MÔ HÌNH DỰ BÁO CHUỖI THỜI GIAN MỜ  SỬ DỤNG KỸ THUẬT PHÂN CỤM DỰA TRÊN ĐỒ THỊ

Lê Thị Lương

doi:10.34238/tnu-jst.4720

MÔ HÌNH DỰ BÁO CHUỖI THỜI GIAN MỜ SỬ DỤNG KỸ THUẬT PHÂN CỤM DỰA TRÊN ĐỒ THỊ

Thông tin bài báo

Ngày nhận bài: 01/07/21 Ngày hoàn thiện: 18/07/21 Ngày đăng: 21/07/21

Các tác giả

Lê Thị Lương , Trường Cao đẳng Công nghệ và Kinh tế Công nghiệp

Tóm tắt

Mô hình chuỗi thời gian mờ là một trong những công cụ được sử dụng để giải quyết quá trình phức tạp và không chắc chắn. Trong quá trình thiết lập mô hình chuỗi thời gian mờ, độ chính xác dự báo phụ thuộc vào hai vấn đề chính: (1) Phân khoảng và xác định độ dài khoảng dữ liệu hiệu quả, (2) Thiết lập các mối quan hệ mờ hợp lý cho dự báo. Trong nghiên cứu này, một mô hình dự báo chuỗi thời gian mờ mới sử dụng kỹ thuật phân cụm dựa trên đồ thị để xác định độ dài khoảng khác nhau được đề xuất. Mô hình đề xuất được áp dụng trên hai tập dữ liệu chuỗi thời gian, dữ liệu lịch sử về số lượng tuyển sinh đại học tại Đại học Alabama và dữ liệu về đỉnh muối của một tỉnh ven biển Việt Nam. Kết quả tính toán cho thấy, mô hình đề xuất có độ chính xác dự báo cao hơn các mô hình hiện có khi áp dụng cho hai tập dữ liệu cụ thể.

Từ khóa

Dự báo; Chuỗi thời gian mờ; Phân cụm; Nhóm quan hệ mờ; Tuyển sinh; Đỉnh mặn

Toàn văn:

PDF

Tài liệu tham khảo

[1] J. H. Friedman, “Multivariate adaptive regression splines,” Annals of Statistics, vol. 19, no. 1, pp. 1–141, 1991.

[2] S. Aladag, C. H. Aladag, T. Mentes, and E. Egrioglu, “A new seasonal fuzzy time series method based on the multiplicative neuron model and SARIMA,” Hacettepe Journal of Mathematics and Statistics, vol. 41, no. 3, pp. 145-163, 2012.

[3] Q. Song and B. S. Chissom, “Forecasting enrollments with fuzzy time series – Part I,” Fuzzy Sets and Systems, vol. 54, no. 1, pp. 1-9, 1993.

[4] L. A. Zadeh, “Fuzzy sets,” Information and Control, vol. 8, no. 3, pp. 338-353, 1965.

[5] S. M. Chen, “Forecasting enrollments based on fuzzy time series,” Fuzzy Sets and Systems, vol. 81, pp. 311-319, 1996.

[6] W. 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.

[7] J. R. Hwang, S. M. Chen, and C. H. Lee, “Handling forecasting problems using fuzzy time series,” Fuzzy Sets and Systems, vol. 100, pp. 217-228, 1998.

[8] K.-H. Huarng and T. H.-K. Yu, “Modeling fuzzy time series with multiple observations,” International Journal of Innovative Computing, Information and Control, vol. 8, no.10(B), pp. 7415-7426, 2012.

[9] N. Van Tinh and N. C. Dieu, “A new hybrid fuzzy time series forecasting model based on combining fuzzy c-means clustering and particle swam optimization,” Journal of Computer Science and Cybernetics, vol. 35, no. 3, pp. 267-292, 2019.

[10] P. Singh and B. Borah, “An efficient time series forecasting model based on fuzzy time series,” Engineering Applications of Artificial Intelligence, vol. 26, pp. 2443-2457, 2013.

[11] T.-L. Chen, C.-H. Cheng, and H. J. Teoh, “Fuzzy time-series based on Fibonacci sequence for stock price forecasting,” Physica A: Statistical Mechanics and its Applications, vol. 380, pp. 377-390, 2007.

[12] R. M. Pattanayak, S. Panigrahi, H. S. Behera, “High order fuzzy time series forecasting by membership values along with data and support vector machine,” Arabian J. of Scien. and Engg., vol. 45, pp. 7865-7867, 2020.

[13] S. R. Singh, “A robust method of forecasting based on fuzzy time series,” Applied Mathematics and Computation, vol. 188, no. 1, pp. 472-484, 2007.

[14] S.-T. Li and Y.-C. Cheng, “Deterministic fuzzy time series model for forecasting enrollments,” Computers and Mathematics with Applications, vol. 53, no. 12, pp. 1904-1920, 2007.

[15] S. Panigrahi and H. S. Behera, “A study on leading machine learning techniques for high order fuzzy time series forecasting,” Eng. Appl. Artif. Intell., vol. 87, pp. 1-10, 2020.

[16] N.-Y. Wang and S.-M. Chen, “Temperature prediction and TAIFEX forecasting based on automatic clustering techniques and two-factors high-order fuzzy time series,” Expert Systems with Applications, vol. 36(2), Part 1, pp. 2143-2154, 2009.

[17] N. C. Dieu and N. V. Tinh, “Fuzzy time series forecasting based on time depending fuzzy relationship groups and particle swarm optimization,” Proceedings of the 9th National Conference on Fundamental and Applied Information Technology Research (FAIR’9), Can Tho, Viet Nam, 2016, pp. 125-133.

[18] L. Wang, X. Liu, W. Pedrycz, and Y. Shao, “Determination of temporal information granules to improve forecasting in fuzzy time series,” Expert Syst. Appl., vol. 41, no. 6, pp. 3134-3142, 2014, doi: http://dx.doi.org/10.1016/j.eswa.2013.10.046.

[19] C. H. Cheng, G. W. Cheng, and J. W. Wang, “Multi-attribute fuzzy time series method based on fuzzy clustering,” Expert Systems with Applications, vol. 34, pp. 1235-1242, 2008.

[20] T. Hoang, D. T. Nguyen, and M. L. Vu, “The partitioning method based on hedge algebras for fuzzy time series forecasting,” Journal of Science and Technology, vol. 54, no. 5, pp. 571-583, 2016.

[21] J. R. Hwang, S. M. Chen, and C. H. Lee, “Handling forecasting problems using fuzzy time series,” Fuzzy Sets and Systems, vol. 100, no. 1-3, pp. 217-228, 1998.

[22] V. V. Tai et al., “An improved fuzzy time series forecasting model,” (in Vietnamese), Can Tho University Journal of Science, vol. 56(1A), pp. 68-94, 2020.

DOI: https://doi.org/10.34238/tnu-jst.4720

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