High-Order Fuzzy Time Series Forecasting by Using Membership Values Along with Data and Support Vector Machine

Pattanayak, Radha Mohan; Panigrahi, Sibarama; Behera, H. S.

doi:10.1007/s13369-020-04721-1

Cited by 31 publications

(13 citation statements)

References 38 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…And it is proved that the RBD-LSSVM model has good performance in nonlinear time series modeling and prediction based on the annual sunspot number series and monthly total ozone column series data. Pattanayak, R. M, et al [87] proposed an interval unequal length determination method based on fuzzy cmeans clustering, and adopted support vector machine (SVM) for modeling, while considering the value of membership. The prediction accuracy of this model is better than other methods through 10 different time series data sets.…”

Section: )Support Vector Machinementioning

confidence: 99%

Forecast Methods for Time Series Data: A Survey

et al. 2021

View full text Add to dashboard Cite

Research on forecasting methods of time series data has become one of the hot spots. More and more time series data are produced in various fields. It provides data for the research of time series analysis method, and promotes the development of time series research. Due to the generation of highly complex and large-scale time series data, the construction of forecasting models for time series data brings greater challenges. The main challenges of time series modeling are high complexity of time series data, low accuracy and poor generalization ability of prediction model. This paper attempts to cover the existing modeling methods for time series data and classify them. In addition, we make comparisons between different methods and list some potential directions for time series forecasting.

show abstract

Section: )Support Vector Machinementioning

confidence: 99%

Forecast Methods for Time Series Data: A Survey

et al. 2021

View full text Add to dashboard Cite

show abstract

“…Pattanayak et al. [33] have proposed a FTS forecasting model in which FCM is used to determine non-uniform length of intervals, SVM to determine FLRs, and autocorrelation and partial autocorrelation functions to determine the order of the model. Accuracy of the model has been evaluated on ten different time series data of TAIEX, and forecasting results have been compared with existing related studies.…”

Section: Literature Reviewmentioning

confidence: 99%

Particle swarm optimization of partitions and fuzzy order for fuzzy time series forecasting of COVID-19

Kumar

Susan

2021

Applied Soft Computing

View full text Add to dashboard Cite

Major hyperparameters which affect fuzzy time series (FTS) forecasting are the number of partitions, length of partition intervals in the universe of discourse, and the fuzzy order. There are very few studies which have considered an integrated solution to optimize all the hyperparameters. In this paper, we strive to achieve optimum values of all three hyperparameters for fuzzy time series forecasting of the COVID-19 pandemic using the Particle Swarm Optimization (PSO) algorithm. We specifically propose two techniques, namely nested FTS-PSO and exhaustive search FTS-PSO for determining the optimal interval length, as an augmentation to the FTS-PSO model that optimizes the interval length and the fuzzy order. Nested PSO has two PSO loops: (i) the inner PSO optimizes the combination of fuzzy order and boundaries of intervals for a given number of partitions defined by the outer loop, and the resultant cost is fed back to the outer PSO; (ii) the outer PSO optimizes the number of partitions to reduce the cost while meeting the defined constraint. Exhaustive search FTS-PSO also has two loops where the inner loop is similar to nested FTS-PSO while the outer loop iterates over a pre-defined search space of number of partitions. We analyze the effectiveness of the two approaches by comparing with ARIMA, FbProphet, and the state-of-the-art FTS and FTS-PSO models. We adopt COVID-19 highly affected 10 countries worldwide to perform forecasting of coronavirus confirmed cases. We consider two phases of COVID-19 spread, one from the year 2020 and another from 2021. Our study provides an analytical aspect of the COVID-19 pandemic, and aims to achieve optimal number and length of intervals along with fuzzy order for FTS forecasting of COVID-19. The results prove that the exhaustive search FTS-PSO outperformed all the methods whereas nested FTS-PSO performed moderately well.

show abstract

“…Mô hình này dựa trên nền tảng của các mô hình FTS thông thường, có độ chính xác dự báo tốt hơn mô hình [5]. Thêm nữa, các công trình nghiên cứu trong [12] đã đề xuất các các mô hình FTS bậc cao nhằm khắc phục các hạn chế của các mô hình FTS bậc nhất [3], [5]. Để giảm thiểu thời gian tính toán phức tạp trong ma trận quan hệ mờ, Singh [13] đã đề xuất một phương pháp mới trong cách tiếp cận mô hình FTS.…”

Section: Giới Thiệuunclassified

Mô Hình Dự Báo Chuỗi Thời Gian Mờ Sử Dụng Kỹ Thuật Phân Cụm Dựa Trên Đồ Thị

Lương¹

2021

TNUJST

View full text Add to dashboard Cite

Mô hình chuỗi thời gian mờ là một trong những công cụ được sử dụng để giải quyết quá trình phức tạp và không chắc chắn. Trong quá trình thiết lập mô hình chuỗi thời gian mờ, độ chính xác dự báo phụ thuộc vào hai vấn đề chính: (1) Phân khoảng và xác định độ dài khoảng dữ liệu hiệu quả, (2) Thiết lập các mối quan hệ mờ hợp lý cho dự báo. Trong nghiên cứu này, một mô hình dự báo chuỗi thời gian mờ mới sử dụng kỹ thuật phân cụm dựa trên đồ thị để xác định độ dài khoảng khác nhau được đề xuất. Mô hình đề xuất được áp dụng trên hai tập dữ liệu chuỗi thời gian, dữ liệu lịch sử về số lượng tuyển sinh đại học tại Đại học Alabama và dữ liệu về đỉnh muối của một tỉnh ven biển Việt Nam. Kết quả tính toán cho thấy, mô hình đề xuất có độ chính xác dự báo cao hơn các mô hình hiện có khi áp dụng cho hai tập dữ liệu cụ thể.

show abstract

High-Order Fuzzy Time Series Forecasting by Using Membership Values Along with Data and Support Vector Machine

Cited by 31 publications

References 38 publications

Forecast Methods for Time Series Data: A Survey

Forecast Methods for Time Series Data: A Survey

Particle swarm optimization of partitions and fuzzy order for fuzzy time series forecasting of COVID-19

Mô Hình Dự Báo Chuỗi Thời Gian Mờ Sử Dụng Kỹ Thuật Phân Cụm Dựa Trên Đồ Thị

Contact Info

Product

Resources

About