一种关于模糊时间序列模型论域划分的多尺度比率算法

针对模糊时间序列研究中比率划分论域方法存在对非均匀数据划分效果不理想的缺陷,提出一种基于模糊?均值聚类(FCM)算法的多尺度比率划分论域的方法.首先利用FCM算法对样本数据进行分类;然后计算各类数据的平均相对误差,并基于各类的平均误差划分论域,产生非等间隔的多尺度论域划分方法;最后,通过算例表明了多尺度比率论域划分方法的有效性.

改进的模糊时间序列模型论域划分算法

针对模糊时间序列模型多尺度比率算法对样本特征分类结果的贡献因素及比率值的变化考虑不全面的问题,提出变化的区间标度并构造不等距的多尺度区间,选择不同区间长度隶属度对应的数据作为比率,对论域进行划分,采用改进的加权模糊C均值聚类算法聚类数据,达到样本类内距离最小化和类间距离最大化,计算各类数据的平均相对误差并基于这些误差推算多尺度、非等间距的论域划分区间,建立改进的模糊时间序列模型,使用加权平均值法处理模糊化问题并预测结果。通过案例分析,验证了改进的模糊时间序列模型的有效性。

模糊时间序列模型在论域划分上的研究

模糊时间序列的研究方向主要是围绕论域划分和模糊关系表示2个方面。首先,本文针对模糊时间序列模型中多尺度比率的论域划分方法存在的问题,提出用相邻数据相对误差的几何平均代替算术平均的方法,以提高模糊区间的精度和预测的准确度;其次,针对周期性的时间序列,采用连续时间的观测值表示模糊逻辑关系将存在很大的预测误差,使用以周期为间隔的时间序列的观测值来表示模糊逻辑关系,此方法不仅简化了模糊关系矩阵,而且降低了算法复杂度;最后,通过重庆某网吧客流量的预测,验证此方法的有效性。