WFAR模型在时间序列预测中的应用

随着模糊集合理论应用的不断广泛深入,为深刻研究时间序列数据状态波动的依赖关系,提出了模糊自回归时间序列预测模型,更适合解决复杂依赖关系且带有缺失、含糊、不准确等现象的时间序列预测问题。模型采用模糊聚类的方法对论域进行划分建立模糊集,并根据历史数据抽取模糊规则。利用自相关性确定数据状态间的依赖关系,通过马尔科夫转移概率抽取状态转移信息。模型既考虑了数据状态间的相互作用关系,又兼顾了状态转移频率的影响,进而达到提高预测质量的目的。实验部分将Alabama大学入学人数作为实验数据,以均方误差作为衡量标准,经过比较提出模型的预测质量明显优于传统模糊时间序列预测模型,说明了模型的可行性和有效性。     

基于区间值相似度的直觉区间值模糊推理

直觉区间值模糊集具有比直觉模糊集更强大的模糊信息表达能力并且其直觉区间值隶属度和非隶属度的值较易确定.文章利用直觉区间值模糊集进行模糊推理.根据直觉区间值隶属度和非隶属度的值给出直觉区间值模糊集之间相似度和加权总体相似度的计算方法.根据该计算方法给出直觉区间值模糊集上的模糊推理算法.最后通过算例说明所给出的推理算法更符合实际需要,可操作性强,便于应用.     

一种新的改进加权模糊时间序列

通过分析邱望仁提出的加权模糊时间序列模型,指出其建立模糊关系矩阵中的不足.为此,文章重新定义所要考虑隶属度对应的模糊关系和预测所需的模糊逻辑关系矩阵,建立改进的加权模糊时间序列模型.利用均方误差MSE和平均绝对百分比误差MAPE对比分析本文提出的模型和邱望仁加权模型的预测精度,验证文章建立模型的有效性;考虑取不同隶属度个数时改进模型预测精度的变化情况,验证文章建立模型的稳定性.     

关于股票价格的二阶模糊时间序列

由于股票价格的时间序列具有不确定性,股市的真实模型不容易建立,而模糊时间序列在解决模糊性数据和不确定性数据方面具有较大优势;因此,本文首先将数据进行预处理并改进论域划分的方法,然后利用三角隶属度函数进行数据的模糊化处理,再利用模糊化后的数据建立三层BP神经网络,最后,应用广义的逆模糊数公式将预测模糊集进行逆模糊化,从而得到预测结果.应用本文方法对印度国家银行(SBI)股票价格和Alabama 大学的入学人数进行预测,预测结果精度较高.     

基于直觉模糊可能性测度的三支决策模型的研究

在直觉模糊集和可能性测度理论基础上,用可信度,对三支决策模型进行了研究.首先运用直觉模糊集和可能性理论,定义了直觉模糊可能性测度和直觉模糊可信度,讨论它们的性质.在直觉模糊可能性空间中,建立了基于直觉模糊可能性测度的三支决策模型,给出了该模型的划分规则.然后,定义了直觉模糊信息表的三支决策模型,给出了求信息表对象的综合直觉模糊属性特征值方法.最后,对该模型下的误判进行分析,给出了一种基于直觉模糊可能性测度和可信度的决策风险计算方法,并进行了实例演算.通过实例,给出具体计算步骤:综合分析了对象在不同属性特征下的隶属度和非隶属度,计算其直觉模糊可能性测度;运用可信度,计算出边界阈值和综合直觉模糊属性特征值;讨论了该模型的有效性.     

多属性决策的时间不确定事件流时序推理方法

针对信息物理融合系统时间不确定事件流调度顺序的决策依据单一问题,首先利用D-S证据理论在多证据源概率融合上的优势,充分考虑事件优先级、截止期、紧迫度、事件依赖等多个属性的影响,构建具备多属性特征的模糊结束时刻基本概率分配求解模型。然后,建立D-S证据理论与直觉模糊集的关联模型,求解模糊结束时刻隶属度与非隶属度;最后,利用直觉模糊集负向时间推理理论和相关计分函数推导模糊开始时刻概率得分,得到时序推理结果,并以此确定基于多属性判据的时间不确定事件流调度顺序。实验结果表明,当事件数量增长时,调度准确率可保持在85%以上;当模糊区间限制规模扩大时,调度准确率下降幅度不超过15%。     

