Võ Văn Tài * , Nguyen Van Pha , Phạm Bích Như Lê Thị Mỹ Xuân

* Tác giả liên hệ (vvtai@ctu.edu.vn)

Abstract

This article proposes a time series model to interpolate historical data and use them to forecast for future. This model is built based on the automatic algorithms in cluster analysis and performed by Matlab procedures. They are the algorithm to determine the suitable number of clusters, the elements in each cluster and the relationship of each element with established clusters. The proposed model’s convenience and efficiency were tested by by many benchmarks and sets of real data. These numerical examples show the advantages of the proposed model in comparison with existing models and its effectiveness in practical applications.
Keywords: Algorithm, cluster, forecast, fuzzy time series, interpolate

Tóm tắt

Bài báo này đề xuất mô hình chuỗi thời gian để mờ hoá dữ liệu lịch sử và sử dụng nó dự báo cho tương lai. Mô hình này được xây dựng dựa trên các thuật toán tự động trong phân tích chùm và được thực hiện bởi các chương trình viết trên Matlab. Chúng là thuật toán xác định số lượng chùm thích hợp, các phần tử cụ thể trong mỗi chùm và mối quan hệ của mỗi phần tử với các chùm đã được thiết lập. Tính hiệu quả và sự thuận lợi của mô hình đề nghị được kiểm tra bởi nhiều bộ dữ liệu chuẩn và thực tế. Các ví dụ số này đã thể hiện những ưu điểm của mô hình được đề xuất so với các mô hình hiện tại và sự hiệu quả của nó trong các ứng dụng thực tiễn.
Từ khóa: Dự báo, chùm, chuỗi thời gian mờ, mờ hóa, thuật toán

Article Details

Tài liệu tham khảo

Abbasov, A. and Mamedova, M., 2003. Application of fuzzy time series to population forecasting. Vienna University of Technology. 1(2): 545–552.

Abreu, P. H., Silva, D. C., Mendes-Moreira, J., Reis, L. P., and Garganta, J., 2013. Using multivariate adaptive regression splines in the construction of simulated soccer team’s behavior models. International Journal of Computational Intelligence Systems. 6(5): 893–910.

Aladag, S., Aladag, C. H., Mentes, T., and Egrioglu, E., 2012. A new seasonal fuzzy time series method based on the multiplicative neuron model and SARIMA. Hacettepe Journal of Mathematics and Statistics. 41(3): 145–163.

Box, G. E. P. and Jenkins, G. M., 1970. Time series analysis: Forecasting and control. Holden-Day. San Fancisco, 546 pages.

Chen, S. M., 1996. Forecasting enrollments based on fuzzy time series. Fuzzy Sets and Systems. 81(3): 311–319.

Chen, S. M. and Hsu, C. C., 2004. A new method to forecast enrollments using fuzzy time series. International Journal of Applied Science and Engineering. 2(3): 234–244.

Chen, J. and Hung, W., 2015. An automatic clustering algorithm for probability density functions. J. Stat. Comput. Simul. 85(1): 3047–3063.

Huarng, K., 2001. Heuristic models of fuzzy time series for forecasting. Fuzzy Sets and Systems. 123(3): 369–386.

Huarng, K. and Yu, T., 2006. Ratio-based lengths of intervals toimprove fuzzy time series forecasting. IEEE Trans Syst ManCybern-Part B: Cybern. 36(2): 328–340.

Ming, C. S., 2002. Forecasting enrollments based on high-order fuzzy time series. Fuzzy Sets and Systems. 33(1): 1–16.

Oliveira, D. J and Ludermir, T. B., 2014. A distributed PSO-ARIMA-SVR hybrid system for time series forecasting. In 2014 IEEE International Conference on Systems, Man, and Cybernetics (SMC). 15(2): 3867–3872.

Song, Q. and Chissom, B. S., 1993. Fuzzy time series and its models. Fuzzy Sets and Systems. 54(3): 269–277.

Zhiqiang, Z. and Qiong, Z., 2012. Fuzzy time series forecasting based on k-means clustering. Open Journal of Applied Sciences. 25(1):100–103.

Webb, A., 2002. Statistical pattern recognition, 2nd Ed. John Wiley & Sons, London, 725 pages