کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4947414 1439580 2017 39 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A combined robust fuzzy time series method for prediction of time series
ترجمه فارسی عنوان
روش ترکیبی سری فازی قوی برای پیش بینی سری زمانی
کلمات کلیدی
ترجمه چکیده
در صورت خروج (ها) اجتناب ناپذیری است که عملکرد روش پیش بینی سری فازی تاخیری را تحت تاثیر قرار می دهد. بنابراین، روش های پیش بینی فعلی قادر نخواهند بود که نرخ های دقت رضایت بخش برای خروجی های پیش بینی شده (پیش بینی شده) را در زمانی که داده های خروجی (ها) فراهم می کنند. در این مطالعه نه تنها قادر به حل این مشکل بلکه همچنین قادر به بهبود دقت پیش بینی شده است، ما یک رویکرد قوی ترکیبی برای سری زمانی فازی را با ارزیابی نحوه عملکرد پیش بینی شده از روش های خارج از محدوده (بازدید کنندگان) در مدل پیشنهاد شده، متفاوت از مدل های فعلی، هر دو مقیاس ترد و مقادیر عضویت به عنوان ورودی استفاده می شود و همچنین مشاهدات سری زمانی واقعی به عنوان خروجی گرفته می شود. بنابراین مدل پیشنهادی معامله تخلیه سازی را انجام نمی دهد و از مدل تک سلولی برای تعیین روابط فازی و عملکرد تناسب قوی در روند آموزش استفاده می کند. در حالی که اجرای فرآیند آموزش این مدل با بهینه سازی ذرات ذرات در یک فرآیند بهینه سازی یکپارچه ترکیبی، با استفاده از ارزش های چرپس و ارزش های عضویت، با کسب اطلاعات بیشتر، نتایج موفقیت آمیز ارائه می شود. پیاده سازی های مختلف نشان داده شده است که نشان می دهد مدل پیشنهادی می تواند نتایج دقیق تر و قویتری را در پیش بینی به دست آورد. به عنوان مثال نشان داده شده است که روش پیشنهادی می تواند نتایج دقیق تر و قویتری در پیش بینی به دست آورد. مثال نشان داده شده است که پیشنهاد روش می تواند نتایج دقیق تر و قوی تر را در پیش بینی به دست آورد. به عنوان مثال نشان داده شده است که نشان می دهد روش پیشنهادی می تواند نتایج دقیق تر و قوی در پیش بینی را به دست آورد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
روش ترکیبی سری فازی قوی برای پیش بینی سری زمانی
چکیده انگلیسی
In case of outlier(s) it is inevitable that the performance of the fuzzy time series prediction methods is influenced adversely. Therefore, current prediction methods will not be able to provide satisfactory accuracy rates for defuzzified outputs (predictions) when the data has outlier(s). In this study, not only to be able to sort out this problem but also to be able to improve the forecasting accuracy, we propose a combined robust approach for fuzzy time series by assessing how the prediction performance of the methods will be affected from the outlier(s). In the proposed model, different from the current models, both crisp values and membership values are used as inputs and also real time series observations are taken as outputs. The proposed model therefore does not require defuzzification transaction and uses single multiplicative neuron model to determine the fuzzy relations and a robust fitness function in its training process. While performing the training process of this model by particle swarm optimization within a combined single optimization process, using crisps values and membership values together provides successful results by getting further information. The various implementations are illustrated to show that the proposed model could obtain more accurate and robust results in forecasting.an example is illustrated to show that the proposed method could obtain more accurate and robust results in forecasting.an example is illustrated to show that the proposed method could obtain more accurate and robust results in forecasting.an example is illustrated to show that the proposed method could obtain more accurate and robust results in forecasting.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 247, 19 July 2017, Pages 87-101
نویسندگان
, ,