论文部分内容阅读
由于模糊时间序列在处理数据的不确定性和模糊性方面所显示出的优势,它吸引了更多学者运用模糊时间序列模型来处理预测问题。为了得到更准确的预测结果,一种基于距离定义的数据模糊化方法被提出。但该方法存在一定的不足:模糊集会随着数据的增多而增加,势必产生推理规则的冗余,其结果导致计算复杂度增加、预测准确性下降。针对这个问题,本文提出了一种基于特征展开法的模糊时间序列模型的约简算法,该算法主要从等间隔论域划分和非等间隔论域划分两方面进行讨论。 在等间隔论域划分上,首先引用数据模糊化方法,通过距离定义模糊集并建立模糊规则;其次,运用特征展开法算得小前提关于推理规则的特征系数,通过设定阈值对模糊规则进行约简,进而对模糊规则进行加权,从而优化了模糊规则;最后,通过加权平均法去模糊化得到预测结果,对Alabama大学注册人数的预测结果验证了该约简算法的有效性。 在非等间隔论域划分上,通过FCM算法对论域进行划分,并结合所提的约简算法对模糊时间序列模型进行优化,并对Alabama大学注册人数进行预测,结果进一步验证了该约简算法的有效性。