的段的情况下，利用所述分别所属的、所选出的段系统特性，在考虑日历效应时确定所述近似。

10.按权利要求9所述的方法，

-其中，选出了其所属的段系统特性具有有意义的特性的这种段。

11.按权利要求9或10所述的方法，

-其中，在应用所选出的段系统特性的情况下确定所述动态系统的未来的系统特性的近似时，在所选出的段系统特性之间内插和/或平均一个系统特性，和/或嵌入历史的段系统特性。

12.按以上权利要求之一所述的方法，

这样被用于预测所述动态系统的未来的系统特性，使得将所确定的未来的系统特性用作所述预测。

13.按以上权利要求之一所述的方法，

被用于预测能量消耗、尤其是煤气量的消耗。

14.具有程序代码装置的计算机程序，以便，当在计算机上实施所述程序或者在多个计算机上实施所述程序的部分时，执行按权利要求1所述的所有步骤。

15.根据权利要求14所述的具有程序代码装置的计算机程序，所述程序代码装置被存储在一个或多个计算机可读取的数据载体上。

16.具有存储在机器可读取载体上的程序代码装置的计算机程序产品，以便，当在计算机上实施所述程序时，执行根据权利要求1所述的所有步骤。

Images