基于数值拟合的直觉模糊近似推理方法

基于直觉模糊集和数值拟合技术,考虑其隶属度与非隶属度两个因素的影响,提出了一种直觉模糊集的近似推理算法。首先给出了直觉模糊集的定义,推导出了一种数值拟合方法,讨论了GMP问题和GMT问题的一般推理过程。其次,重点研究了基于直觉模糊逻辑的近似推理方法。最后以具体算例验证了所提方法的正确性和有效性。     

基于XGBoost的短时交通流预测模型

为提高路段短时交通流的预测精度,选取路段平均旅行时间作为预测指标,建立了一种基于极端样度上升(extrem gradient boosting,XGBoost)的短时交通流预测模型。首先通过对交通流数据的分析,在考虑交通流时空特性的基础上,分别构建目标路段时间序列训练集、测试集以及时空序列训练集、测试集,然后基于XGBoost模型以及构建的训练样本集建立时间序列预测模型以及时空序列预测模型,并利用训练好的模型进行预测,最后将模型预测结果与线性回归模型、神经网络模型预测结果进行比较。实验结果表明:基于XGBoost的短时交通流预测模型能够对路段未来时段平均旅行时间进行比较准确的预测,其中时间序列预测模型均方根误差为5. 32,时空序列预测模型均方根误差为4. 82,均低于线性回归模型和神经网络模型,且相比于仅考虑时间因素的短时交通流预测模型,同时考虑时空因素的预测模型得到的误差更低,预测效果更好。     

FWP加工变形补偿预测的ATS-FNN建模及仿真

针对柔性工件轨迹(FWP)加工变形影响因素复杂、对变形补偿预测模型实时性要求较高的问题,提出了FWP加工变形补偿预测的自适应TS模糊神经网络(ATS-FNN)建模方法.该方法利用自适应模糊聚类方法从历史加工数据中获取T-S型模糊神经网络(TS-FNN)前件网络的模糊隶属度函数、规则适应度;后件神经网络采用最速下降法作为学习算法,以较快地获得网络连接权值参数.仿真表明,文中构建的ATS-FNN比标准TS型模糊神经网络的建模时间减少52.34%,x、y方向补偿预测值的均方误差分别减少了36.50%和33.34%.     

基于最大熵原理的多目标运动跟踪

针对模糊预测多目标运动方法中模糊规则基难确定,实时性难满足问题,提出一种利用实时测量数据构造模糊规则基中心,采用最大熵原理计算当前状态在各规则中的隶属度值,对多个目标的运动状态进行预测的跟踪方法.本方法中,模糊规则基的中心由实时测量目标的位置、速度、加速度和误差构成.无需考虑隶属度函数的形式,仅利用最大熵原理获取当前输入在各中心确定的规则基中的隶属度,进而预测出多个目标在下时刻的运动状态,同时利用预测误差对预测状态进行实时修正,提高预测的精确度.仿真实验验证了方法的有效性.     

基于FIG和GWO-SVM的灌浆功率时序预测

为更好地预测灌浆功率时序,建立基于模糊信息粒化(FIG)和灰狼优化支持向量机(GWO-SVM)的灌浆功率时序预测模型。首先,引入信息粒计算方法,将原始详尽的时间序列数值点分解为一系列信息粒,以减少模型的数据输入总量;其次,基于模糊集理论,采用模糊集算子对每个信息粒进行模糊计算,使得到的模糊信息粒可以合理地表示原始数值点集;最后,以支持向量机作为预测工具,并采用灰狼优化算法进行参数寻优,对产生的模糊信息粒进行快速准确的预测。结合实际工程,应用该预测模型对灌浆功率的波动范围和变化趋势进行预测研究,经过性能评价和对比分析,验证了模型的有效性和优越性。     

直觉模糊语义匹配的相似性度量

首先引用Atanassov直觉模糊集的基本概念和运算,综合考虑其隶属度函数与非隶属度函数两个因素的影响,通过对Zadeh模糊集相似度的计算模型进行扩展,给出了直觉模糊语义匹配的相似度的几种扩展计算方法,即最大最小法、算术平均最小法、几何平均最小法、相关系数法、指数法等,并举例阐明其应用,从而使直觉模糊语义匹配度的计算方法得到进一步拓广。最后,研究了直觉模糊相似关系,证明了直觉模糊相似矩阵的一个定理。     

语言值直觉模糊二元组的多重多维推理方法

针对语言值推理中信息缺失的问题,基于直觉模糊集和语言值直觉模糊二元组表示模型,对多重多维模糊推理方法进行扩展,提出了语言值直觉模糊二元组的多重多维推理方法及一种先聚合规则再进行推理的扩展方法.该方法可以有效减少推理过程中语言值信息的缺失,通过将此方法应用于实例中说明了合理性.     

完备格上基于t算子的直觉模糊粗糙集模型

基于对偶三角模,将直觉模糊粗糙集模型在完备格上进行统一处理:首先在完备格上引入非算子的概念,定义和讨论了完备格上基于t算子的直觉模糊集及其运算法则;讨论了完备格上基于t算子的对偶三角模剩余蕴涵及其相互转化关系;在讨论完备格上基于t算子的直觉模糊集的对偶三角模TS隶属度和非隶属度表示的基础上,给出了完备格上基于t算子的直觉模糊集对应的剩余蕴涵之隶属度和非隶属度计算公式;最后,在定义完备格上基于t算子相似关系的基础上,定义和刻画了完备格上基于t算子的直觉模糊粗糙集模型.     

直觉模糊集的扩展研究

基于直觉模糊集的基本概念,考虑其隶属度、非隶属度和概率分布3个因素的影响,给出了直觉模糊集两种扩充:统计直觉模糊集和多值直觉模糊集,并给出了扩充直觉模糊集的运算和包含关系,从而使直觉模糊得到了推广和应用。     

基于模糊信息粒化的支持向量机在犯罪时序预测中的应用

犯罪时间序列一般具有随机性和波动性强的特点。传统的时间序列建模方法利用犯罪时序数据之间的相关性建立预测模型;但对细颗粒度下的信息利用不足。相比之下,基于模糊信息粒化的支持向量机能够在对时间序列的细颗粒度数据进行粒化预处理的基础上建立拟合回归模型,实现粗颗粒度下的时序预测。利用基于模糊信息粒化的支持向量机方法对S市的侵财类案件数据进行分析预测,并与ARIMA模型进行了比较。结果表明该方法在预测精度上要显著优于时间序列预测模型。对公安部门的警务指挥与情报研判具有较高的实用性。     

基于阴阳调和的模糊神经网络

针对传统的基于最小均方差或最大后验概率的学习算法不能得到最优解的实际情况,提出将贝叶斯阴阳(Bayesian Yin-Yang, BYY)学习算法引入模糊小脑模型关联控制器(Cerebellar Model Articulation Controller, CMAC)来确定最优模糊集的方法,并利用真值限定(Truth Value Restriction, TVR)推理策略推导出规则权值的真值.BYY受著名的中国古代阴阳哲学理论启发,认为宇宙中的任何事物都是阴和阳对立的统一体,当阴阳取得调和时,则达到完美.模糊规则集通过BYY系统地优化,使其具有更高的泛化能力;与原始的CMAC相比,它有效地减少了存储需求,并提供直觉模糊逻辑推理,具有清晰的语意规则.产品需求预测实验结果表明:BYY结合TVR应用于模糊神经网络,改进了CMAC模型,预测方法优于其他代表性的神经网络模型,所求模糊集与训练数据达到阴阳调和,得到最优解.     

基于直觉模糊熵的多属性决策方法

针对一组直觉模糊集在隶属度和非隶属度相同以及犹豫度相同无法区分的情况,提出一个新的直觉模糊熵.将直觉模糊熵应用于属性权重求解.给出基于直觉模糊熵的多属性决策步骤,并将其运用于实例,说明该决策步骤的有效性.     

基于ARMAX的PM_(2.5)小时浓度跟踪预测模型

针对目前缺乏小时尺度上PM_(2.5)浓度统计预测模型以及已有模型预测精度对训练数据的依赖问题,利用天津市环保物联网监测到的污染物及气象数据,建立了PM_(2.5)小时浓度预测的多元时间序列模型(ARMAX),并提出一种模型在线自适应改进方法:设定模型评价指标并实时监测,当模型预测精度超标时对模型进行在线更新.将改进后的模型应用于天津市的9个监测站点,用2013—2014年的监测数据对模型进行验证.结果表明:模型均方根误差RMSE20,μg,平均绝对误差MAE20,μg,拟合优度R20.9,能够在小时尺度下有效地预测PM_(2.5)浓度,可以为突发性PM_(2.5)污染事件的应急处理提供决策支持.     

组合预测模型在中国GDP预测中的应用

在ARIMA、混合时间序列和GM(1,1)模型基础上,利用中国经济发展数据建立一个组合预测模型,并把它应用于我国GDP的预测。所得结果误差优于三个模型的分别预测,表明组合预测模型在时间序列数据的预测中更有优势。