Xác định độ dài khoảng cho mô hình dự báo chuỗi thời gian mờ dựa trên chỉ số tập mờ sử dụng đại số gia tử và tối ưu bày đàn
87 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.FEE.2023.271-282Từ khóa:
Tuyển sinh; Chuỗi thời gian mờ; Nhóm quan hệ mờ; Đại số gia tư; Tối ưu bày đàn.Tóm tắt
Các nhà nghiên cứu thường sử dụng các mô hình dự báo chuỗi thời gian mờ (FTS) để ước tính các giá trị trong tương lai vì chúng không phụ thuộc vào những giả định nghiêm ngặt như các kỹ thuật dự báo truyền thống. Thông thường, có bốn yếu tố quyết định đến hiệu quả của mô hình dự báo FTS (1) xác định độ dài khoảng tập nền, (2) quy tắc mờ hóa hoặc biểu diễn đặc điểm của chuỗi thời gian rõ, (3) thiết lập các nhóm quan hệ mờ (FRGs) và (4) tạo quy tắc giải mờ để nhân được các giá trị đầu ra rõ. Xem xét yếu tố đầu tiên và yếu tố thứ tư, chúng tôi đề xuất một mô hình dự báo chuỗi thời gian mờ sử dụng tối ưu bày đàn (PSO) và đại số gia tử (HA) để cải thiện độ chính xác dự báo. Trong đó, đại số hedge được sử dụng như một công cụ để chia tạp nền thành các khoảng có độ dài khác nhau. Sau đó, dữ liệu chuỗi thời gian được mờ hóa thành các tập mờ, các nhóm quan hệ mờ được thiết lập và giá trị dự báo dựa trên chỉ số của các tập mờ được tính toán. Cuối cùng, mô hình đề xuất được kết hợp với PSO để đạt được các khoảng tối ưu đã xác định bởi HA. Để đánh giá mô hình đề xuất, chúng tôi tiến hành nghiên cứu mô phỏng trên hai chuỗi thời gian thực được sử dụng rộng rãi và so sánh hiệu suất với một số mô hình được phát triển gần đây. Thống kê lỗi dự báo, chẳng hạn như MSE và RMSE cho thấy mô hình đề xuất hoạt động tốt hơn các mô hình so sánh.
Tài liệu tham khảo
[1]. Song et al., “Fuzzy time series and its models”, Fuzzy Sets and Systems", 54 (3), 269-277, (1993). DOI: https://doi.org/10.1016/0165-0114(93)90372-O
[2]. Q. Song, B.S. Chissom, “Forecasting Enrollments with Fuzzy Time Series – Part I”, Fuzzy set and systems, vol. 54, pp.1-9, (1993). DOI: https://doi.org/10.1016/0165-0114(93)90355-L
[3]. Zadeh, L. A. “Fuzzy sets”. Information systems, 8, 338–353, (1965). DOI: https://doi.org/10.1016/S0019-9958(65)90241-X
[4]. S.M. Chen, “Forecasting Enrollments based on Fuzzy Time Series”, Fuzzy set and systems, vol. 81, pp. 311-319, (1996). DOI: https://doi.org/10.1016/0165-0114(95)00220-0
[5]. H.K. Yu, “Weighted fuzzy time series models for TAIEX forecasting”, Physica A, 349, pp. 609-624, (2005). DOI: https://doi.org/10.1016/j.physa.2004.11.006
[6]. Vedide Rezan Uslu, et al., “A fuzzy time series approach based on weights determined by the number of recurrences of fuzzy relations”, Swarm and Evolutionary Computation, 15,pp. 19-26, (2014), http://dx.doi.org/10.1016/j.swevo.2013.10.004.
[7]. Huarng, K., “Effective lengths of intervals to improve forecasting in fuzzy time series”. Fuzzy Sets and Systems, 123, 387–394S, (2001). DOI: https://doi.org/10.1016/S0165-0114(00)00057-9
[8]. M. Chen, “Forecasting Enrollments based on hight-order Fuzzy Time Series”, Int. Journal: Cybernetic and Systems, No.33, pp. 1-16, (2002). DOI: https://doi.org/10.1080/019697202753306479
[9]. Lee, L. W. et al., “Handling forecasting problems based on two-factors high-order fuzzy time series”. IEEE Transactions on Fuzzy Systems, 14, 468–477, (2006). DOI: https://doi.org/10.1109/TFUZZ.2006.876367
[10]. S.M. Chen, K Tanuwijaya, “Fuzzy forecasting based on high-order fuzzy logical relationships and automatic clustering techniques”, Expert Systems with Applications. 38, 15425–15437, (2011). DOI: https://doi.org/10.1016/j.eswa.2011.06.019
[11]. Chen, S.-M., & Chung, N.-Y, “Forecasting enrollments of students by using fuzzy time series and genetic algorithms”, International Journal of Information and Management Sciences, 17, 1-17, (2006).
