Dự Báo Chuỗi Thời Gian Mờ Dựa Trên Nhóm Quan Hệ Mờ Phụ Thuộc Thời Gian Và Tối Ưu Bầy Đàn

Abstract

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...

Improved Fuzzy Time Series Forecasting Model Based on Optimal Lengths of Intervals Using Hedge Algebras and Particle Swarm Optimization

“…Comparing with two models in articles [27,29]. These models apply the fuzzy relation groups [3] to structure the forecasting model, in which the proposed model uses the fuzzy relation groups that we have proposed in article [17] to build the forecasting model. Comparing the model [37], the proposed model employs the HA combining with PSO to select the optimal intervals, whereas the model [37] applies the maximum spanning tree based fuzzy clustering for dividing intervals with different lengths in the intuitionistic FTS model.…”

“…, tn ≤ t. It is noted that Ai(t1), Ai (t2),…, and Ai(tn) having the same fuzzy set Ai, but look at different times t1, t2,…, and tn, respectively. If these FLRs appear before A j (t − 1) → A i (t), they can be grouped into a fuzzy relationship group as follows: A j (t − 1) → A i1 (t1), A i2 (t2), … , A in (tn), A i (t), and it is called TV-FRG [17]. [28] Hedge Algebras are introduced by N.C. Ho in 1990.…”

“…Step 7: Establish all β -order fuzzy relationship groups (FRGs) We use fuzzy relationship group [17] to form FRGs in this study.…”

“…Study in article [10] used the automatic clustering technique for partitioning the UoD into unequal -size intervals at the fuzzification stage in their forecasting model. Some other researches apply soft computing ASTESJ ISSN: 2415-6698 techniques(especially evolutionary computing, clustering techniques) for adjusting and selecting intervals with unequalsize, can be found as genetic algorithm [11,12], simulated annealing [13], PSO [14][15][16][17][18][19][20][21][22], K-mean [23,24], fuzzy C-means [25,26]. Just recently, a completely different way from fuzzy approach, several works with regards to HA have been published.…”

“…The purpose of this study is to suggest a new partition method which uses PSO algorithm to optimize parameters of HA in the FTS prediction model. Therefore, we develop a novel hybrid prediction model using method of fuzzy relation group [17], integrating with HA and PSO algorithm in the identification of optimal intervals with view to enhancing the forecasting performance of the proposed model. For making it become reality, HA has been used to divide the UoD into intervals with unequalsize based on the parameters optimized by PSO.…”