A new hybrid enhanced local linear neuro-fuzzy model based on the optimized singular spectrum analysis and its application for nonlinear and chaotic time series forecasting

Abdollahzade, Majid; Miranian, Arash; Hassani, Hossein; Iranmanesh, Hossein

doi:10.1016/j.ins.2014.09.002

Cited by 84 publications

(31 citation statements)

References 56 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…SSA application is associated with the publications of Broomhead and King (1986), one main advantage of SSA is that it does not require a priori knowledge about the number of periodicities and their duration. Trend, seasonality, and noise have been commonly extracted with SSA (Xiao et al, 2014;Marques et al, 2006;Hassani et al, 2015;Abdollahzade et al, 2015;Telesca et al, 2013;Chen et al, 2013;Viljoen and Nel, 2010).…”

Section: Conclusionesmentioning

confidence: 99%

“…(1986), una ventaja principal de SSA es que no requiere de conocimiento a priori sobre el número de períodos relevantes y su duración. Tendencia, estacionalidad y ruido son comúnmente extraídos por medio de SSA (Xiao et al, 2014;Marques et al, 2006;Hassani et al, 2015;Abdollahzade et al, 2015;Telesca et al, 2013;Chen et al, 2013;Viljoen y Nel, 2010).…”

Section: Introductionunclassified

See 1 more Smart Citation

Singular Spectrum Analysis and Autoregressive models for Ecuadorian shrimp catch forecasting

Barba¹,

Rodríguez²

2018

Bol. geol. min.

View full text Add to dashboard Cite

Shrimp trawl fishing is a relevant activity that contributes significantly to the generation of economic resources for Ecuador through the creation of jobs and the commercialization of the shrimps. Unfortunately the high variability of the marine ecosystem signals are complex making forecasting a difficult task. This paper evaluates the use of singular spectrum analysis (SSA) for improving forecasting by conventional methods. SSA is implemented in four steps, embedding, decomposition, grouping, and diagonal averaging. The effective length of the embedding window is selected by means of the information provided by the differential energy of the eigenvalues. The SSA decomposition is used to extract two types of components, one of low frequency which represents the inter-annual component, and the other of high frequency which represents the annual component. Once the components have been obtained, three models based on SSA are implemented, the first is based on the autoregressive model (SSA-AR), the second is an artificial neural network (ANN) based on the Levenberg-Marquardt algorithm (SSA-ANN-LM), and the third is another ANN based on the Cuckoo Search algorithm (SSA-ANN-CS). The historical data that was used to evaluate the models are the shrimp monthly catches in the Gulf of Guayaquil from 2000 to 2012. The empirical results show the superiority of the proposed models with respect to the conventional models. The best approximation was achieved with the enhanced model SSA-AR, with a MAPE of 1.0%, a R 2 of 99% and a RMSE of 1.5%.El aprendizaje de la red es evaluado por medio de dos algoritmos, uno basado en el descenso del gradiente (Levenberg-Marquardt) y otro basado en una metaheurística (Cuckoo Search). Métricas de RendimientoLa exactitud del pronóstico es evaluada por medio de las métricas: Mean Absolute Percentage Error (MAPE),

show abstract

Section: Conclusionesmentioning

confidence: 99%

Section: Introductionunclassified

Singular Spectrum Analysis and Autoregressive models for Ecuadorian shrimp catch forecasting

Barba¹,

Rodríguez²

2018

Bol. geol. min.

View full text Add to dashboard Cite

show abstract

“…Originalmente proposto por [27], o método de previsão conhecido como série temporal fuzzy, há bastante tempo vem suscitando uma quantidade expressiva de propostas metodológicas, dentre as quais muitas são concebidas combinadasà inteligência artificial, por exemplo, o método de otimização por enxame de partículas [16], algoritmos genéticos [5] e redes neurais artificiais [1]. Neste contexto, os métodos de previsão constituídos por séries temporais, que incorporam em seus algoritmos a teoria de conjuntos fuzzy, que foi estabelecida por [32], passaram a receber um destaque especial por grande parte dos pesquisadores.…”

Section: Estado Da Arteunclassified

“…Neste contexto, os métodos de previsão constituídos por séries temporais, que incorporam em seus algoritmos a teoria de conjuntos fuzzy, que foi estabelecida por [32], passaram a receber um destaque especial por grande parte dos pesquisadores. Desta forma, modelos híbridos de previsão fuzzy são utilizados nas mais diversasáreas do conhecimento humano, tais como, atividade solar [1], carga de energia elétrica [12,15,21,26,29], demanda de petróleo [25], produção de arroz [3], ındice de ações chinês [8,9,28], funcionamento de turbinas em centrais nucleares [4],índice TAIEX [22,23], volume de tráfego de navios no estreito de Istambul [7], velocidade diária dos ventos [30], consumo de diesel e energia elétrica [20].…”

