1. Trang chủ
  2. » Luận Văn - Báo Cáo

Một số phương pháp nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ.

140 20 0

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Tiêu đề Một Số Phương Pháp Nâng Cao Độ Chính Xác Dự Báo Trong Mô Hình Chuỗi Thời Gian Mờ
Tác giả Nghiêm Văn Tính
Người hướng dẫn TS. Nguyễn Công Điều, TS. Nguyễn Minh Tuấn
Trường học Học viện Khoa học và Công nghệ
Chuyên ngành Khoa học máy tính
Thể loại luận án tiến sĩ
Năm xuất bản 2022
Thành phố Hà Nội
Định dạng
Số trang 140
Dung lượng 8,04 MB

Nội dung

Một số phương pháp nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ.Một số phương pháp nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ.Một số phương pháp nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ.Một số phương pháp nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ.Một số phương pháp nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ.Một số phương pháp nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ.Một số phương pháp nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ.

Ngày đăng: 04/05/2022, 13:27

Nguồn tham khảo

Tài liệu tham khảo Loại Chi tiết
[23]. N. Güler Dincer, Q. Akkuş, A new fuzzy time series model based on robust clustering for forecasting of air pollution, Ecol. Inform, 2018, 43, 157–164, http://dx.doi.org/10.1016/j.ecoinf.2017.12.001 Link
[49]. V.V. Tai, An improved fuzzy time series forecasting model using variations of data, Fuzzy Optimization and Decision Making, 2018, 18, 151-173, https://doi.org/10.1007/s10700-018-9290-7 Link
[1]. G. Box, G. Jenkins, Time series analysis: forecasting and control, New Jersey: Prentice-Hall, 1976 Khác
[2]. R.F. Engle, Autoregressive conditional heteroscedasticity with estimator of the variance of United Kingdom inflation, Econ., 1982, 50, 987-1008 Khác
[3]. T. Bollerslev, Generalized autoregressive conditional heteroscedasticity. J. Econ., 1986, 31, 307-327 Khác
[4]. F.G. Donaldson and M. Kamstra, Forecast Combining with Neural Networks, Journal of forecasting, 1996, 15, 49-61 Khác
[5]. J.V. Hansen, D.N. Ray, Neural Networks and Traditional Time Series Methods, A Synergistic Combination in State Economic Forecasts, 1997, 8(4), 863-873 Khác
[6]. J.S.R. Jang, ANFIS: adaptive network-based fuzzy inference systems. IEEE Trans Sys Man Cybern, 1993, 23, 665–685 Khác
[8]. Q. Song, B.S. Chissom, Forecasting enrolments with fuzzy time series - Part I, Fuzzy Sets and Systems, 1993a, 54(1),1-9 Khác
[9]. Q. Song, B.S. Chissom, Fuzzy time series and its models, Fuzzy Sets and Systems, 1993b, 4 (3), 269-277 Khác
[10]. S.M. Chen, Forecasting Enrolments based on Fuzzy Time Series, Fuzzy set and systems, 1996, 81(3), 311-319 Khác
[11]. K. Huarng, Effective lengths of intervals to improve forecasting in fuzzy time sries, Fuzzy Sets and Systems, 2001b, 123(3), 387-394 Khác
[12]. H.K.Yu, A refined fuzzy time-series model for forecasting, Physical A:Statistical Mechanics and Its Applications, 2005, 346 (3-4), pp. 657-681 Khác
[13]. H.K.Yu, Weighted fuzzy time series models for TAIEX forecasting. Phys A:Stat Mech Appl, 2005, 349 (3–4), 609-624 Khác
[14]. M. Bose, K. Mali, A novel data partitioning and rule selection technique for modeling high-order fuzzy time series. Applied Soft Computing, 2017, 63(17), pp. 87–96, doi: 10.1016/j.asoc.2017.11.011 Khác
[15]. S.M. Chen and N.Y. Chung, Forecasting enrolments of students by using fuzzy time series and genetic algorithms. International Journal of Intelligent Systems, 2006a, 17, pp. 1–17 Khác
[16]. S.M. Chen, N.Y. Chung, Forecasting enrolments using high-order fuzzy time series and genetic algorithms. International Journal of Intelligent Systems, 2006b, 21, 485–501 Khác
[17]. S.M. Chen, K. Tanuwijaya, Fuzzy forecasting based on high-order fuzzy logical relationships and automatic clustering techniques. Expert Systems with Applications, 2011, 38, 15425–15437 Khác
[18]. I.H. Kuo, et al, an improved method for forecasting enrolments based on fuzzy time series and particle swarm optimization. Expert systems with applications, 2009, 36, 6108 – 6117 Khác
[19]. H.Tung, N.D. Thuan, V.M. Loc, The partitioning method based on hedge algebras for fuzzy time series forecasting”, Journal of Science and Technology, 2016, 54 (5), pp. 571-583 Khác

