【报告内容】

汇报人：刘玉珠

汇报单位：河海大学

主题：《Deep Fuzzy Cognitive Maps for Interpretable MultivariateTime Series Prediction》

1、Introduction

2、Method

3、Experiments

4、Conclusions

【报告总结】

1.待解决的问题描述

(1)FCM的局限性：基本的模糊认知图（FCM）虽能以加权有向图表示系统，具有一定可解释性，但存在诸多不足。其只能描述静态、线性关系，难以应对现实中广泛存在的非线性、非单调关系，在复杂应用中预测性能受限。同时，其关系固定，无法适应动态系统变化。

(2)跨领域应用挑战：在跨领域的实际应用中，如环境监测、交通管理等，常面临非线性复杂动态系统及未知外生因素，既需要高精度预测模型，又要求模型具备可解释性，如何实现两者兼得是一大挑战。

2.相关创新方案

(1)整体框架：提出DFCM模型用于多元时间序列预测，将深度神经网络优势引入FCM框架。包括时间序列模糊化模块，对原始数据进行z-score标准化和sigmoid隶属函数模糊化；建模非线性影响模块，用前馈神经网络实现的f函数处理概念间非线性关系；建模外生因素模块，基于LSTM的u函数捕捉外生因素影响；测量概念关系模块，基于偏导数方法量化概念关系强度。

(2)参数推断：采用交替函数梯度下降（AFGD）算法，基于反向传播（BP）原理，通过迭代方式优化DFCM参数，使参数更新沿损失函数负梯度方向，确保模型训练效果。

3.实验总结

（1）总体性能：使用四个真实世界多元时间序列数据集，即空气质量指数（AQI）数据集、交通数据集、电力消耗数据集和温度数据集，将DFCM与FCM、人工神经网络（ANN）、长短期记忆网络（LSTM）、等多种方法对比。DFCM在多个数据集上表现出色，在16个预测目标中15次获最佳性能，平均性能排名领先。

（2）模型组件有效性：以交通和AQI数据集为例，DFCM及其变体性能优于基本FCM，表明引入非线性神经网络有效；含u函数的DFCM模型性能优于不含u函数的，证明u函数对外生因素建模的重要性；在一定程度上，深层神经网络结构（如三层隐藏层）比浅层结构性能更好，但深层结构可能增加计算复杂度和过拟合风险。

4.未来工作

（1）改进外生因素建模：尽管DFCM在处理外生因素上取得进展，但仍有提升空间。需研究新方法更全面、准确建模外生因素，特别是复杂难测因素，进一步优化u函数或探索新结构，提高模型适应性和预测性能。

（2）拓展应用领域与优化模型：将DFCM应用于更多领域，积累实践经验，根据不同领域特点优化模型。如在医疗领域探索疾病传播趋势预测，在金融领域研究市场波动预测等。

报告时间：2024年12月20日19:30

腾讯会议：311-5999-8176

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)