Time series long-term forecasting model based on information granules and fuzzy clustering

به رغم تنوع قابل ملاحظه ای از مدل های سری زمانی، هنوز هم نیاز به نیاز به توسعه سازه هایی است که دقیق و شفاف هستند. در عین حال، پیش بینی سری های دراز مدت چالش برانگیز است و علاقه زیادی به تمرینکنندگان و جامعه پژوهشی دارد. نقش اطلاعات گرانشی برای سازمان دهی داده های عددی دقیق به برخی از نهادهای معنی دار معنایی است. با توجه به این امر، طراحی مدل های پیش بینی سری زمانی استفاده از گرانوله اطلاعات را قابل تفسیر و به راحتی قابل درک توسط انسان است. به منظور خوشهبندی گرههای اطلاعاتی، یک فاکتور اصلاح اصلاح شده که نیازی به داشتن داده های یک بعدی ندارد، پیشنهاد شده است. سپس، ما پیش بینی مدل ترکیبی از روش های اصلاح فازی و گرانوله اطلاعات برای حل مشکل سری زمانی دراز مدت پیش بینی. سری های زمان مصنوعی، سری زمانی مکانیکی ماتیکی شیشه ای، تقاضای برق، دمای روزانه، شاخص سهام و سرعت باد در یک سری آزمایش ها مورد استفاده قرار می گیرند. نتایج تجربی نشان می دهد که مدل پیشنهادی نتایج پیش بینی بهتر را نسبت به چندین مدل موجود ارائه می دهد.