文森佐·洛亚;Stefania托马西洛;阿尔弗雷多·瓦卡罗;高金武 使用带模糊变换的局部学习：应用于短期预测问题。 （英语） Zbl 1439.62208号 模糊优化。Decis公司。制造商。 19，第1期，13-32（2020年）. 摘要：在本文中，我们正式讨论了一种计算方案，它将局部加权回归模型与模糊变换（简称F变换）相结合。后者作为学习问题基数的约简技术，从而产生更有效的算法。我们首先通过两个典型的基准问题，即Hénon和Mackey-Glass混沌时间序列，测试了该方法，然后将其应用于短期预测问题。短期预测在能源领域对于电力系统管理和能源交易非常重要。因此，我们考虑了该领域的两个典型应用实例，即风电预测和负荷预测。通过与其他技术的比较，数值结果表明了该方法的有效性。 引用于1文件 MSC公司： 62M86型 随机过程和模糊推理 62M10个 统计学中的时间序列、自相关、回归等（GARCH） 62F03型 参数假设检验 62M20型 随机过程推断和预测 关键词：模糊集;预测;懒惰的学习;局部回归 PDF格式BibTeX公司 XML格式引用 \textit{V.Loia}等人，模糊优化。Decis公司。制造商。19，第1号，13-32（2020；Zbl 1439.62208） 全文： 内政部 参考文献： [1] Akaike，H.，统计模型识别的新视角，IEEE自动控制汇刊，19716-723（1974）·Zbl 0314.62039号 ·doi:10.1109/TAC.1974.1100705 [2] Appice，A.、Pravilovic，S.、Lanza，A.和Malerba，D.（2015）。利用时空惰性学习进行极短期风速预测，计算机科学课堂讲稿，9356（第9-16页）。 [3] Bessec，M。；Fouquau，J.，《结合平稳小波变换的短时电力负荷预测》，《欧洲运筹学杂志》，264149-164（2018）·Zbl 1383.62339号 ·doi:10.1016/j.ejor.2017.05.037 [4] Bontempi，G.（1999）。建模、预测和控制的本地学习技术。IRIDIA-布鲁塞尔自由大学（博士论文）。 [5] Bontempi，G。；伯西尼，H。；Birattari，M.，《建模和控制的局部范式：从神经模糊到懒惰学习》，《模糊集与系统》，121，1，59-72（2001）·Zbl 0978.93528号 ·doi:10.1016/S0165-0114（99）00172-4 [6] Bontempi，G.、Birattari，M.和Bersini，H.（1999）。迭代时间序列预测的局部学习。I.Bratko，S.Dzeroski（编辑），《机器学习：第十六届国际会议论文集》（第32-38页）。加利福尼亚州旧金山：Morgan Kaufmann·Zbl 0938.93531号 [7] Capuno，M.、Kim，J.S.和Song，H.（2017）。使用混合代数预测和支持向量回归进行短期负荷预测。工程中的数学问题（文章ID 8298531）。 [8] Chan，理学硕士；Tsui，公里；吴，Hc；Hou，Y。；Wu，Yc；Wu，Ff，智能电网负荷/价格预测和管理需求响应，IEEE Signal Processing Magazine，29，5，68-85（2012）·doi:10.1109/MSP.2012.2186531 [9] Chang，Lc；Chang，Fj；Wang，Yp，混沌时间序列和洪水预测的自动配置径向基函数网络，水文过程，232450-2459（2009）·doi:10.1002/hyp.7352 [10] 风扇，S。；Hyndman，Rj，基于半参数加性模型的短期负荷预测，IEEE电力系统交易，27，1，134-141（2012）·doi:10.1109/TPWRS.2011.2162082 [11] 希伯特，Hs；佩德雷拉，Ce；Souza，Rc，《短期负荷预测的神经网络：回顾与评估》，IEEE电力系统汇刊，16，1，44-55（2001）·数字对象标识代码：10.1109/59.910780 [12] Hong，T。；Wang，P.