Building the time series forecasting model for interval data based on cluster analysis problem
,
and
Article Sidebar
Full Text: 
PDF
Abstract
This study is to propose using the overlap distance to evaluate the similarity of two intervals. Based on the distance and cluster analysis problem for discrete elements, the study has built the forecasting model for time series with interval data. The proposed model is presented in detailed steps, and is illustrated by the numerical examples. It is also applied in forecasting the salty peak at stations of the main rivers in Ca Mau province. The proposed model can be quickly implemented by a procedure established in the software Matlab.
Tóm tắt
Nghiên cứu này đề xuất sử dụng khoảng cách chồng lấp trong đánh giá sự tương tự của hai khoảng. Dựa trên khoảng cách này và bài toán phân tích chùm cho các phần tử rời rạc, mô hình dự báo cho chuỗi thời gian với dữ liệu khoảng được xây dựng trong nghiên cứu. Mô hình đề nghị đã trình bày cụ thể các bước và được minh hoạ bởi một ví dụ số. Nó cũng áp dụng trong dự báo đỉnh mặn tại các trạm đo trên các con sông chính của tỉnh Cà Mau. Mô hình đề nghị có thể thực hiện nhanh chóng bởi một chương trình được thiết lập trên phần mềm Matlab.
Article Details
References
Abbasov, A. & 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., & 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., & 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. & 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. & 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. & Hung, W. (2015). An automatic clustering algorithm for probability density functions. Journal of Statistical Computation and Simulation, 85(1), 3047–3063.
Eren, B., Vedide, R., Uslu, U., & Erol, E. (2014). A modified genetic 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.
Singh, S. R. (2007). A simple method of forecasting based on fuzzy time series. A simple method of forecasting based on fuzzy time series. Applied Mathematics and Computation, 186(1), 330–339.
Song, Q. & Chissom, B. S. (1993). Fuzzy time series and its models. Fuzzy sets and systems, 54(3), 269–277.
Tai, V. V. (2019). An improved fuzzy time series forecasting model using variations of data. Fuzzy Optimization and Decision Making, 18(2), 151-173.
Tai, V. V., Dinh, P. T., Thao, N. T. & Tuan, L. H (2020). An automatic clustering for interval data using the genetic algorithm. Annals of Operations Research. Doi.org/10.1007/s10479-020-03606-8.