时间序列预测的进展

来自各个领域的研究人员一直在研究大约一个世纪，以便更好地预测未来。实现高预测准确度水平，各种时间序列预测方法在文献中得到了改进。期间20世纪80年代，出现了一些重大发展，时间序列研究发生了变化。更复杂由于计算机的性能得到了增强，因此可以改进算法。因此，新的时间序列可以提出人工神经网络和模糊时间序列等预测方法。在这些方法在实际时间序列预测中的应用证明是成功的。在此外，结合这些新方法的混合预测方法也得到了改进获得更准确的预测。近年来，这些先进的时间序列预测方法并将其用于实际时间序列的预测，取得了满意的结果。

近年来，人工神经网络在现实生活中得到了广泛的应用序列预测。人工神经网络可以实时建模线性和曲线结构系列。时间序列分析中使用的大多数传统方法都是线性结构，并且失败了分析非线性时间序列。在阈值自回归等传统时间序列方法中，双线性模型，用于非线性时间序列建模，一种特殊的曲线模型模式需要。人工神经网络是一种基于数据的方法，不需要模型模式。凭借其激活功能，它提供了灵活的非线性建模。此外，当进行比较时用传统方法对时间序列进行人工神经预测，取得了成功的结果网络文学。在本研究中，前馈和反馈人工神经网络广泛用于时间序列预测的方法被应用于伊斯坦布尔证券交易所（IMKB）时间对序列和预测性能进行了评估。

近年来，文献中存在包括长记忆时间序列在内的研究。这样的时间现实生活中的级数可能同时具有线性和非线性结构。线性模型不适合这种情况时间序列的。预测这些时间序列的另一种方法是人工神经网络，它是数据基于并可以对这些时间序列中的线性和非线性结构进行建模。为了确定网络层中节点的数量是一个重要的决定因素。这个决定是通过使用各种架构（architecture）选择标准。这些标准的性能因以下组件而异时间序列，如趋势和季节性。在本研究中，对一些架构选择标准进行了比较人工神经网络用于预测时的实时序列。以下是一些建议利用人工神经网络预测长记忆时间序列。

预测门诊就诊次数在医疗管理专家。为了有效管理医院，需要预测准确的门诊就诊次数。在文献中，已经提出了一些方法来预测这些时间序列。其中一种方法是人工神经网络方法。虽然，人工神经网络在预测方面已证明其成功，但仍存在一些问题使用此方法。确定此方法的元素是一个重要问题。激活功能为人工神经网络的关键元素。因此，在本研究中，我们检测了不同的激活当患者人数达到预测。研究发现，使用不同的激活函数会影响饲料的预测精度前向神经网络模型。

在文献中，使用不同的选择标准来确定最佳架构当用人工神经网络分析时间序列时。文献测量中可用的标准预测的不同属性。为了获得更好的预测，Eǧrioግlu等人[1]提出了一个标准它可以测量预测的所有属性。Aladag等人[2]改进了[1]提出的标准通过使用优化。在本研究中，Eǧrio \487]lu等人提出的加权信息准则。[1] 并介绍了Aladag等人[2]提出的自适应加权信息准则。这些在架构（architecture）选择中使用标准来分析时间序列，这些时间序列是土耳其和安卡拉的空气污染记录。计算结果如下比较和讨论。作为比较的结果，可以看出自适应加权信息标准产生了更一致的结果。

对公共支出的准确预测对新公众的成功至关重要自2001年金融危机以来，土耳其发展了财务管理方法。公众各机构现在有义务根据公众制定的框架调整支出《财务管理和控制法》（第5018号）、2010-2012年中期计划以及最近，计划在下一个预算期实施财政规则。这需要更好的与传统的预算预测方法相比，预测方法通常基于前几年的支出经通货膨胀调整。特别关注预算，本章将各种人工神经网络模型应用于1973-2008年的支出土耳其两个公共机构，即国家规划组织和会计法庭以达到准确的预测水平。人工神经网络方法很少用于预测公共支出，据我们所知，这是第一次涉及土耳其数据。人工神经网络的应用提供了非常准确的公共支出对这些公共机构的预测，表明人工神经网络是非常有用的公共支出预测方法。

现实生活中面临的大多数时间序列都是模糊时间序列，这些时间序列必须是采用模糊时间序列预测方法进行预测。因此，在提出各种模糊时间序列方法的文献。模糊时间序列方法文献中介绍的模糊时间序列通常被用来分析其观测值是模糊集。另一方面，Song等人首先改进了模糊时间序列模型分析观测值为三角模糊数的模糊时间序列[1]。他们的方法需要三角模糊数的复杂算术运算。我们提出了一种新的模糊时间序列基于仿真和前馈神经网络的模糊时间预测方法包含三角模糊数的级数。该方法适用于土耳其的黄金价格系列来展示该方法的适用性。

将模糊集理论应用于时间序列预测问题的想法已经得到了极大的发展近年来引起了研究者的关注。模糊时间序列的几种新方法提出。这些方法具有与经典方法相关的一些优点它们是互补的。其中两种程序是FARIMA和FSARIMA。FARIMA和FSARIMA不要求限制至少50个观察值和线性假设。这个FARIMA和FSARIMA方法提供时间序列的区间估计。ARIMA和SARIMA也提供了区间估计，但有人提出估计的区间很大，因此没有提供信息。从FARIMA和SARIMA获得的估计间隔宽度通常可以往往少于ARIMA和SARIMA。在文献中，还没有研究为时间序列与区间估计的比较提供了一个标准。在本研究中，提出了两个比较标准。

由于观测值中包含的模糊性，模糊时间序列模型在一阶和高阶模型等两个主要类别中工作，拥有不断扩展的领域研究。模糊时间序列分析方法在揭示这种类型的时间序列结构。在模糊时间序列方法的实现中，确定预测性能方面的模型顺序。此外，无论型号顺序如何话语空间划分阶段确定的区间对预测有很大影响性能。因此，有许多研究侧重于确定文献中的间隔。本研究旨在介绍区间长度确定的意义在模糊时间序列分析方法中进行性能预测。为此，相关方法如下介绍了两个实时序列的实现，并对两种方法进行了比较并对所得结果进行了讨论。

传统时间序列方法中的各种理论假设不需要用模糊时间序列方法检验。因此，模糊时间序列在许多应用中是首选的。区间长度的识别是一个重要问题，影响预测性能。但在文献中的许多研究中，间隔的长度是随机确定的。从这一点出发，Huarng[1]提出了两种基于分布和平均选择一个更有效的长度。Huarng和Yu[2]使用了动态调整间隔长度的方法。Huarng[3]提出了一种不同的方法，称为比率基于间隔长度。Cheng等人[4]提出了一种利用熵的新方法。Eǧrioǧlu等人al.[5]和Yolcu等人[6]通过优化确定了间隔的长度。一开始在Cheng等人[4]提出的方法的阶段，还没有使用特定的方法，并且类已经在生成数据所属的类时直观地分配。在本研究中Degirmenci等人[7]提出的方法应用于美国大学的招生数据阿拉巴马州和伊斯坦布尔清洁用水年度数据。然后获得预测与文献中可用的其他方法得到的结果进行了比较。

近年来，时间序列预测中最优先的预测方法是人工神经网络。在许多应用中，人工神经网络已经取得了成功用于获得文献中的准确预测。这种方法优于传统方法时间序列预测模型，因为它易于使用并提供准确的结果。另一方面手，使用这种方法仍然存在一些问题。寻找一个好的人工神经网络当该方法用于预测。尽管提出了一些系统方法来确定最佳架构，最优选的方法是试错法[1]。为了解决架构选择问题，Aladag[2]还提出了一种基于禁忌搜索算法的方法。在本研究中利用人工神经网络和结构选择对安卡拉时间序列进行预测Aladag[2]提出的算法用于确定最佳体系结构。所得结果表明当采用Aladag[2]算法时，达到了高精度水平。

经过许多科学研究，模糊时间序列已被用于预测近年来。由于它们的不确定性，日常生活中遇到的时间序列应该被认为是模糊的并用模糊时间序列方法进行分析。而不是表示时间序列，这可能根据每次观测的瞬时值，在测量期间具有不同的值，表示可能包含多个值的模糊集可以提供更多信息现实分析。在这种情况下，观测值模糊的时间序列的预测问题集合出现了。在文献中，提出了几种方法和算法来预测这些模糊时间序列的类型。然而，可以说，大多数观测到的模糊时间序列包含季节性结构。从这一点出发，使用季节性模糊时间序列预测方法分析包含季节关系的模糊时间序列对这两种预测都是有效的中包含的数据关系的表现和解释。本研究旨在介绍一个混合Box-Jenkins方法的部分高阶二元模糊时间序列预测方法季节性自回归综合移动平均模型（SARIMA），传统时间模型之一序列分析方法在季节性时间序列预测中的应用及其优点。为此目的，使用这种季节性模糊时间序列预测方法对两个实际数据进行了分析，结果如下用某些模糊和常规季节时间序列方法进行评估。

预测组合是一种用于获得更准确预测的方法。预测组合包括从不同模型获得的预测与方法。预测文献中有几种类型的预测组合。在本研究中，将各种模糊时间序列方法应用于土耳其每日最高黄金价格序列通过这些方法获得的预测与方差协方差法（VCM）、平均值相结合平方预测误差法（MSFE）和人工神经网络（ANN）方法。获得的结果从所有这些方法中分析了土耳其日最高气温的最佳预测技术黄金价格系列已确定。

模糊时间序列方法最近在许多研究中被用于预测[1]。这些方法可以分为单变量和多变量两个子类方法。事实上，许多因素实际上可以影响实时时间序列数据。因此，使用多元模糊时间序列预测模型可以更加合理，以获得更高的精度预测。最优选的方法是使用模糊关系表来确定模糊关系在文献中的多元模糊时间序列方法中。然而，使用此方法是通过任务进行计算。在本研究中，我们提出了一种基于人工神经网络的新方法确定模糊逻辑关系的网络，并使用Jilani和Burney[2]定义的公式计算模糊预测。因此，它旨在生成更准确的预测，并避免密集的计算。将该方法应用于1974年至2004年，比利时每年发生的汽车交通事故伤亡人数，以及我们提出的方法以及Jilani和Burney[2]以及Lee等人[3]提出的方法。