3.4. Mơ hình dự báo chuỗi thời gian ngơn ngữ bậc cao 87 !
3.4.1. Quan hệ lô-gic ngôn ngữ bậc cao 87 !
Chen [10] trong nghiên cứu của mình đã đề xuất mơ hình dự báo chuỗi thời gian mờ bậc cao (lth
-order) trong đó các quan hệ lơ-gic mờ bậc cao được thành lập từ dữ liệu chuỗi thời gian đã được làm mờ. Trong khoảng hai thập kỷ qua, cùng với nhiều cải tiến của mơ hình dự báo chuỗi thời gian mờ, nhiều nghiên cứu
22459 11215 6644 0 5000 10000 15000 20000 25000
về mơ hình dự báo chuỗi thời gian mờ bậc cao cũng đã được đề xuất. Các nghiên cứu này đã chỉ ra rằng, mơ hình bậc cao có thể cho độ chính xác dự báo tốt hơn so với mơ hình bậc nhất (1st
-order), đặc biệt khi kết hợp với các phương pháp tính tốn hiện đại như mạng nơ-ron nhân tạo, phân cụm hay các thuật toán tối ưu.
Định nghĩa 3.1: Cho chuỗi thời gian ngôn ngữ T, nếu j/ là giá trị ngơn ngữ của ) tại thời điểm Ư, được gây ra bởi j/#', j/#), …, j/#a tương ứng là giá trị ngôn ngữ của ) tại các thời điểm Ö − 1, Ö − 2, …, Ư − ø, khi đó mối quan hệ lơ- gic ngơn ngữ như sau:
j/#a, … , j/#), j/#' → j/, được gọi là quan hệ lô-gic ngôn ngữ bậc l.
Định nghĩa 3.2: Cho chuỗi thời gian ngôn ngữ T, nếu tồn tại nhiều quan hệ lơ-gic ngơn ngữ có vế trái giống nhau dạng:
j/#b, … , j/#), j/#' → j/', j/#b, … , j/#), j/#' → j/(,
…
j/#b, … , j/#), j/#' → j/). Khi đó, ta có thể nhóm các quan hệ này lại, kí hiệu:
j/#a, … , j/#), j/#' → j/', j/(, … , j/) và gọi là nhóm quan hệ lơ-gic ngơn ngữ bậc l.
Các nhóm quan hệ lơ-gic ngơn ngữ trong chuỗi thời gian chính là cơng cụ suy luận của mơ hình dự báo. Sử dụng các nhóm quan hệ này để tính tốn trực tiếp kết quả dự báo dựa trên ngữ nghĩa vốn có của các từ ngơn ngữ đại diện cho các điểm số liệu của chuỗi thời gian.