Võ Văn Tài * , Nguyễn Huỳnh Luận , La Thuận Bửu Lê Thị Thu Thủy

* Tác giả liên hệ (vvtai@ctu.edu.vn)

Abstract

based on the improvements in building universe set, the relation of each element in series and the principle for defuzzification, this paper is to propose a time series interpolating model. The parameters in the proposed model are considered so that they can be applied in reality and are illustrated for specific steps by the numerical example. The proposed model has more advantages than some existing models by a lot of the considered benchmark data. It is also applied in forecasting salty peak for a coastal province in the Mekong Delta. This application also shows the potential of the proposed model in forecasting.
Keywords: Forecast, fuzzy time series, interpolate, variation of data

Tóm tắt

Dựa trên những cải tiến trong việc xây dựng tập nền, mối quan hệ của mỗi phần tử trong chuỗi và nguyên tắc giải mờ, bài viết này đề xuất một mô hình mờ hóa dữ liệu chuỗi thời gian. Các tham số trong mô hình đề nghị được xem xét để có thể ứng dụng trong thực tế và được minh họa cụ thể qua các bước thực hiện bởi ví dụ số. Mô hình đề nghị có ưu điểm hơn một số mô hình phổ biến được sử dụng hiện tại qua nhiều tập dữ liệu chuẩn được xem xét. Nó cũng được áp dụng trong dự báo đỉnh mặn cho một tỉnh ven biển Đồng bằng sông Cửu Long. Áp dụng này cũng cho thấy tiềm năng trong dự báo của mô hình được nghiên cứu.
Từ khóa: Dự báo, chuỗi thời gian mờ, mờ hóa, sự biến đổi của dữ liệu

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: 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 andSARIMA. HacettepeJournal 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.

Eren, B., Vedide, R., Uslu, U., and Erol, E., 2014. A modiedgenetic algorithm for forecasting fuzzy time series. Applied Intelligence, 41: 453–463.

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 toimprovefuzzy time series forecasting. IEEE Trans Syst ManCybern-Part B: Cybern. 36: 328–340.

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

Singh, S. R., 2007. A simple method of forecasting based on fuzzy time series. Applied Mathematics and Computation. 186(1): 330–339.

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

Tai, V.V. and Thao, N.T., 2018. Similar coefficient of cluster for discrete elements. The Indian Journal of Statistics, 80(1): 19 – 36.

Tai V.V., 2018. An improved fuzzy time series forecasting model using variations of data. Fuzzy Optimization and Decision Making DOI: 10.1007/s10700-018-9290-7

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