Интеллектуальный анализ временных рядов. Ярушкина Н.Г - 146 стр.

UptoLike

ВУЗ: 

УлГТУ | Ульяновск

Составители: 

Рубрика: 

146
n
j
jj
Ydefy
m
MSE
1
2
)]([
1
,
где
)(
j
Ydef
– дефаззифицированное значение зависимой переменной.
Развивая направление нечеткой регрессии, исследователями были выде-
лены различные варианты методов на основе классификации «вход –
выход»:
«четкий вход – четкий выход» метод CICO (Crisp-Input and CrispOutput), «не-
четкий вход –
нечеткий выход» метод FIFO (Fuzzy-Inputs and Fuzzy-Outputs) и
смешанные данные –
метод CIFO (Crisp-Inputs and Fuzzy-Outputs) [D'Urso, 2003;
Hojati, 2005; Bisserier, 2009].
Интерес представляют работы [Таранцев, 1997; Bardossy, 1990; Sabic,
1991], посвященные разработке, исследованию и применению нечеткого рег-
рессионного анализа. В работе [Полещук, 2000] приведена нечеткая линейная
регрессионная модель и показано, что ее применение к моделированию зависи-
мостей в реальных данных образовательного процесса на 40% улучшает про-
гноз по сравнению с классической линейной регрессионной моделью.
Нечеткая
ARIMA модель
Нечеткая
регрессионная модель временного ряда генерировала интер-
вальные численные оценки прогнозных значений, при этом в условиях наличия
выбросов
ширина интервала прогнозной оценки являлась достаточно большой.
Для
устранения указанного недостатка была предложена нечеткая авторегрес-
сионная модель проинтегрированного скользящего среднего (FARIMA) [Tsen-
ga, 2001]. Авторы представили модель временного ряда, комбинирующую мо-
дель нечеткой регрессии и модель Бокса-Дженкинса ARIMA с целью построе-
ния моделей коротких ВР. Применение модели FARIMA для прогнозирования
изменения
валютных котировок показало ее продуктивность и лучшие показа-
тели мер качества по сравнению с моделью ARIMA и моделью нечеткой рег-
рессии.
В работе [Khashei, 2008] представлен метод прогнозирования ВР, основ-
ная идея которого заключается в расширении возможности метода ARIMA для

Страницы