Từ khóa-Dự báo, chuỗi thời gian mờ, nhóm quan hệ mờ phụ thuộc thời gian, tối ưu bày đàn. I. MỞ ĐẦUNhiều mô hình đã được đề xuất nhằm giải quyết các bài toán dự báo khác nhau để giúp con người đưa ra các quyết định chẳng hạn như: dự báo tuyển sinh đại học, thị trường chứng khoán, dự báo dân số, dự báo nhiệt độ. Trong một số trường hợp, các phương pháp dự báo truyền thống không giải quyết tốt được đối với chuỗi số liệu biểu diễn bởi giá trị ngữ nghĩa hay với chuỗi số liệu có sự biến thiên mạnh. Vì vậy, Song và Chissom [22][23][24] đưa ra hai mô hình dự báo chuỗi thời gian mờ phụ thuộc thời gian và mô hình chuỗi thời gian mờ không phụ thuộc thời gian nhằm khắc phục những khó khăn trên và áp dụng để dự báo số lượng sinh viên nhập học của trường Đại học Alabama. Sau công trình này, một loạt các bài báo của nhiều tác giả khác nhau tiếp tục dựa trên ý tưởng này để xây dựng mô hình dự báo và ứng dụng trong nhiều lĩnh vực khác nhau. Chen [3] đã đưa ra phương pháp mới đơn giản và hữu hiệu hơn so với phương pháp của Song và Chissom bằng cách sử dụng các phép tính số học thay vì các phép tính kết hợp max-min phức tạp trong xử lý mối quan hệ mờ. Công trình này cùng với mô hình chuỗi thời gian mờ bậc cao [4] và mô hình chuỗi thời gian nhiều nhân tố [2], [17] là nền tảng cho sự phát triển mạnh mẽ của mô hình chuỗi thời gian mờ trong những khoảng thời gian tiếp sau. Tuy nhiên có thể thấy, những mô hình chuỗi thời gian mờ trên còn có độ chính xác dự báo chưa cao.Trong những năm gần đây, nhiều tác giả đã sử dụng các kỹ thuật khác nhau để tìm mô hình hiệu quả cho chuỗi thời gian mờ, chủ yếu là nâng cao độ chính xác của dự báo. Huarng [12] đã phát hiện ra độ chính xác của mô hình dự báo phụ thuộc nhiều vào độ dài khoảng phân chia tập nền và đã đề xuất ra 3 thuật toán xác định độ dài khoảng là phương pháp dựa trên trung bình, độ dài dựa trên phân bố và độ dài dựa trên tỉ lệ. Tiếp sau, một số bài báo liên quan đến vấn đề lựa chọn khoảng tối ưu cũng được thực hiện như trong [9].Kỹ thuật phân cụm như phân cụm tự động hay phân cụm mờ cũng được một số tác giả sử dụng để phân chia khoảng của tập nền như trong các công trình [1], [7]. Một số tác giả khác lại cố định số lượng khoảng nhưng tìm cách chỉnh lại các điểm chia dựa trên một tiêu chuẩn tối ưu. Các phương pháp tối ưu thường được sử dụng như giải thuật di truyền [5], [18], [19], tối ưu bầy đàn [10], [15][16] hay tìm kiếm Tabu [9]. Trong những công trình mới nhất có thể kết hợp nhiều kỹ thuật khác nhau như tối ưu bầy đàn, phân cụm K -mean và độ đo tương tự để xây dựng mô hình [8].Đối với các mô hình dự báo hiện tại, có hai yếu tố chính làm ảnh hưởng đến độ chính xác dự báo, đó là độ dài của khoảng chia tập nền và mối quan hệ mờ. Như trên đã nói, việc phân khoảng đã có một số tác giả đề xuất với nhiều kỹ thuật khác nhau. Liên quan đến xây dựng các mối quan hệ mờ chỉ có số ít công trình được thực hiện. Song và Chissom [22][23][24] đã xây dựng các ma trận quan hệ mờ trên cơ sở các toán tử phức hợp và tính toán dựa trên các phép max -min khá phức tạp. Chen đã cải tiến mô hình khi đưa ra c...
