×
罗，赵;谭、陈浩;郑元杰

基于逐步线性分割算法和时变分区模糊信息颗粒的时间序列长期预测。 （英语） 兹比尔1461.62157

国际J近似推理 108, 38-61 (2019)。
摘要：在高噪声、非线性时间序列的长期预测研究中，序列数据的趋势信息和波动范围通常比时间点特定值的预测更有价值和实用性。针对模糊信息颗粒（FIG）的可变长度划分问题，构造了一种称为逐步线性划分（SLD）的方法，该方法从时间序列的原始数据分布中提取了FIG的特征。其次，基于上述划分算法，首次提出了一种新的模糊信息颗粒，它可以表征数据的变化趋势、波动范围和分散程度。此外，预测结果的可靠性可以量化。将时间序列粒化后，建立基于规则的模糊推理系统，实现时间序列的预测。实验中使用了合成序列和实际时间序列，包括混沌Mackey-Glass时间序列、温度、太阳黑子数、产奶量和财务数据，以验证该方案的有效性。实验结果表明，与现有的数值模型和模糊推理系统相比，该模型能够包含更丰富的语义信息，产生更好的长期预测性能。

引用于5文件

MSC公司：

62M10个 统计学中的时间序列、自相关、回归等（GARCH）
62M20型 随机过程推断和预测
62M86型 随机过程和模糊推理

关键词：

时间序列预测;时变分区模糊信息颗粒;逐步线性除法;模糊推理系统
PDF格式BibTeX公司 XML格式引用
\textit{C.Luo}等人，《国际近似推理》108，38-61（2019；Zbl 1461.62157）
全文： 内政部