HÌNH ẢNH LIÊN QUAN

Hình 1.2: Chuỗi tỷ giá hối đoái B P/ USD hàng tuần [53] - Một số phương pháp nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ.
Hình 1.2 Chuỗi tỷ giá hối đoái B P/ USD hàng tuần [53] (Trang 23)
Hình 1.3: Đồ thị của 3 hàm thuộc phổ biến:(a) tam giác, (b) hình thang, (c) Gauss + Dạng hàm thuộc tam giác (Triangles): Hàm thuộc tam giác được xác - Một số phương pháp nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ.
Hình 1.3 Đồ thị của 3 hàm thuộc phổ biến:(a) tam giác, (b) hình thang, (c) Gauss + Dạng hàm thuộc tam giác (Triangles): Hàm thuộc tam giác được xác (Trang 25)
1.2.3. Các thành phần của mô hình dự báo FTS - Một số phương pháp nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ.
1.2.3. Các thành phần của mô hình dự báo FTS (Trang 28)
sử dụng các hàm thuộc tam giác, hàm thuộc hình thang và Guass được minh họa trong Hình 1.6. - Một số phương pháp nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ.
s ử dụng các hàm thuộc tam giác, hàm thuộc hình thang và Guass được minh họa trong Hình 1.6 (Trang 31)
Hình 1.7: Các thành phần trong giai đoạn kiểm thử - Một số phương pháp nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ.
Hình 1.7 Các thành phần trong giai đoạn kiểm thử (Trang 33)
Hình 1.8: Tóm tắt các bước thực hiện mô hình dự báo của Chen [10] trên tập dữ liệu tuyển sinh của trường Đại học Alabama - Một số phương pháp nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ.
Hình 1.8 Tóm tắt các bước thực hiện mô hình dự báo của Chen [10] trên tập dữ liệu tuyển sinh của trường Đại học Alabama (Trang 38)
1.2.5. Tiêu chuẩn đánh giá độ chính xác của các mô hình dự báo - Một số phương pháp nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ.
1.2.5. Tiêu chuẩn đánh giá độ chính xác của các mô hình dự báo (Trang 40)
Hình 1.9: Sơ đồ thuật toán phân cụm K-means 1.3.2. Thuật toán phân cụm mờ Fuzzy C-means - Một số phương pháp nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ.
Hình 1.9 Sơ đồ thuật toán phân cụm K-means 1.3.2. Thuật toán phân cụm mờ Fuzzy C-means (Trang 42)
Hình 1.10: Sơ đồ thuật toán phân cụm bằng FCM 1.3.3. Thuật toán tối ưu bầy đàn (PSO) - Một số phương pháp nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ.
Hình 1.10 Sơ đồ thuật toán phân cụm bằng FCM 1.3.3. Thuật toán tối ưu bầy đàn (PSO) (Trang 43)
Bảng 2.3: Kết quả mờ hóa dữ liệu tuyển sinh thành các tập mờ - Một số phương pháp nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ.
Bảng 2.3 Kết quả mờ hóa dữ liệu tuyển sinh thành các tập mờ (Trang 56)
Bảng 2.4: Biểu diễn mối quan hệ mờ bậc 1và bậc 3 trên tập dữ liệu tuyển sinh NămTập mờQuan hệ mờ bậc 1 Quan hệ mờ bậc 3 - Một số phương pháp nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ.
Bảng 2.4 Biểu diễn mối quan hệ mờ bậc 1và bậc 3 trên tập dữ liệu tuyển sinh NămTập mờQuan hệ mờ bậc 1 Quan hệ mờ bậc 3 (Trang 57)
 Xét thời điểm dự bá ot = - Một số phương pháp nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ.
t thời điểm dự bá ot = (Trang 58)
2.2.2. Mô hình dự báo chuỗi thời gian mờ hai nhân tố (FTS-2NT) - Một số phương pháp nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ.
2.2.2. Mô hình dự báo chuỗi thời gian mờ hai nhân tố (FTS-2NT) (Trang 61)
[55] sử dụng kỹ thuật entropy để xác định điểm giữa tốt nhất cho các tập mờ hình thang tương ứng với k khoảng cố định ban đầu - Một số phương pháp nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ.
55 ] sử dụng kỹ thuật entropy để xác định điểm giữa tốt nhất cho các tập mờ hình thang tương ứng với k khoảng cố định ban đầu (Trang 68)
Hình 2.5: Minh hoạ các phương pháp phân khoảng khác nhau trên cùng tập mẫu. 2.3.2. Các phương pháp phân khoảng dữ liệu - Một số phương pháp nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ.
Hình 2.5 Minh hoạ các phương pháp phân khoảng khác nhau trên cùng tập mẫu. 2.3.2. Các phương pháp phân khoảng dữ liệu (Trang 69)

TỪ KHÓA LIÊN QUAN

TRÍCH ĐOẠN

Kết luận Chương 2 Mô hình chuỗi thời gian mờ hai nhân tố (FTS-2NT) sử dụng FCM và PSO Thiết lập các tham số của mô hình FTS1NT-CMPSO cho các tập dữ liệu Áp dụng dự báo thị trường chứng khoán Đài Loan TAIFEX Áp dụng dự báo tai nạn ôtô tại Bỉ Đánh giá hiệu quả của mô hình FTS hai nhân tố FTS2NT-CMPSO Áp dụng dự báo trên tập dữ liệu thị trường chứng khoán Kết luận Chương 3

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN

w