Over the past 25 years, numerous fuzzy time series forecasting models have been proposed to deal the complex and uncertain problems. The main factors that affect the forecasting results of these models are partition universe of discourse, creation of fuzzy relationship groups and defuzzification of forecasting output values. So, this study presents a hybrid fuzzy time series forecasting model combined particle swarm optimization (PSO) and fuzzy C-means clustering (FCM) for solving issues above. The FCM clustering is used to divide the historical data into initial intervals with unequal size. After generating interval, the historical data is fuzzified into fuzzy sets with the aim to serve for establishing fuzzy relationship groups according to chronological order. Then the information obtained from the fuzzy relationship groups can be used to calculate forecasted value based on a new defuzzification technique. In addition, in order to enhance forecasting accuracy, the PSO algorithm is used for finding optimum interval lengths in the universe of discourse. The proposed model is applied to forecast three well-known numerical datasets (enrolments data of the University of Alabama, the Taiwan futures exchange —TAIFEX data and yearly deaths in car road accidents in Belgium). These datasets are also examined by using some other forecasting models available in the literature. The forecasting results obtained from the proposed model are compared to those produced by the other models. It is observed that the proposed model achieves higher forecasting accuracy than its counterparts for both first—order and high—order fuzzy logical relationship.
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...
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.