Section: Estado Da Arteunclassified

Uma Metodologia Baseada Na Identificação Fuzzy Sobre Um Método Hı́brido Para Modelos de Previsão em Série Temporal

Júnior¹,

Júnior²,

Neto³

2016

Proceeding Series of the Brazilian Society of Computational and Applied Mathematics

View full text Add to dashboard Cite

Resumo. Este trabalho apresenta um método de previsão híbrido, com concepção e aprimoramento pelo uso da teoria dos conjuntos fuzzy, aliadaà metodologia clássica de séries temporais. Em comparação com métodos de previsão consolidados na literatura, os resultados apresentados pelo método proposto foram considerados plenamente satisfatórios, face o baixíssimo erro retornado.Palavras-chave. Conjuntos fuzzy, Método fuzzy de identificação, Série temporal fuzzy, Previsão fuzzy, Erro de previsão. Introdução Motivação e objetivosMetodologias capazes de prever variáveis de comportamento rotineiros, geralmente imprevisíveis (ver, [19]), como fenômenos da engenharia, medicina, biologia, física, etc., têm fomentado uma quantidade significativa de pesquisas científicas. Dentre os diversos fatores com efeitos diretos na capacidade preditiva dos métodos de previsão,é senso comum que a identificação correta dos parâmetros estruturais, se torna uma das etapas fundamentais e mais importante do processo de modelagem matemática, tal como,é amplamente discutido em [2]. Neste contexto, a utilização de técnicas de previsão temporal que consideram metodologias híbridas, como por exemplo, série temporal fuzzy, para muitos estudiosos surge como uma alternativa promissora, pois apresenta eficiência amplamente comprovada, diante de uma infinidade de propostas estabelecidas na literatura. Desta forma, este estudo busca propor uma estratégia de previsão fuzzy, que torne possível estabelecer uma rotina de modelagem temporal, onde o erro global inerente ao modelo de previsão seja minimizado, por meio da determinação eficiente dos parâmetros estruturais da série temporal fuzzy.1 gracildo@ufpa.br 2 cartav@ufpa.br 3

show abstract

“…Estes sistemas integram o tratamento de incerteza e a interpretabilidade dos Sistemas Fuzzy e a habilidade de aprendizado provida pelas Redes Neurais [Pedrycz 1991]. Os Sistemas Neuro-Fuzzy têm sido amplamente utilizados para resolução de problemas reais de previsão [Abdollahzade et al 2015], identificação de sistemas não-lineares [Cervantes et al 2017] e classificação [Badnjevic et al 2015, KV andPillai 2017]. Existe um crescente interesse no desenvolvimento de novos algoritmos de aprendizado que possibilitem a construção autônoma do conjunto de regras de Sistemas Neuro-Fuzzy e o ajuste dos seus parâmetros utilizando técnicas de aprendizado de máquina [Shihabudheen and Pillai 2018].…”

Section: Introductionunclassified

Rede Neo-Fuzzy-Neuron com Programação Genética Aplicada em Problemas de Previsão e Identificação de Sistemas Não-Lineares

Brás¹,

Silva²

2019

Anais Do Encontro Nacional De Inteligência Artificial E Computacional (ENIAC 2019)

View full text Add to dashboard Cite

Este artigo propõe dois algoritmos baseados em Programação Genética (PG) para aprendizado em redes Neo-Fuzzy Neuron (NFN). As abordagens utilizam a PG para gerar as regras associadas a cada entrada, criando e ajustando as funções de pertinência, e um método baseado no Gradiente para ajuste de pesos. Os modelos propostos são avaliados e comparados com modelos alternativos em problemas de previsão e identificação de sistemas não lineares. Os resultados obtidos mostram que os modelos propostos são promissores e competitivos com modelos alternativos do estado da arte.

show abstract

A new hybrid enhanced local linear neuro-fuzzy model based on the optimized singular spectrum analysis and its application for nonlinear and chaotic time series forecasting

Cited by 84 publications

References 56 publications

Singular Spectrum Analysis and Autoregressive models for Ecuadorian shrimp catch forecasting

Singular Spectrum Analysis and Autoregressive models for Ecuadorian shrimp catch forecasting

Uma Metodologia Baseada Na Identificação Fuzzy Sobre Um Método Hı́brido Para Modelos de Previsão em Série Temporal

Rede Neo-Fuzzy-Neuron com Programação Genética Aplicada em Problemas de Previsão e Identificação de Sistemas Não-Lineares

Contact Info

Product

Resources

About