There are many approaches to improve the forecasted accuracy of model based on fuzzy time series such as: determining the optimal interval length, establishing fuzzy logic relationship groups, similarity measures, …wherein, the length of intervals is a factor that greatly affects forecasting results in fuzzy time series model. In this paper, a new forecasting model based on combining the fuzzy time series (FTS) and K-mean clustering algorithm with three computational methods, K-means clustering technique, the time - variant fuzzy logical relationship groups and defuzzification forecasting rules, is presented. Firstly, we apply the K-mean clustering algorithm to divide the historical data into clusters and tune them into intervals with proper lengths. Then, based on the new intervals obtained, the proposed method is used to fuzzify all the historical data and create the time -variant fuzzy logical relationship groups based on the new concept of time – variant fuzzy logical relationship group. Finally, Calculate the forecasted output value by the improved defuzzification technique in the stage of defuzzification. To evaluate performance of the proposed model, two numerical data sets are utilized to illustrate the proposed method and compare the forecasting accuracy with existing methods. The results show that the proposed model gets a higher average forecasting accuracy rate to forecast the Taiwan futures exchange (TAIFEX) and enrollments of the University of Alabama than the existing methods based on the first – order and high-order fuzzy time series.
Most of previous the forecasting approaches based on fuzzy time series (FTS) used the same length of intervals. The weakness of the static length of intervals is that the historical data are roughly put into intervals, although the variance of them is not high. In this paper, a new forecasting model based on combining the fuzzy time series and K-mean clustering algorithm with three computational methods, K-means clustering technique, the time -variant fuzzy logical relationship groups and defuzzification forecasting rules, is presented. Firstly, the authors use the K-mean clustering algorithm to divide the historical data into clusters and adjust them into intervals with different lengths. Then, based on the new intervals obtained, the proposed method is used to fuzzify all the historical data and create the time -variant fuzzy logical relationship groups based on the new concept of timevariant fuzzy logical relationship group. Finally, Calculate the forecasted output value by the improved defuzzification technique in the stage of defuzzification. To evaluate performance of the proposed model, two numerical data sets are utilized to illustrate the proposed method and compare the forecasting accuracy with existing methods. The results show that the proposed model gets a higher average forecasting accuracy rate to forecast the Taiwan futures exchange (TAIFEX) and enrollments of the University of Alabama than the existing methods based on the firstorder and high-order fuzzy time series.
Numerous fuzzy time series (FTS) forecasting methods have been proposed in scientific literature and has achieved growing attention in practice. Most of them are based on modeling fuzzy relationships(FRs) of the past data. In this paper, a new hybrid forecasting model based on the concept of time-variant FR group (TV-FRG), particle swarm optimization technique (PSO) and refinement technique in the defuzzization stage is presented to forecast the enrolments of the University and the stock market. PSO technique is utilized to adjust for obtaining the effective length of each interval in the universe of discourse for the forecasting model. Most of the existing forecasting models simply ignore the repeated FRs without any proper justification or accept the number of recurrence of the FRs without considering the appearance history of these FRs in the grouping FRs process. Therefore, the appearance history of the fuzzy sets on the right-hand side of the FRs is considered to establish the FR groups, called the TV-FRGs. Furthermore, the high-order TV-FRGs are used in order to obtain more accurate forecasting results in the defuzzication stage. To calculate these high-order TV-FRGs values, a refined defuzzication technique is developed, and incorporated in the proposed model. To verify the effectiveness of the proposed model, two numerical simulations are examined with the case of University enrollments and Taiwan futures exchange (TAIFEX). The experimental results show that the proposed model achieves good forecasting results compared to other existing forecasting models based on the high-order FTS. These promising results bring a significant meaning for the future work on the development of FTS and PSO algorithm in real-world forecasting applications.
Fuzzy time series (FTS) model is one of the effective tools that can be used to identify factors in order to solve the complex process and uncertainty. Nowadays, it has been widely used in many forecasting problems. However, establishing effective fuzzy relationships groups, finding proper length of each interval, and building defuzzification rule are three issues that exist in FTS model. Therefore, in this paper, a novel FTS forecasting model based on fuzzy C-means (FCM) clustering and particle swarm optimization (PSO) was developed to enhance the forecasting accuracy. Firstly, the FCM clustering is used to divide the historical data into intervals with different lengths. After generating interval, the historical data is fuzzified into fuzzy sets. Following, fuzzy relationship groups were established based on the appearance history of the fuzzy sets on the right-hand side of the fuzzy logical relationships with the aim to serve for calculating the forecasting output. Finally, the proposed model combined with PSO algorithm was applied to adjust interval lengths and find proper intervals in the universe of discourse for obtaining the best forecasting accuracy. To verify the effectiveness of the forecasting model, three numerical datasets (enrolments data of the University of Alabama, the Taiwan futures exchange –TAIFEX data and yearly deaths in car road accidents in Belgium) are selected to illustrate the proposed model. The experimental results indicate that the proposed model is better than any existing forecasting models in term of forecasting accuracy based on the first – order and high-order FTS.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.