ترجمه مقاله روش مدل سازی سیستم استنتاج فازی جهت پیش بینی داده های نمادین با ارزش بازه ای – سال 2019
مشخصات مقاله:
عنوان فارسی مقاله:
عنوان انگلیسی مقاله:
کلمات کلیدی مقاله:
مناسب برای رشته های دانشگاهی زیر:
مهندسی صنایع
مناسب برای گرایش های دانشگاهی زیر:
بهینه سازی سیستم ها، برنامه ریزی و تحلیل سیستم ها، داده کاوی
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1. مقدمه
2. سیستم استنتاج فازی برای داده های با ارزش بازه ای
2.1. داده های با ارزش بازه ای و ITS
2.2. ساختار مدل iFIS
2.3. شناسایی پیشایندهای iFIS
2.4. شناسایی پی‌آیندهای iFIS
3. آزمایشات محاسباتی
3.1. سری های زمانی مصنوعی با ارزش بازه ای
4. نتیجه گیری
تقدیر و تشکر
منابع
قسمتی از مقاله انگلیسی و ترجمه آن:
Abstract
This paper suggests a fuzzy inference system (iFIS) modeling approach for interval-valued time series forecasting. Interval-valued data arise quite naturally in many situations in which such data represent uncertainty/variability or when comprehensive ways to summarize large data sets are required. The method comprises a fuzzy rule-based framework with affine consequents which provides a (non)linear framework that processes interval-valued symbolic data. The iFIS antecedents identification uses a fuzzy c-means clustering algorithm for interval-valued data with adaptive distances, whereas parameters of the linear consequents are estimated with a center-range methodology to fit a linear regression model to symbolic interval data. iFIS forecasting power, measured by accuracy metrics and statistical tests, was evaluated through Monte Carlo experiments using both synthetic interval-valued time series with linear and chaotic dynamics, and real financial interval-valued time series. The results indicate a superior performance of iFIS compared to traditional alternative single-valued and interval-valued forecasting models by reducing 19% on average the predicting errors, indicating that the suggested approach can be considered as a promising tool for interval time series forecasting.
چکیده
مقاله حاضر یک رورکد مدلسازی سیستم استنتاج فازی (iFIS) را برای پیش بینی سری های زمانی با ارزش بازه ای پیشنهاد می کند. داده های با ارزش بازه ای به صورت کاملاً طبیعی در بسیاری از وضعیت هایی که در آن ها چنین داده هایی نشان دهنده عدم قطعیت / تغییرپذیری هستند و یا هنگامی که به روش های جامعی برای تخلیص مجموعه داده های بزرگ نیاز است، پدید می آیند. روش مزبور از یک چارچوب مبتنی بر قاعده فازی با پی‌آیند آفین تشکیل شده که چارچوب خطی (غیرخطی) را فراهم نموده که داده های نمادین با ارزش بازه ای را پردازش می نماید. شناسایی پیشایندهای iFIS از یک الگوریتم خوشه بندی c-means فازی برای داده های با ارزش بازه ای همراه با فواصل تطبیقی استفاده می کند در حالی که پارامترهای پی‌آیند خطی با روش محدوده – مرکز برای برازش مدل رگرسیون خطی با داده های بازه ای نمادین برآورد می شوند. قدرت پیش بینی iFIS، که بر اساس معیارهای صحت و دقت و آزمون های آماری سنجیده می شود، از طریق آزمایشات مونت کارلو و با کمک سری های زمانی نمادین با ارزش بازه ای همراه با پویایی خطی و آشفته و سری های زمانی مالی واقعی با ارزش بازه ای مورد ارزیابی قرار می گیرد. نتایج نشان دهنده عملکرد برتر iFIS در قیاس با مدل های پیش بینی با ارزش بازه ای و با ارزش واحد سنتی همراه با کاهش 19 درصدی در میانگین خطاهای پیش بینی است که تایید می نماید رویکرد پیشنهادی را می توان به عنوان ابزاری امیدبخش برای پیش بینی سری های زمانی بازه ای در نظر گرفت.
