Temperature prediction and TAIFEX forecasting based on high-order fuzzy logical relationships and genetic simulated annealing techniques

Lee, Li‐Wei; Wang, Lihui; Chen, Shyi‐Ming

doi:10.1016/j.eswa.2006.09.007

Cited by 140 publications

(68 citation statements)

References 16 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Optimization of ratio has been put forward by Yolcu et al [97]. Recently, some heuristic optimization algorithms have been used to get better results by Kuo et al [65,66], Davari, et al [43], Park et al [77] and Hsu et al [56], Chen and Chung [29], Lee et al [69,70]. Chen [20] and Chen and Chen [21] preferred to use entropy-based partitioning approach to get intervals in his high-order forecasting model.…”

Section: Literature Reviewmentioning

confidence: 99%

A combined robust fuzzy time series method for prediction of time series

Yolcu

Lam

2017

Neurocomputing

View full text Add to dashboard Cite

In case of outlier(s) it is inevitable that the performance of the fuzzy time series prediction methods is influenced adversely. Therefore, current prediction methods will not be able to provide satisfactory accuracy rates for defuzzified outputs (predictions) when the data has outlier(s). In this study, not only to be able to sort out this problem but also to be able to improve the forecasting accuracy, we propose a combined robust approach for fuzzy time series by assessing how the prediction performance of the methods will be affected from the

show abstract

Section: Literature Reviewmentioning

confidence: 99%

A combined robust fuzzy time series method for prediction of time series

Yolcu

Lam

2017

Neurocomputing

View full text Add to dashboard Cite

show abstract

“…Heuristic models have also been used in universe of discourse partitioning in some studies. Lee et al [12,13] introduced two methods based on fuzzy time series, the genetic algorithm, and simulated annealing heuristics to forecast temperature and the TAIFEX. Chen & Chung [14,15] developed first order and high order fuzzy time series models by using the genetic algorithm for enrolment forecasting.…”

Section: Literature Reviewmentioning

confidence: 99%

Forecasting Method Based on High Order Fuzzy Time Series and Simulated Annealing Technique

Radmehr

Gharneh

2011

The South African Journal of Industrial Engineering

View full text Add to dashboard Cite

This paper proposes a fuzzy forecasting problem to forecast the Alabama University enrolment dataset. A novel simulated annealing heuristic algorithm is used to promote the accuracy of forecasting. The algorithm enjoys two new neighbourhood search operators called 'subtitle' and 'adjust'. A Taguchi method is also used as an optimisation technique to tune the different parameters and operators of the proposed model comprehensively. The experimental results show that the proposed model is more accurate than existing models. OPSOMMINGDie navorsing handel oor 'n voorgestelde wasige vooruitskatting vir studente-inskrywing by die Universiteit van Alabama. 'n Nuwerwetse louter heuristiese simulasie-algoritme word gebruik. Die model word onder andere beheer deur 'n Taguchi optimiseringstegniek. Die modelresultate toon 'n verbetering op ander bestaande metodes. a a a a a a a a a a a aa a a a a a a a a a a a a

show abstract

“…Một số tác giả khác lại cố định số lượng khoảng nhưng tìm cách chỉnh lại các điểm chia dựa trên một tiêu chuẩn tối ưu. Các phương pháp tối ưu thường được sử dụng như giải thuật di truyền [5], [18], [19], tối ưu bầy đàn [10], [15][16] hay tìm kiếm Tabu [9]. Trong những công trình mới nhất có thể kết hợp nhiều kỹ thuật khác nhau như tối ưu bầy đàn, phân cụm K -mean và độ đo tương tự để xây dựng mô hình [8].…”

unclassified

Dự Báo Chuỗi Thời Gian Mờ Dựa Trên Nhóm Quan Hệ Mờ Phụ Thuộc Thời Gian Và Tối Ưu Bầy Đàn

Dieu¹,

Tính²

2017

Fair - Nghiên Cứu Cơ Bản Và Ứng Dụng Công Nghệ Thông Tin - 2016

View full text Add to dashboard Cite

Từ khóa-Dự báo, chuỗi thời gian mờ, nhóm quan hệ mờ phụ thuộc thời gian, tối ưu bày đàn. I. MỞ ĐẦUNhiều mô hình đã được đề xuất nhằm giải quyết các bài toán dự báo khác nhau để giúp con người đưa ra các quyết định chẳng hạn như: dự báo tuyển sinh đại học, thị trường chứng khoán, dự báo dân số, dự báo nhiệt độ. Trong một số trường hợp, các phương pháp dự báo truyền thống không giải quyết tốt được đối với chuỗi số liệu biểu diễn bởi giá trị ngữ nghĩa hay với chuỗi số liệu có sự biến thiên mạnh. Vì vậy, Song và Chissom [22][23][24] đưa ra hai mô hình dự báo chuỗi thời gian mờ phụ thuộc thời gian và mô hình chuỗi thời gian mờ không phụ thuộc thời gian nhằm khắc phục những khó khăn trên và áp dụng để dự báo số lượng sinh viên nhập học của trường Đại học Alabama. Sau công trình này, một loạt các bài báo của nhiều tác giả khác nhau tiếp tục dựa trên ý tưởng này để xây dựng mô hình dự báo và ứng dụng trong nhiều lĩnh vực khác nhau. Chen [3] đã đưa ra phương pháp mới đơn giản và hữu hiệu hơn so với phương pháp của Song và Chissom bằng cách sử dụng các phép tính số học thay vì các phép tính kết hợp max-min phức tạp trong xử lý mối quan hệ mờ. Công trình này cùng với mô hình chuỗi thời gian mờ bậc cao [4] và mô hình chuỗi thời gian nhiều nhân tố [2], [17] là nền tảng cho sự phát triển mạnh mẽ của mô hình chuỗi thời gian mờ trong những khoảng thời gian tiếp sau. Tuy nhiên có thể thấy, những mô hình chuỗi thời gian mờ trên còn có độ chính xác dự báo chưa cao.Trong những năm gần đây, nhiều tác giả đã sử dụng các kỹ thuật khác nhau để tìm mô hình hiệu quả cho chuỗi thời gian mờ, chủ yếu là nâng cao độ chính xác của dự báo. Huarng [12] đã phát hiện ra độ chính xác của mô hình dự báo phụ thuộc nhiều vào độ dài khoảng phân chia tập nền và đã đề xuất ra 3 thuật toán xác định độ dài khoảng là phương pháp dựa trên trung bình, độ dài dựa trên phân bố và độ dài dựa trên tỉ lệ. Tiếp sau, một số bài báo liên quan đến vấn đề lựa chọn khoảng tối ưu cũng được thực hiện như trong [9].Kỹ thuật phân cụm như phân cụm tự động hay phân cụm mờ cũng được một số tác giả sử dụng để phân chia khoảng của tập nền như trong các công trình [1], [7]. Một số tác giả khác lại cố định số lượng khoảng nhưng tìm cách chỉnh lại các điểm chia dựa trên một tiêu chuẩn tối ưu. Các phương pháp tối ưu thường được sử dụng như giải thuật di truyền [5], [18], [19], tối ưu bầy đàn [10], [15][16] hay tìm kiếm Tabu [9]. Trong những công trình mới nhất có thể kết hợp nhiều kỹ thuật khác nhau như tối ưu bầy đàn, phân cụm K -mean và độ đo tương tự để xây dựng mô hình [8].Đối với các mô hình dự báo hiện tại, có hai yếu tố chính làm ảnh hưởng đến độ chính xác dự báo, đó là độ dài của khoảng chia tập nền và mối quan hệ mờ. Như trên đã nói, việc phân khoảng đã có một số tác giả đề xuất với nhiều kỹ thuật khác nhau. Liên quan đến xây dựng các mối quan hệ mờ chỉ có số ít công trình được thực hiện. Song và Chissom [22][23][24] đã xây dựng các ma trận quan hệ mờ trên cơ sở các toán tử phức hợp và tính toán dựa trên các phép max -min khá phức tạp. Chen đã cải tiến mô hình khi đưa ra c...

show abstract

Temperature prediction and TAIFEX forecasting based on high-order fuzzy logical relationships and genetic simulated annealing techniques

Cited by 140 publications

References 16 publications

A combined robust fuzzy time series method for prediction of time series

A combined robust fuzzy time series method for prediction of time series

Forecasting Method Based on High Order Fuzzy Time Series and Simulated Annealing Technique

Dự Báo Chuỗi Thời Gian Mờ Dựa Trên Nhóm Quan Hệ Mờ Phụ Thuộc Thời Gian Và Tối Ưu Bầy Đàn

Contact Info

Product

Resources

About