Interval forecasting model for time series based on the fuzzy clustering technique

Vovan, Tai; Phamtoan, Dinh

doi:10.1088/1757-899x/1109/1/012030

Cited by 4 publications

(4 citation statements)

References 17 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…There are more and more studies on granular computing in time series, Pant and Kumar (2022) introduced a weighted fuzzy time series forecasting method based on particle swarm optimization and computational algorithms, adding to the toolbox of time series prediction techniques. Vovan (2023) explored forecasting models for interval time series using fuzzy clustering techniques, augmenting the methodologies available for tackling uncertainty in time series data. Song M, Li Y, Pedrycz W (2023) demonstrated the efficacy of GNNs in time series prediction and capturing complex temporal patterns.…”

Section: Gnnmentioning

confidence: 99%

Granular Neural Networks Learning for Time Series Prediction under a Federated Scenario

Song,

Zhao

2024

Preprint

View full text Add to dashboard Cite

Granular neural networks (GNNs) are a type of prediction models outputting information granules and GNNs not only provide more abstract results and a granular structure but also reveal a flexible nature that can be adjusted by users. As a promising tool, we apply GNNs to solve time series prediction problems under the federated learning (FL) scenario. Distributed time series prediction problems attract more attention recently due to the more usage of large quantity of IoT (Internet of Things) sensors and the development of Artificial Intelligence techniques. FL is the main approach to fix the distributed time series prediction problems. In this paper, we design a federated learning framework to refine granular weights of GNNs and then return better prediction results compared with the ones from centralized modeling. Different with the studies of FL using numeric neural networks, FL using GNNs is a study of aggregating parameters’ parameters under the federated scenario and thus the robustness and stability of the method is the most critical issue. To testify the two features of our method, we observe and compare from two aspects: different cases (several groups’ results) and different numbers of objectives (single-objective optimization and multiple-objective optimization). Experiments on predicting air quality index for 35 stations in Beijing (China) show the effectiveness of our method.

show abstract

Section: Gnnmentioning

confidence: 99%

Granular Neural Networks Learning for Time Series Prediction under a Federated Scenario

Song,

Zhao

2024

Preprint

View full text Add to dashboard Cite

show abstract

“…Hai chuỗi này được sử dụng trong thực tế khi dự báo vì giữa hai chuỗi không độc lập và độ đo đánh giá sự tương tự của các khoảng hoàn toàn khác độ đo đánh giá sự tương tự của điểm nên cách làm trên là rất hạn chế (Sato-Ilic, 2011). Một số nghiên cứu quan trọng gần đây về vấn đề dự báo này là Andre et al (2008), Tao (2015), Tai and Dinh (2021). Tuy nhiên, nghiên cứu của Andre et al (2008) và Tao (2015 chỉ là sự mờ hoá chuỗi khoảng.…”

Section: Giới Thiệuunclassified

“…Để dự báo khoảng cho tương lai, chúng cần sử dụng những mô hình dự báo điểm khác. Tai and Dinh (2021) đã phát triển mô hình dự báo khoảng từ mô hình dự báo điểm của . Mặc dù mô hình này đã có sử dụng khoảng cách chồng lấp nhưng nguyên tắc dự báo của nó dựa vào bài toán phân tích chùm mờ mà không dựa vào cấp độ ngôn ngữ nên nó thường không tốt khi chuỗi khoảng có sự biến đổi phức tạp, không theo quy luật của quá khứ.…”

Section: Giới Thiệuunclassified

Xây dựng mô hình dự báo khoảng cho chuỗi thời gian dựa trên sự cải tiến trong thiết lập mối quan hệ mờ

Võ¹,

Võ²,

Huỳnh³

2022

CTUJSVN

View full text Add to dashboard Cite

Chuỗi thời gian là một kiểu dữ liệu được lưu trữ phổ biến và có nhu cầu dự báo rất lớn cho nhiều vấn đề thực tế. Nghiên cứu này đề nghị mô hình dự báo cho chuỗi thời gian khoảng dựa trên sự cải tiến trong thiết lập mối quan hệ mờ. Trong mô hình này, tập nền là sự biến đổi liên tiếp của hai khoảng thời gian và số lượng khoảng chia cho nó được xác định từ thuật toán phân tích chùm mờ dành cho dữ liệu khoảng. Dựa trên mối quan hệ mờ giữa những phần tử của tập nền và các khoảng được chia, một nguyên tắc mờ hoá dữ liệu quá khứ và dự báo cho tương lai được thiết lập. Mô hình đề nghị được trình bày chi tiết các bước và được minh hoạ bởi ví dụ số. Nó cũng được áp dụng trong dự báo nhiệt độ ở Hà Nội để minh hoạ cho áp dụng thực tế. Ví dụ minh hoạ và áp dụng thực tế cho thấy sự phù hợp của mô hình đề nghị cũng như thuận lợi của nó trong so sánh với các mô hình...

show abstract

“…Er and Jebril [4] advanced research based on the fuzzy controller. Vovan [5] used the fuzzy clustering technique to develop a predictive model for interval time series and used several benchmark data series to demonstrate practical applications. Atanassov [6] expanded fuzzy sets to intuitionistic fuzzy sets (IFSs) by assigning a degree of membership and non-membership to the items, meeting the requirement Ω Γ (t) + Ω Γ (t) ≤ 1.…”

Section: Introductionmentioning

confidence: 99%

Novel Approach to Multi-Criteria Decision-Making Based on the n,mPR-Fuzzy Weighted Power Average Operator

Hamadneh,

Ibrahim,

Abualhomos

et al. 2023

Symmetry

View full text Add to dashboard Cite

A significant addition to fuzzy set theory for expressing uncertain data is an n,m-th power root fuzzy set. Compared to the nth power root, Fermatean, Pythagorean, and intuitionistic fuzzy sets, n,m-th power root fuzzy sets can cover more uncertain situations due to their greater range of displayed membership grades. When discussing the symmetry between two or more objects, the innovative concept of an n,m-th power root fuzzy set over dual universes is more flexible than the current notion of an intuitionistic fuzzy set, a Pythagorean fuzzy set, and a nth power root fuzzy set. In this study, we demonstrate a number of additional operations on n,m-th power root fuzzy sets along with a number of their special aspects. Additionally, to deal with choice information, we create a novel weighted aggregated operator called the n,m-th power root fuzzy weighted power average (FWPAmn) across n,m-th power root fuzzy sets and demonstrate some of its fundamental features. To rank n,m-th power root fuzzy sets, we also define the score and accuracy functions. Moreover, we use this operator to identify the countries with the best standards of living and show how we can select the best option by contrasting aggregate results using score values. Finally, we contrast the results of the FWPAmn operator with the square-root fuzzy weighted power average (SR-FWPA), the nth power root fuzzy weighted power average (nPR-FWPA), the Fermatean fuzzy weighted power average (FFWPA), and the n,m-rung orthopair fuzzy weighted power average (n,m-ROFWPA) operators.

show abstract

Interval forecasting model for time series based on the fuzzy clustering technique

Cited by 4 publications

References 17 publications

Granular Neural Networks Learning for Time Series Prediction under a Federated Scenario

Granular Neural Networks Learning for Time Series Prediction under a Federated Scenario

Xây dựng mô hình dự báo khoảng cho chuỗi thời gian dựa trên sự cải tiến trong thiết lập mối quan hệ mờ

Novel Approach to Multi-Criteria Decision-Making Based on the n,mPR-Fuzzy Weighted Power Average Operator

Contact Info

Product

Resources

About