A modified genetic algorithm for forecasting fuzzy time series

Baş, Eren; Uslu, Vedide Rezan; Yolcu, Ufuk; Eğrioğlu, Erol

doi:10.1007/s10489-014-0529-x

Cited by 67 publications

(29 citation statements)

References 58 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Mean regression forecasting is concerned with predicting µ(ρ(x t+1 |c)) most accurately. There is a broad range of mean regression methods available in literature e.g., statistical methods (like ARMA and ARIMA [19] and their VOLUME 4, 2016 1 arXiv:1903.12549v1 [cs.LG] 29 Mar 2019 variants), machine learning based methods (like Support Vector Machines (SVM) [20]- [25], Evolutionary Algorithms (EA) [24]- [30] and Fuzzy Logic Systems (FLS) [29]- [35]), and Artificial Neural Network based methods (ANN) [36]- [39]. These methods use handcrafted features on the data except ANNs which try to automatically extract those features using an end-to-end pipeline.…”

Section: A Mean Regression Forecastmentioning

confidence: 99%

Probabilistic Forecasting of Sensory Data With Generative Adversarial Networks – ForGAN

et al. 2019

View full text Add to dashboard Cite

Time series forecasting is one of the challenging problems for humankind. Traditional forecasting methods using mean regression models have severe shortcomings in reflecting real-world fluctuations. While new probabilistic methods rush to rescue, they fight with technical difficulties like quantile crossing or selecting a prior distribution. To meld the different strengths of these fields while avoiding their weaknesses as well as to push the boundary of the state-of-the-art, we introduce ForGAN âȂŞ one step ahead probabilistic forecasting with generative adversarial networks. ForGAN utilizes the power of the conditional generative adversarial network to learn the data generating distribution and compute probabilistic forecasts from it. We argue how to evaluate ForGAN in opposition to regression methods. To investigate probabilistic forecasting of ForGAN, we create a new dataset and demonstrate our method abilities on it. This dataset will be made publicly available for comparison. Furthermore, we test ForGAN on two publicly available datasets, namely Mackey-Glass dataset [1] and Internet traffic dataset (A5M) [2] where the impressive performance of ForGAN demonstrate its high capability in forecasting future values.

show abstract

Section: A Mean Regression Forecastmentioning

confidence: 99%

Probabilistic Forecasting of Sensory Data With Generative Adversarial Networks – ForGAN

et al. 2019

View full text Add to dashboard Cite

show abstract

“…There are rather many ways to partition U following second type. For instance, in [9] Chen et al based on statistical distribution of historical values in each interval, in [10] Huarng et al based on ratio between two consecutive historical values, Chen and Kao in [11] employed particle swarm optimization, Wang et al in [12,13] used information granules, Bas in [14] exploited modified genetic algorithm, and Lu et al in [15] also used information granules to partition U.…”

Section: (T) So F(t) Is a Qualitative View About C(t) Because Of Tmentioning

confidence: 99%

“…As already mentioned, the second type of partitioning gives more accuracy forecasting result than the others, but, it is quite difficult to find intervals following the second type based on the approaches same as [9][10][11][12][13][14][15]. At the same time, the quality of forecasting result is not good enough.…”

Section: (T) So F(t) Is a Qualitative View About C(t) Because Of Tmentioning

confidence: 99%

The Partitioning Method Based on Hedge Algebras for Fuzzy Time Series Forecasting

Tung¹,

Thuận²,

Loc³

2016

JST

View full text Add to dashboard Cite

In recent years, many partitioning methods have been proposed for fuzzy time series, because they strongly affect to forecasting results. In this paper, we present a novel partitioning method based on hedge algebras (HA). The experimental results show that the proposed method is better than the others on the accuracy of forecasting. It is simple and flexible in applying this method because we can determine the parameters of HA for reasonable intervals.

show abstract

“…Originalmente proposto por [27], o método de previsão conhecido como série temporal fuzzy, há bastante tempo vem suscitando uma quantidade expressiva de propostas metodológicas, dentre as quais muitas são concebidas combinadasà inteligência artificial, por exemplo, o método de otimização por enxame de partículas [16], algoritmos genéticos [5] e redes neurais artificiais [1]. Neste contexto, os métodos de previsão constituídos por séries temporais, que incorporam em seus algoritmos a teoria de conjuntos fuzzy, que foi estabelecida por [32], passaram a receber um destaque especial por grande parte dos pesquisadores.…”

Section: Estado Da Arteunclassified

Uma Metodologia Baseada Na Identificação Fuzzy Sobre Um Método Hı́brido Para Modelos de Previsão em Série Temporal

Júnior¹,

Júnior²,

Neto³

2016

Proceeding Series of the Brazilian Society of Computational and Applied Mathematics

View full text Add to dashboard Cite

Resumo. Este trabalho apresenta um método de previsão híbrido, com concepção e aprimoramento pelo uso da teoria dos conjuntos fuzzy, aliadaà metodologia clássica de séries temporais. Em comparação com métodos de previsão consolidados na literatura, os resultados apresentados pelo método proposto foram considerados plenamente satisfatórios, face o baixíssimo erro retornado.Palavras-chave. Conjuntos fuzzy, Método fuzzy de identificação, Série temporal fuzzy, Previsão fuzzy, Erro de previsão. Introdução Motivação e objetivosMetodologias capazes de prever variáveis de comportamento rotineiros, geralmente imprevisíveis (ver, [19]), como fenômenos da engenharia, medicina, biologia, física, etc., têm fomentado uma quantidade significativa de pesquisas científicas. Dentre os diversos fatores com efeitos diretos na capacidade preditiva dos métodos de previsão,é senso comum que a identificação correta dos parâmetros estruturais, se torna uma das etapas fundamentais e mais importante do processo de modelagem matemática, tal como,é amplamente discutido em [2]. Neste contexto, a utilização de técnicas de previsão temporal que consideram metodologias híbridas, como por exemplo, série temporal fuzzy, para muitos estudiosos surge como uma alternativa promissora, pois apresenta eficiência amplamente comprovada, diante de uma infinidade de propostas estabelecidas na literatura. Desta forma, este estudo busca propor uma estratégia de previsão fuzzy, que torne possível estabelecer uma rotina de modelagem temporal, onde o erro global inerente ao modelo de previsão seja minimizado, por meio da determinação eficiente dos parâmetros estruturais da série temporal fuzzy.1 gracildo@ufpa.br 2 cartav@ufpa.br 3

show abstract

A modified genetic algorithm for forecasting fuzzy time series

Cited by 67 publications

References 58 publications

Probabilistic Forecasting of Sensory Data With Generative Adversarial Networks – ForGAN

Probabilistic Forecasting of Sensory Data With Generative Adversarial Networks – ForGAN

The Partitioning Method Based on Hedge Algebras for Fuzzy Time Series Forecasting

Uma Metodologia Baseada Na Identificação Fuzzy Sobre Um Método Hı́brido Para Modelos de Previsão em Série Temporal

Contact Info

Product

Resources

About