Luật dự báo chuỗi thời gian mờ:
Giả sử dữ liệu của chuỗi thời gian F(t-1) đƣợc mờ hoá bằng Aj, khi đó, đầu ra dự báo của F(t) đƣợc xác định theo những nguyên tắc sau đây:
1. Nếu tồn tại quan hệ một-một, kí hiệu là Aj Ak, và mức độ thuộc cao nhất của Ak tại khoảng uk, thì đầu ra dự báo của F(t) là trung điểm của uk.
2. Nếu Aj là trống, có nghĩa là Aj và Aj có mức độ thuộc cao nhất tại khoảng uj, thì đầu ra dự báo là trung điểm của uj.
3. Nếu tồn tại quan hệ một - nhiều, kí hiệu là Aj A1, A2, ..., An, và mức độ thuộc cao nhất của A1, A2, ..., An tại các khoảng u1, u2, ..., un tƣơng ứng, thì đầu ra dự báo đƣợc tính bằng trung bình các trung điểm m1, m2, ..., mn của u1,
u2, ..., un. Phƣơng trình dự báo có dạng: (m1+m2+ ... +mn)/n.
SỐ SINH VIÊN
Số sinh viên nhập học thực tế Số sinh viên nhập học dự báo
Số hóa bởi Trung tâm Học liệu - ĐHTN http://www.lrc-tnu.edu.vn/
Phƣơng pháp của Song và Chissom [4] sử dụng mô hình sau đây để dự báo kết quả tuyển sinh đại học:
Ai = Ai-1 ◦ R (2.4)
trong đó Ai-1là số sinh viên nhập học của năm i - 1 và Ai là số sinh viên dự báo nhập học của năm i trong tập mờ và '◦' là phép toán "max-min"; và R là quan hệ mờ cho thấy mối quan hệ mờ giữa các chuỗi thời gian mờ. Tuy nhiên, các dự báo trong phƣơng pháp này đòi hỏi một số lƣợng tính toán lớn để lấy đƣợc quan hệ R mờ của (2.4), và các phép toán max-min (2.4) sẽ mất rất
nhiều thời gian tính toán khi quan hệ R mờ (2.4) là rất lớn. Nhƣ vậy, ta phải phát triển một phƣơng pháp mới để dự báo kết quả tuyển sinh của các trƣờng đại học một cách hiệu quả hơn.
Trong phần này, chúng tôi trình bày một phƣơng pháp mới của Chen để dự báo tuyển sinh đại học dựa trên chuỗi thời gian mờ. Các dữ liệu lịch sử khi tuyển sinh của trƣờng Đại học Alabama trình bày trong [5] để minh họa cho quá trình dự báo. Phƣơng pháp này hiệu quả hơn so với phƣơng pháp trình bày trong [4] do các thành phần tính toán max- min đơn giản hơn.
Thuật toán của Chen bao gồm một số bƣớc sau: