Theo Chen [10] các quan hệ mờ này được gộp thành một NQHM như sau : ��→
��1, ��2, … , ���. Các quan hệ mờ giống nhau (lặp lại) chỉ được tính duy nhất một lần khi tham gia vào NQHM.
Ví dụ 1.4: Giả sử chuỗi thời gian mờ �(�) chứa các giá trị ��(�) = [
�3, �3, �1, �1, �2, �1, �3]. Theo Chen [10] các quan hệ mờ được xác định là:
�3 →
�3, �3 → �1, �1 → �1, �1 → �2, �2 → �1, �1 → �3 và chúng được gộp thành các NQHM như sau : �3 → �3, �1 ; �1 → �1, �2, �3 và �2 → �1.
1.2.3. Các thành phần của mô hình dự báo FTS
Mô hình dự báo chuỗi thời gian mờ nói chung được hình thành từ các thành phần như bậc của quan hệ mờ, nhân tố, trạng thái thời gian và sử dụng các kỹ thuật khác nhau trong việc xác định khoảng tập nền, xác định các quan hệ mờ và giải mờ đầu ra dự báo như được chỉ ra trong Hình 1.4.
Hình 1.4: Mô hình dự báo FTS tổng quát
Dựa trên các thành phần này, nhiều mô hình FTS đã được xây dựng để áp dụng dự báo trong các lĩnh vực khác nhau như: dự báo thị trường chứng khoán [14, 17, 34,
35, 40, 54], tuyển sinh đại học [8-12, 15-20, 55], dự báo nhiệt độ hàng ngày [17, 34, 40, 56, 57], dự báo phụ tải điện [58] và một số bài toán khác.
Có hai loại mô hình dự báo FTS quan trọng là mô hình không phụ thuộc thời gian và mô hình phụ thuộc thời gian. Các mô hình không phụ thuộc thời gian [8-12] là những mô hình được sử dụng khi các quan hệ của các nhãn ngôn ngữ tại các thời điểm khác nhau không thay đổi theo thời gian, như trong chuỗi thời gian dừng. Ngược lại, gọi là mô hình chuỗi thời gian phụ thuộc thời gian [59]. Luận án tập trung vào nghiên cứu các mô hình không phụ thuộc thời gian và tất cả các mô hình được đề cập trong phần tiếp theo của luận án cũng thuộc loại mô hình không phụ thuộc thời gian. Các bước của mô hình dự báo chuỗi thời gian mờ nói chung có thể chia thành hai giai đoạn chính: Giai đoạn huấn luyện và giai đoạn dự báo.