，短期负荷预测的模糊交互回归，模糊优化与决策，13，1，91-103（2014）·Zbl 1428.62498号 ·doi:10.1007/s10700-013-9166-9 [13] Hong，T.、Wang，P.和Willis，H.L.（2011）。短期负荷预测的朴素多元线性回归基准。在IEEE电力和能源协会大会上（第1-6页）。2011年，美国密歇根州底特律。 [14] Hurtik，P.和Tomasiello，S.（2019年）。模糊变换在数据和图像压缩中的应用综述。软计算（正在出版）·Zbl 1436.94009 [15] Hurvich，Cm；Simonoff，Js；Tsai，Cl，使用改进的Akaike信息准则在非参数回归中平滑参数选择，英国皇家统计学会杂志。B系列（统计方法），60，2，271-293（1998年）·Zbl 0909.62039号 ·doi:10.1111/1467-9868.00125 [16] Jayawardena，Aw；徐，Pc；Tsang，Fl；Li，Wk，确定用于预测非线性水文时间序列的径向基函数网络的结构，《水文科学杂志》，51，1，21-44（2006）·doi:10.1623/hysj.51.1.21 [17] Kuck，M.和Scholz-Reiter，B.（2013年）。一种优化惰性学习参数的遗传算法，用于预测客户需求。在第12届机器学习和应用国际会议上（第160-165页）。 [18] Loia，V。；托马西耶洛，S。；Vaccaro，A.，《在基于多智能体的智能电网监测中使用模糊变换》，《信息科学》，388，389，209-224（2017）·doi:10.1016/j.ins.2017.01.022 [19] Meng，K。；Dong，Zy；Wong，Kp，用于短期电价预测的自适应径向基函数神经网络，IET发电、输电和配电，3，4，325-335（2009）·doi:10.1049/iet-gtd.2008.0328 [20] 米什拉，Sp；Dash，Pk，使用混合伪逆Legendre神经网络和自适应萤火虫算法进行风力发电短期预测，神经计算和应用，31，7，2243-2268（2017）·数字对象标识代码：10.1007/s00521-017-3185-3 [21] Pan，Th；李，S。；Li，N.，通过粒子群优化实现懒惰学习的最佳带宽设计，智能自动化与软计算，15，1，1-11（2009）·doi:10.1080/10798587.2009.10643011 [22] 蓬塞拉，M。；Poncela，P。；Peran，Jr，《利用最大似然法自动调整用于风能预测的卡尔曼滤波器》，应用能源，108，349-362（2013）·doi:10.1016/j.apenergy.2013.03.041 [23] 拉纳，M。；Koprinska，I.，用先进的小波神经网络预测电力负荷，神经计算，182118-132（2016）·doi:10.1016/j.neucom.2015.12.004 [24] Stone，M.，统计预测的交叉验证选择和评估，英国皇家统计学会杂志B，36，111-147（1974）·Zbl 0308.62063号 [25] Sun，G.，用综合相似时间序列数据挖掘方法进行短期风力发电预测，可再生能源，115，575-584（2018）·doi:10.1016/j.renene.2017.08.071 [26] Taylor，Jw，《利用逐分钟英国数据对超短期负荷预测方法的评估》，《国际预测杂志》，24645-658（2008）·doi:10.1016/j.ijforecast.2008.07.007 [27] 瓦卡罗，A。；Mercogliano，P。；Schiano，P。；Villacci，D.，《一种基于多模型数据融合的自适应框架，用于单日风电预测》，电力系统研究，81，775-782（2011）·doi:10.1016/j.epsr.2010.11.009文件 [28] Zhang，P.，Gao，B.J.，Zhu，X.，&Guo，L.（2011）。支持数据流的快速惰性学习。在IEEE国际数据挖掘会议（ICDM）中（第932-941页）。 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。