رویکرد مدلسازی سیستم استنتاج فازی برای پیش بینی داده های نمادین با ارزش بازه‌ای
چکیده
مقاله حاضر یک رورکد مدلسازی سیستم استنتاج فازی (iFIS) را برای پیش بینی سری های زمانی با ارزش بازه ای پیشنهاد می کند. داده های با ارزش بازه ای به صورت کاملاً طبیعی در بسیاری از وضعیت هایی که در آن ها چنین داده هایی نشان دهنده عدم قطعیت / تغییرپذیری هستند و یا هنگامی که به روش های جامعی برای تخلیص مجموعه داده های بزرگ نیاز است، پدید می آیند. روش مزبور از یک چارچوب مبتنی بر قاعده فازی با پی‌آیند آفین تشکیل شده که چارچوب خطی (غیرخطی) را فراهم نموده که داده های نمادین با ارزش بازه ای را پردازش می نماید. شناسایی پیشایندهای iFIS از یک الگوریتم خوشه بندی c-means فازی برای داده های با ارزش بازه ای همراه با فواصل تطبیقی استفاده می کند در حالی که پارامترهای پی‌آیند خطی با روش محدوده - مرکز برای برازش مدل رگرسیون خطی با داده های بازه ای نمادین برآورد می شوند. قدرت پیش بینی iFIS، که بر اساس معیارهای صحت و دقت و آزمون های آماری سنجیده می شود، از طریق آزمایشات مونت کارلو و با کمک سری های زمانی نمادین با ارزش بازه ای همراه با پویایی خطی و آشفته و سری های زمانی مالی واقعی با ارزش بازه ای مورد ارزیابی قرار می گیرد. نتایج نشان دهنده عملکرد برتر iFIS در قیاس با مدل های پیش بینی با ارزش بازه ای و با ارزش واحد سنتی همراه با کاهش 19 درصدی در میانگین خطاهای پیش بینی است که تایید می نماید رویکرد پیشنهادی را می توان به عنوان ابزاری امیدبخش برای پیش بینی سری های زمانی بازه ای در نظر گرفت.
4. نتیجه گیری
توسعه قابل توجه فناوری های گردآوری داده ها به تولید حجم عظیمی از داده ها منجر شده است. از این رو، به منظور استخراج اطلاعات ارزشمند از پایگاه داده های بزرگ به رویکردهای قابلی نیاز می باشد. با نمایش داده ها با متغیرهای با ارزش بازه ای نمادین، تخلیص داده ها، ارائه روش بررسی تغییرپذیری و یا عدم قطعیت ذاتی داده ها را امکان پذیر می نماید. در این زمینه، پیش بینی سری های زمانی بازه ای (ITS) نقش مهم فزاینده ای را در حوزه هایی چون بازارهای مالی، هواشناسی و مدیریت جریان ترافیک ایفا می کنند زیرا در فرآیندهای تصمیم گیری و سیاستگذاری، ابزار مضاعفی برای سازمان ها و دست اندرکاران شمرده می شوند.
Abstract
This paper suggests a fuzzy inference system (iFIS) modeling approach for interval-valued time series forecasting. Interval-valued data arise quite naturally in many situations in which such data represent uncertainty/variability or when comprehensive ways to summarize large data sets are required. The method comprises a fuzzy rule-based framework with affine consequents which provides a (non)linear framework that processes interval-valued symbolic data. The iFIS antecedents identification uses a fuzzy c-means clustering algorithm for interval-valued data with adaptive distances, whereas parameters of the linear consequents are estimated with a center-range methodology to fit a linear regression model to symbolic interval data. iFIS forecasting power, measured by accuracy metrics and statistical tests, was evaluated through Monte Carlo experiments using both synthetic interval-valued time series with linear and chaotic dynamics, and real financial interval-valued time series. The results indicate a superior performance of iFIS compared to traditional alternative single-valued and interval-valued forecasting models by reducing 19% on average the predicting errors, indicating that the suggested approach can be considered as a promising tool for interval time series forecasting.
4. Conclusion
The significant development of data collection technologies has contributed to the production of huge volumes of data. Therefore, approaches able to extract valuable information from large databases are demanding. When data are represented by symbolic interval-valued variables, it makes it possible to summarize the data and provide a way to account for the variability and/or uncertainty inherent to the data. In this domain, interval time series (ITS) forecasting plays an increasingly important role in areas such as financial markets, meteorology, and traffic flow management since it is seen as an additional tool for organizations and practitioners in policy and decision-making processes.
(جهت بزرگ نمایی روی عکس کلیک نمایید)
چکیده
1. مقدمه
2. سیستم استنتاج فازی برای داده های با ارزش بازه ای
2.1. داده های با ارزش بازه ای و ITS
2.2. ساختار مدل iFIS
2.3. شناسایی پیشایندهای iFIS
2.4. شناسایی پی‌آیندهای iFIS
3. آزمایشات محاسباتی
3.1. سری های زمانی مصنوعی با ارزش بازه ای
4. نتیجه گیری
تقدیر و تشکر
منابع
Abstract
1. Introduction
2. Fuzzy inference system for interval-valued data
2.1. Interval-valued data and ITS
2.2. iFIS model structure
2.3. iFIS antecedents identification
2.4. iFIS consequents identification
3. Computational experiments
3.1. Synthetic interval-valued time series
3.2. Real financial interval-valued time series
4. Conclusion
Acknowledgments
References
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه