Про один підхід до прогнозування волатильного тимчасового ряду.
DOI:
https://doi.org/10.34121/1028-9763-2020-1-82-93Ключові слова:
volatile time series, fuzzy set, data fuzzification, fuzzy model of time series, волатильний тимчасовий ряд, нечітка безліч, фазифікація даних, нечітка модель тимчасового рядуАнотація
У даній статті пропонуються алгоритм побудови універсуму, що охоплює історичні дані часового ряду, метод фазифікації цих даних із застосуванням трапецідальних функцій приналежності і на їх основі нечітка модель 1-го порядку для прогнозування волатильних часових рядів. Судячи з отриманих кінцевих результатів, пропонований алгоритм побудови нечіткої моделі 1-го порядку забезпечує більш точне значення вихідного часового ряду. Нечіткі множини як критерії оцінки величин історичних даних, а разом із ними і нечіткі внутрішні зв'язки (нечіткі відносини у вигляді імплікативних правил) розбиті на групи, які відображають причинно-наслідкові зв’язки в середині часового ряду, використані при його прогнозуванні. На основі застосування статистичних критеріїв оцінки MAPE і MSE було встановлено, що точність запропонованої нечіткої моделі, яка враховує внутрішні зв'язки 1-го порядку, істотно поліпшується при використанні пропонованого алгоритму фазифікації історичних даних. Проте, представлена у статті модель не претендує на абсолютну точність прогнозування, яка може бути досягнута і/або досягається іншими більш складними моделями старших порядків. Мета статті – показати, що використання простих нечітких моделей прогнозування 1-го порядку залишає можливість для подальшого вдосконалення технології прогнозування слабоструктурованих часових рядів. Результати прогнозування довільного волатильного тимчасового ряду демонструють, що комбінація алгоритмів встановлення універсуму і фазифікації історичних даних із застосуванням трапецідальних функцій приналежності побудови внутрішніх причинно-наслідкових зв'язків 1-го порядку і методу дефазифікації виходів застосовуваної нечіткої моделі все ще здатна перевершити за якістю прогнозування і достовірності прогнозів не тільки аналогічні моделі 1-го порядку, які представлені у статті, але також і інші моделі більш високого порядку.Посилання
1. Саати Т.Л. Принятие решений. Метод анализа иерархий / пер. с англ. М.: Радио и связь, 1993. 320 с.
2. Нечёткие множества в моделях управления и искусственного интеллекта / ред. Д.А. Поспелова. М.: Наука, 1986. 312 с.
3. Борисов А.Н., Алексеев А.В. Меркурьева Г.В., Слядзь Н.Н. Обработка нечёткой информации в системах принятия решений. М.: Радио и связь, 1989. 304 с.
4. Корченко А.Г., Рындюк В.А. Исследование методов формирования функций принадлежности на основе количественных парных сравнений. Захист інформацiї. 2003. № 3. С. 10–17.
5. Рзаев Р.Р. Нейро-нечёткое моделирование экономического поведения. Verlag: LAP Lambert Academic Publishing GmbH & Co, 2012. 104 с.
6. Ortiz-Arroyo D., Poulsen J.R. A Weighted Fuzzy Time Series Forecasting Model. Indian Journal of Science and Technology. 2018. N 11 (27). P. 1–11. URL: https://doi.org/10.17485/ijst/2018/v11i27/130708.
7. Рзаев Р.Р., Джамалов З.Р., Мехтиев Т.З., Гасанов В.И. Моделирование временных рядов на основе нечёткого анализа позиционно-бинарных составляющих исторических данных. Нечёткие системы и мягкие вычисления. 2015. Т. 10, № 1. С. 35–73.
8. Chen S.M. Forecasting enrollments based on fuzzy time series. Fuzzy Sets and Systems. 1996. N 81. P. 311–319.
9. Chen S.M. Forecasting enrollments based on high-order fuzzy time series. Cybernetics and Systems: an International Journal. 2002. N 33. P. 1–16.
47
8Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2020 Математичні машини і системи
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
