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

133 7 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
Người hướng dẫn TS. Hà Nội
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 133
Dung lượng 3,59 MB

Nội dung

Ngày đăng: 05/05/2022, 08:55

Nguồn tham khảo

Tài liệu tham khảo Loại Chi tiết
[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 [6] J S R Jang, ANFIS: adaptive network-based fuzzy inference systems IEEETrans 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 [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 withApplications, 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
[20] V M Loc, P T Yen P, P T H Nghia, Time Series Forecasting Using Fuzzy Time Series with Hedge Algebras Approach International Journal of Emerging Technology and Advanced Engineering), 2017, 7(12), 125-133 Khác
[21] W Lu, et al, using interval information granules to improve forecasting in fuzzy time series International Journal of Approximate Reasoning, 2015, 57, pp 1–18 Khác
[22] U Yolcu, E Egrioglu, V R Uslu, M A Basaran, C H Aladag, A New Approach for Determining the Length of Intervals for Fuzzy Time Series Applied Soft Computing 2009, 9, 647-651 Khác
[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 Khác

HÌNH ẢNH LIÊN QUAN

Hình 1 1: Cấu trúc tổng quan của luận án - Một số phương pháp nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ
Hình 1 1: Cấu trúc tổng quan của luận án (Trang 22)
Hình 1 2: Chuỗi tỷ giá hối đoái BP / 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 BP / USD hàng tuần [53] (Trang 23)
Hình 1 4: Mô hình dự báo FTS tổng quát - Một số phương pháp nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ
Hình 1 4: Mô hình dự báo FTS tổng quát (Trang 28)
Hình 1 5: Các thành phần trong giai đoạn huấn luyện - Một số phương pháp nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ
Hình 1 5: Các thành phần trong giai đoạn huấn luyện (Trang 29)
Hình 1 6: Ví dụ phân khoảng tập nền sử dụng các hàm thuộc khác nhau - Một số phương pháp nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ
Hình 1 6: Ví dụ phân khoảng tập nền sử dụng các hàm thuộc khác nhau (Trang 30)
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 32)
Hình 1 9: Sơ đồ thuật toán phân cụm K-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 (Trang 40)
Hình 1 10: Sơ đồ thuật toán phân cụm bằng FCM - 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 (Trang 41)
Hình 2 1 Minh họa chuỗi thời gian được mờ hóa bới các tập mờ - Một số phương pháp nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ
Hình 2 1 Minh họa chuỗi thời gian được mờ hóa bới các tập mờ (Trang 48)
Bảng 2 2: Dữ liệu tuyển sinh thực tế của trường đại học Alabama Năm - Một số phương pháp nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ
Bảng 2 2: Dữ liệu tuyển sinh thực tế của trường đại học Alabama Năm (Trang 51)
Bảng 2 3: Kết quả mờ hó a dữ liệu tuyển sinh thàn h các tập mờ Năm - Một số phương pháp nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ
Bảng 2 3: Kết quả mờ hó a dữ liệu tuyển sinh thàn h các tập mờ Năm (Trang 53)
Hình 2 5: Minh hoạ các phương pháp phân khoảng khác nhau trên cùng tập mẫu - 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 (Trang 65)
Hình 2 6: Các phương pháp phân khoảng - Một số phương pháp nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ
Hình 2 6: Các phương pháp phân khoảng (Trang 65)
Hình 2 8: Đồ thị phân bổ các giá trị chênh lệch của chuỗi dữ liệu tuyển sinh - Một số phương pháp nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ
Hình 2 8: Đồ thị phân bổ các giá trị chênh lệch của chuỗi dữ liệu tuyển sinh (Trang 67)
Hình 2 9: Các phương pháp phân khoảng khác nhau kết hợp với mô hình FTS-1NT - Một số phương pháp nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ
Hình 2 9: Các phương pháp phân khoảng khác nhau kết hợp với mô hình FTS-1NT (Trang 70)

TRÍCH ĐOẠN

Phân khoảng dữ liệu

21 Phân khoảng với độ dài bằng nhau

22 Phân khoảng với độ dài khác nhau

Mô tả dữ liệu Kết luận Chương 2 Mô hình chuỗi thời gian mờ hai nhân tố (FTS-2NT) sử dụng FCM và PSO 22 Đánh giá hiệu quả của mô hình FTS hai nhân tố FTS2NT-CMPSO Kết luận Chương 3

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN

w