[12]. Chen, S.M., Chung, N.Y, “Forecasting enrollments using high-order fuzzy time series and genetic algorithms”. International of Intelligent Systems 21, 485–501, (2006b). DOI: https://doi.org/10.1002/int.20145
[13]. I.H. Kuo, et al., “An improved method for forecasting enrollments based on fuzzy time series and particle swarm optimization”, Expert systems with applications, 36, 6108–6117, (2006). DOI: https://doi.org/10.1016/j.eswa.2008.07.043
[14]. Huang, Y. L. et al., “A hybrid forecasting model for enrollments based on aggregated fuzzy time series and particle swarm optimization”. Expert Systems with Applications, 38, 8014–8023, (2011). DOI: https://doi.org/10.1016/j.eswa.2010.12.127
[15]. N. C. Dieu, N. V. Tinh, “Fuzzy time series forecasting based on time-depending fuzzy relationship groups and particle swarm optimization”, In: Proceedings of the 9th National Conference on Fundamental and Applied Information Technology Research(FAIR’9), pp.125-133, (2016).
[16]. Nguyen Duy Hieu, Nguyen Cat Ho, Vu Nhu Lan., “Enrollment forecasting based on linguistic time series,” Journal of Computer Science and Cybernetics, vol. 36( 2), pp. 119–137, (2020). DOI: https://doi.org/10.15625/1813-9663/36/2/14396
[17]. Nguyen Cat Ho, Wechler W., “Hedge algebra: An algebraic approach to structures of sets of linguistic truth values”, Fuzzy Sets and Systems, 35, pp. 281-293, (1990). DOI: https://doi.org/10.1016/0165-0114(90)90002-N
[18]. P.D. Phong. “A time series forecasting model, based on linguistic forecasting rules”, Journal of Computer Science and Cybernetics, vol. 37, no. 1, pp. 23-42, (2021). DOI: https://doi.org/10.15625/1813-9663/37/1/15852
[19]. Kennedy, J., & Eberhart, R., “Particle swarm optimization”. Proceedings of IEEE International Conference on Neural Network, 1942–1948, (1995).
[20]. Bas E, Uslu V.R., Yolcu U, Egrioglu E., “A modified genetic algorithm for forecasting fuzzy time series”, Appl Intell, 41, 453-463, (2014). DOI: https://doi.org/10.1007/s10489-014-0529-x
[21]. L. Wang, X. Liu, W. Pedrycz., “Effective intervals determined by information granules to improve forecasting in fuzzy time series”. Expert Systems withApplications, vol.40, pp.5673–5679, (2013). DOI: https://doi.org/10.1016/j.eswa.2013.04.026
[22]. Lizhu Wang et al., “Determination of temporal information granules to improve forecasting in fuzzy time series”. Expert Systems with Applications, vol.41, pp.3134–3142, (2014). DOI: https://doi.org/10.1016/j.eswa.2013.10.046
[23]. Wei Lu et al., “Using interval information granules to improve forecasting in fuzzy time series”. International Journal of Approximate Reasoning, vol.57, pp.1–18,(2015). DOI: https://doi.org/10.1016/j.ijar.2014.11.002
[24]. Ya’nan Wang, Yingjie Lei, Xiaoshi Fan, and Yi Wang, “Intuitionistic Fuzzy Time Series Forecasting Model Based on Intuitionistic Fuzzy Reasoning”, vol. 2016, Article ID 5035160 , pp 1-12, (2016). DOI: https://doi.org/10.1155/2016/5035160
[25]. Kittikun Pantachang, Roengchai Tansuchat and Woraphon Yamaka, “Improving the Accuracy of Forecasting Models Using the Modified Model of Single-Valued Neutrosophic Hesitant Fuzzy Time Series”, Axioms, 11 (527), (2022). https://doi.org/10.3390/ axioms11100527. DOI: https://doi.org/10.3390/axioms11100527
[26]. K. Khiabani, S. R. Aghabozorgi, “Adaptive Time-Variant Model Optimization for Fuzzy-Time-Series Forecasting”, IAENG International Journal of Computer Science, 42(2), pp.1-10, (2015).
[27]. Jilani TA, Burney SMA, “Multivariate stochastic fuzzy forecasting models”. Expert Syst Appl, 353, 691–700, (2008). DOI: https://doi.org/10.1016/j.eswa.2007.07.014
[28]. Yusuf SM, Mu’azu MB, Akinsanmi.O, “A Novel Hybrid fuzzy time series Approach with Applications to Enrollments and Car Road Accident”, International Journal of Computer Applications, 129 (2), 37 – 44, (2015). DOI: https://doi.org/10.5120/ijca2015906852
[29]. Shyi-Ming Chen, Xin-Yao Zou, “Gracius Cagar Gunawan, Fuzzy time series forecasting based on proportions of intervals and particle swarm optimization techniques”, Information Sciences 500, 127–139, (2019). DOI: https://doi.org/10.1016/j.ins.2019.05.047
[30]. V.R. Uslu, E. Bas, U. Yolcu, E. Egrioglu, “A fuzzy time series approach based on weights determined by the number of recurrences of fuzzy relations”, Swarm Evol. Comput. 15, 19–26, (2014). DOI: https://doi.org/10.1016/j.swevo.2013.10.004
