以重心為基礎之智慧型預側區間模型設計與其應用

本報告的目的在於解決資料驅動預測模型(data-driven prediction models)之不確定性(uncertainty)問題，這些不確定性包括輸入不確定、模型不確定及參數不確定等。融入這些不確定性因素至預測程序中，可強化預測模型輸出的可靠度(reliability)與可信度(credibility)。不確定性估測常使用區間預測(prediction interval)來提供更多預測輸出點的資訊，然而對於非線性智慧型預測模型，例如類神經網路、模糊系統等，預測區間的計算受制於限制資料分佈的條件(例如輸入空間為固定的變異數)與龐大計算量或計算困難度高 (例如輸出誤差變異數之參數微分運算，實際情況並不易計算，尤其在多變數預測模型)，或者未完整考慮模型輸出誤差特性因而產生較不佳的預測區間。此外，資料驅動預測模型常須進行領前多步預測(multistep-ahead forecasting)，然而隨著領前步數的增加，其預測的不確定性亦將提高，如何有效地獲得較佳領前多步的預測區間是一重要課題。因此，報告考慮非線性資料驅動預測模型之不確定性，提出一種以重心為基礎並利用類神經網路來建立預測區間範圍的方法，除了可避免受制於資料分佈限制條件、龐大計算量與不易計算等問題。同時，透過重心法分析模型輸出誤差特性並整合至類神經網路學習程序中，以便產生較佳預測區間範圍。