参考文献：

[1] 林，L。；Wang，F。；Xie，X.，基于随机森林的多状态时间序列预测极端学习机器集成，专家系统。申请。，83，C，164-176（2017）
[2] Shi，H.L。；周伟新，中国股市的时间序列动量和反转效应，物理。A、 统计机械。申请。，483 (2017)
[3] 高，X。；方，W。；An，F.，不同周期时间序列下原油价格波动机制的检测方法，应用。能源，192201-212（2017）
[4] Engle，R.F.，英国通货膨胀方差估计的自回归条件异方差，《计量经济学》，50，4，987-1007（1982）·Zbl 0491.62099号
[5] 恩格尔，R.F。；Granger，C.W.J.，《协整和误差修正：表示、估计和检验》，《计量经济学》，55，2，251-276（1987）·Zbl 0613.62140号
[6] Takagi，T。；Sugeno，M.，系统的模糊识别及其在建模和控制中的应用，阅读。模糊集智能。系统。，15, 1, 387-403 (1993)
[7] 宋，Q。；Chissom，B.S.，《模糊时间序列及其模型》（1993年），爱思唯尔北方-霍兰德公司·Zbl 0792.62087号
[8] 陈S.M。；Chang，Y.C。；Pan，J.S.，基于区间2型高斯模糊集和遗传算法的稀疏模糊规则系统的模糊规则插值，IEEE Trans。模糊系统。，21, 3, 412-425 (2013)
[9] 陈，C。；新墨西哥州帕塔林。；Li，Y.，Rough-fuzzy规则插值，Inf.Sci。，351, 1-17 (2016) ·Zbl 1398.68531号
[10] Zadeh，L.A.，模糊集与信息粒度（1996）；Zadeh，L.A.，《模糊集、模糊逻辑和模糊系统：洛特菲·扎德的论文选集》，433-448（1979）
[11] 佩德里茨，W。；Vukovich，G.，信息颗粒的抽象和专门化，IEEE Trans。系统。人类网络。，B部分，31，1，106-111（2001）
[12] 卢·W。；陈，X。；Pedrycz，W.，《使用区间信息颗粒改进模糊时间序列的预测》，《国际期刊近似原因》。，2015年1月18日第57页·Zbl 1337.62306号
[13] Wang，W。；佩德里茨，W。；刘欣，基于信息粒和模糊聚类的时间序列长期预测模型，工程应用。Artif公司。智力。，41、C、17-24（2015）
[14] Hryniewicz，O。；Kaczmarek，K.，使用粒度计算方法对时间序列进行贝叶斯分析，应用。软计算。，47, 644-652 (2016)
[15] 杨，X。；Yu，F。；Pedrycz，W.，基于线性模糊信息颗粒和模糊推理系统的时间序列长期预测，国际期刊近似推理。，81, 1-27 (2017) ·Zbl 1401.62181号
[16] Pedrycz，W.，《颗粒计算》，16-24（2013），Physica-Verlag:Physica-Verlag Heidelberg
[17] 段，L。；Yu，F。；Pedrycz，W.，基于线性模糊信息颗粒的时间序列聚类，应用。软计算。，73, 1053-1067 (2018)
[18] 彭，L。；Yan，H。；杨振中，基于模糊信息粒化和支持向量机的太阳黑子活动预测，AIP Conf.Proc。，1955，1，Article 040152 pp.（2018），AIP出版社
[19] Chen，M.Y。；Chen，B.T.，《基于粒度计算的混合模糊时间序列模型在股价预测中的应用》（2015），爱思唯尔科学公司。
[20] 陈S.M。；纽约州钟，《使用高阶模糊时间序列和遗传算法预测入学人数》，Int.J.Intell。系统。，21, 5, 485-501 (2006) ·Zbl 1088.6211号
[21] 陈S.M。；Jian，W.S.，基于二阶模糊趋势逻辑关系群的模糊预测，相似性度量和粒子群优化技术，信息科学。，391-392, 65-79 (2016)
[22] Bai，J。；Liu，H.，基于PBI分解的多目标人工蜜蜂算法，应用。智力。，45, 4, 976-991 (2016)
[23] 余，F。；Dong，K。；Chen，F.，用颗粒动态时间扭曲方法聚类时间序列，（IEEE颗粒计算国际会议论文集（2007）），393，F
[24] Yager，R.R.，《使用梯形表示颗粒对象：学习和OWA聚合的应用》，《信息科学》。，178, 2, 363-380 (2008) ·Zbl 1128.68104号
[25] 1981-1990年澳大利亚墨尔本日最高气温
[26] 祖埃里奇每月太阳黑子数1749-1983
[27] 月产奶量：每头牛磅。1月62日至75年12月
[28] 布雷雷顿，R.G。；Lloyd，G.R.，《分类和回归的支持向量机》，分析家，135，2，230（2010）
[29] Huarng，K.，《改进模糊时间序列预测的有效区间长度》，模糊集系统。，123, 387-394 (2001) ·Zbl 0992.91077号
[30] Huarng，K。；Yu，T.香港。；Hsu，Y.W.，模糊时间序列预测的多元启发式模型，IEEE Trans。系统。人类网络。，B部分，37，4，836-846（2007）
[31] Yu，T.香港。；Huarng，K.，预测TAIEX的二元模糊时间序列模型，专家系统。申请。，34, 2945-2952 (2008)
[32] 陈S.M。；Chang，Y.C.，基于模糊聚类和模糊规则插值技术的多变量模糊预测，信息科学。，18024772-4783（2010年）
[33] 陈S.M。；Chen，C.D.，基于模糊时间序列和模糊变量组的TAIEX预测，IEEE Trans。模糊系统。，19, 1, 1-12 (2011)
[34] 陈S.M。；Chu，H.P。；Sheu，T.W.，使用模糊时间序列和自动生成的多因素权重进行TAIEX预测，IEEE Trans。系统。人类网络。，A部分，系统。Hum.，42，6，1485-1495（2012）
[35] 陈S.M。；马纳鲁，G.M.T。；潘，J.S。；Liu，H.C.，基于二阶模糊趋势逻辑关系群和粒子群优化技术的模糊预测，IEEE Trans。赛博。，43, 3, 1102-1117 (2013)
[36] Egrioglu，E。；Aladag，C.H。；Yolcu，U.，《模糊时间序列预测与模糊c-均值和神经网络相结合的新型混合方法》，专家系统。申请。，40, 854-857 (2013)
[37] 陈S.M。；Chen，S.W.，基于二因素二阶模糊趋势逻辑关系群和模糊逻辑关系趋势概率的模糊预测，IEEE Trans。赛博。，45, 3, 405-417 (2015)
[38] 蔡，Q。；张，D。；郑伟。；Leung，S.CH.，结合蚁群优化和自回归的新模糊时间序列预测模型，Knowl-基于系统。，74, 61-68 (2015)
[39] Cheng，S.H。；陈S.M。；Jian，W.S.，基于模糊逻辑关系和相似性度量的模糊时间序列预测，信息科学。，327, 272-287 (2016) ·Zbl 1458.62237号
[40] 约尔库，O.C。；Alpaslan，F.，基于单一优化过程的混合模糊时间序列模型的TAIEX预测，应用。软计算。，66, 18-33 (2018)
[41] Khanesar，医学硕士。；Kayacan，E。；Teshnehlab，M.，《2型模糊逻辑系统基于扩展卡尔曼滤波器的学习算法及其实验评估》，IEEE Trans。Ind.Electron公司。，59, 11, 4443-4455 (2012) ·Zbl 1262.90200号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。