Using interval information granules to improve forecasting in fuzzy time series

Accurate and stable wind speed forecasting is of critical importance in the wind power industry and has measurable influence on power-system management and the stability of market economics. However, most traditional wind speed forecasting models require a large amount of historical data and face restrictions due to assumptions, such as normality postulates. Additionally, any data volatility leads to increased forecasting instability. Therefore, in this paper, a hybrid forecasting system, which combines the 'decomposition and ensemble' strategy and fuzzy time series forecasting algorithm, is proposed that comprises two modules-data pre-processing and forecasting. Moreover, the statistical model, artificial neural network, and Support Vector Regression model are employed to compare with the proposed hybrid system, which is proven to be very effective in forecasting wind speed data affected by noise and instability. The results of these comparisons demonstrate that the hybrid forecasting system can improve the forecasting accuracy and stability significantly, and supervised discretization methods outperform the unsupervised methods for fuzzy time series in most cases.

show abstract

“…However, interval partitioning methods, in turn, depend upon discretization methods and the selection of cut points [65].…”

Section: Interval Partitioning Methodsmentioning

confidence: 99%

A Hybrid Wind Speed Forecasting System Based on a ‘Decomposition and Ensemble’ Strategy and Fuzzy Time Series

Yang

Jiang

2017

Energies

View full text Add to dashboard Cite

show abstract

“…And also Cai et al [18] preferred to use ant colony optimization to obtain a suitable partition of universe of discourse. Lu et al [76] carried out a model for interval prediction based on granules information. In some studies fuzzy C-means (FCM) technique was used by Cheng et al [38], Li et al [74], Aladag et al [6], Alpaslan et al [8], Egrioglu [45], Egrioglu et al [53] and Sun et al [85].…”

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

“…Từ đây bài báo sẽ gọi những chuỗi thời gian này lần lƣợt là Alabama, TAIEX, UNE; trong đó chuỗi Alabama là chuỗi thời gian đƣợc các tác giả Song và Chissom sử dụng ở những nghiên cứu đầu tiên về chuỗi thời gian mờ và đã đƣợc nhiều tài liệu sau đó sử dụng lại, chuỗi TAIEX và UNE là các chuỗi thời gian đƣợc tham khảo từ tài liệu [13].…”

Section: Kết Quả Thực Nghiệm Và Thảo Luậnunclassified

“…Áp dụng phƣơng pháp đề nghị để dự báo trên hai chuỗi TAIEX với 07 khoảng chia và UNE với 09 khoảng chia, số khoảng chia đƣợc thực hiệng giống nhƣ phƣơng pháp ở [13], ta có các bảng kết quả nhƣ dƣới đây. …”

Section: Kết Quả Thực Nghiệm Trên Chuỗi Taiex Và Uneunclassified

“…Công trình này đã hình thành nên một hƣớng nghiên cứu mới trên chuỗi thời gian mờ, ở đó các khoảng chia đƣợc nhìn nhận rõ hơn trong vai trò làm cơ sở để tính toán giá trị dự báo, ngoài vai trò cũ là cơ sở để xây dựng các tập mờ dùng ƣớc lƣợng giá trị của các hạng từ dùng định tính chuỗi thời gian. Các nghiên cứu nhƣ [10][11][12][13] đƣợc dựa trên nguồn cảm hứng từ nghiên cứu của Chen, trong đó [10] là nghiên cứu đầu tiên nhấn mạnh ảnh hƣởng của các khoảng chia tới kết quả dự báo.…”

unclassified

See 1 more Smart Citation

Phương Pháp Dự Báo Chuỗi Thời Gian Dựa Trên Chuỗi Thời Gian Mờ Theo Tiếp Cận Đại Số Gia Tử

Tùng¹,

Thuận²,

Loc³

2017

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

View full text Add to dashboard Cite

Từ khóa -Chuỗi thời gian mờ, đại số gia tử, khoảng chia, khoảng chia hợp lý. I. GIỚI THIỆUCó thể phân biệt hai nhóm phƣơng pháp dùng cho dự báo chuỗi thời gian, nhóm thứ nhất dựa trên các mô hình thống kê chẳng hạn nhƣ ARMA, ARIMA, MA; nhóm thứ hai dựa trên chuỗi thời gian mờ. Theo [1], số lƣợng quan sát trên một chuỗi thời gian đƣợc gọi là nhỏ, đƣợc hiểu, là khi số giá trị lịch sử quan sát đƣợc trên chuỗi đó nhỏ hơn 50, trong trƣờng hợp ngƣợc lại đƣợc gọi là chuỗi có số lƣợng quan sát lớn. Từ [2-3] và một số nhận xét trong [4][5] có thể suy ra, mỗi nhóm phƣơng pháp có một thế mạnh riêng, nhóm thứ nhất thƣờng cho kết quả dự báo tốt hơn trên những chuỗi thời gian có số lƣợng quan sát lớn, ngƣợc lại, nhóm thứ hai thƣờng cho kết quả dự báo chính xác hơn trên những chuỗi thời gian có số lƣợng quan sát nhỏ. Nhóm phƣơng pháp thứ hai trong suốt những năm qua đã trở thành một đề tài nghiên cứu thu hút đƣợc nhiều sự quan tâm.Nghiên cứu đầu tiên về chuỗi thời gian mờ đƣợc công bố bởi hai tác giả Song và Chissom vào năm 1993 [6]. Tiếp theo, cũng hai tác giả này trong [7][8] đã dùng chuỗi thời gian mờ để dự báo lƣợng thí sinh đăng ký vào đại học Alabama. Từ đó chuỗi thời gian mờ trở thành một công cụ cho phép dự báo chuỗi thời gian. Theo những nghiên cứu này, phƣơng pháp sử dụng chuỗi thời gian mờ trong dự báo chuỗi thời gian bao gồm nhiều bƣớc, nhƣng có thể nhóm thành ba pha, pha thứ nhất dùng để mờ hóa chuỗi thời gian cần dự báo; pha thứ hai dùng để xây dựng các suy diễn logic mờ; pha thứ ba thực hiện giải mờ để xác định giá trị dự báo. Độ chính xác của dự báo phụ thuộc nhiều vào pha thứ nhất và thứ ba; trong đó, pha thứ nhất có ảnh hƣởng rất lớn tới kết quả dự báo. Thật vậy, ở pha thứ nhất có một việc cần đƣợc thực hiện là chia miền trị của chuỗi thời gian thành các khoảng, giá trị dự báo sẽ đƣợc lấy ra từ những khoảng chia này ở pha thứ ba. Nói chung độ chính xác trong dự báo của những nghiên cứu này còn khá thấp và độ phức tạp tính toán lại cao, nên các nghiên cứu tiếp sau chủ yếu tập trung cải tiến một tổ hợp các pha trong phƣơng pháp dự báo ở trên nhằm mục tiêu: cải thiện độ chính xác của dự báo, hoặc giảm thiểu độ phức tạp tính toán khi áp dụng phƣơng pháp dự báo.Trong số những công trình nối tiếp các nghiên cứu của Song và Chissom đáng chú ý có công trình đƣợc công bố vào năm 1996 của Chen [9]. Ở nghiên cứu này Chen đề nghị một phƣơng pháp chỉ cần sử dụng các phép toán số học đơn giản trên các khoảng chia để tính giá trị dự báo, thay vì phải dùng các phép toán trên các quan hệ với chi phí tính toán lớn ở pha thứ hai nhƣ các nghiên cứu trƣớc. Công trình này đã hình thành nên một hƣớng nghiên cứu mới trên chuỗi thời gian mờ, ở đó các khoảng chia đƣợc nhìn nhận rõ hơn trong vai trò làm cơ sở để tính toán giá trị dự báo, ngoài vai trò cũ là cơ sở để xây dựng các tập mờ dùng ƣớc lƣợng giá trị của các hạng từ dùng định tính chuỗi thời gian. Các nghiên cứu nhƣ [10-13] đƣợc dựa trên nguồn cảm hứng từ nghiên cứu của Chen, trong đó [10] là nghiên cứu đầu tiên nhấn mạnh ảnh hƣởng của các khoảng chia tới kết quả dự báo.Qua các...

show abstract

Using interval information granules to improve forecasting in fuzzy time series

Cited by 124 publications

References 32 publications

A Hybrid Wind Speed Forecasting System Based on a ‘Decomposition and Ensemble’ Strategy and Fuzzy Time Series

A Hybrid Wind Speed Forecasting System Based on a ‘Decomposition and Ensemble’ Strategy and Fuzzy Time Series

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

Phương Pháp Dự Báo Chuỗi Thời Gian Dựa Trên Chuỗi Thời Gian Mờ Theo Tiếp Cận Đại Số Gia Tử

Contact Info

Product

Resources

About