論文の概要: A novel method of fuzzy time series forecasting based on interval index
number and membership value using support vector machine
- arxiv url: http://arxiv.org/abs/2010.11274v1
- Date: Tue, 20 Oct 2020 08:14:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 07:31:43.048569
- Title: A novel method of fuzzy time series forecasting based on interval index
number and membership value using support vector machine
- Title(参考訳): サポートベクトルマシンを用いた間隔インデックス数とメンバシップ値に基づくファジィ時系列予測の一手法
- Authors: Kiran Bisht, Arun Kumar
- Abstract要約: 本稿では,時間間隔インデックス数とメンバシップ値を用いて将来値を予測する,非確率的なファジィ時系列予測手法を提案する。
提案手法をテストするために, 広範に使用されている5つの実時間系列のシミュレーション実験を行い, 性能を最近開発されたモデルと比較した。
- 参考スコア(独自算出の注目度): 3.594757379832294
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fuzzy time series forecasting methods are very popular among researchers for
predicting future values as they are not based on the strict assumptions of
traditional time series forecasting methods. Non-stochastic methods of fuzzy
time series forecasting are preferred by the researchers as they provide more
significant forecasting results. There are generally, four factors that
determine the performance of the forecasting method (1) number of intervals
(NOIs) and length of intervals to partition universe of discourse (UOD) (2)
fuzzification rules or feature representation of crisp time series (3) method
of establishing fuzzy logic rule (FLRs) between input and target values (4)
defuzzification rule to get crisp forecasted value. Considering the first two
factors to improve the forecasting accuracy, we proposed a novel non-stochastic
method fuzzy time series forecasting in which interval index number and
membership value are used as input features to predict future value. We
suggested a simple rounding-off range and suitable step size method to find the
optimal number of intervals (NOIs) and used fuzzy c-means clustering process to
divide UOD into intervals of unequal length. We implement support vector
machine (SVM) to establish FLRs. To test our proposed method we conduct a
simulated study on five widely used real time series and compare the
performance with some recently developed models. We also examine the
performance of the proposed model by using multi-layer perceptron (MLP) instead
of SVM. Two performance measures RSME and SMAPE are used for performance
analysis and observed better forecasting accuracy by the proposed model.
- Abstract(参考訳): ファジィ時系列予測法は、従来の時系列予測法の厳密な仮定に基づいていないため、将来の値を予測する研究者の間では非常に人気がある。
ファジィ時系列予測の非確率的手法は、より重要な予測結果を提供するため、研究者によって好まれる。
一般に、予測方法の性能を決定する4つの要因(1) 会話の分割宇宙への区間数(nois)と間隔の長さ(uod) (2) ファジィ論理規則(flrs)の確立方法(3) 入力と対象値の間のファジィ論理規則(flr)の確立方法(4) ファジィ予測値を得るための非ファジィ化規則(defuzzification rule)。
予測精度を向上させるための最初の2つの要因を考慮し,時間間隔指数数とメンバシップ値を入力特徴として将来値を予測する非確率的なファジィ時系列予測法を提案する。
そこで我々は,NOIの最適間隔を求めるための単純なラウンドオフ範囲と適切なステップサイズ法を提案し,不等長間隔に UOD を分割するファジィc平均クラスタリング法を提案した。
FLRを確立するために,サポートベクトルマシン(SVM)を実装した。
提案手法をテストするために,5つの実時間系列をシミュレートし,最近開発したモデルとの比較を行った。
また,SVMの代わりに多層パーセプトロン(MLP)を用いて提案モデルの性能評価を行った。
2つの性能指標RSMEとSMAPEを用いて性能解析を行い,提案モデルにより予測精度が向上した。
関連論文リスト
- Loss Shaping Constraints for Long-Term Time Series Forecasting [79.3533114027664]
本稿では,長期時系列予測のための制約付き学習手法を提案する。
提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-02-14T18:20:44Z) - SMURF-THP: Score Matching-based UnceRtainty quantiFication for
Transformer Hawkes Process [76.98721879039559]
SMURF-THPは,変圧器ホークス過程を学習し,予測の不確かさを定量化するスコアベース手法である。
具体的には、SMURF-THPは、スコアマッチング目標に基づいて、イベントの到着時刻のスコア関数を学習する。
我々は,イベントタイプ予測と到着時刻の不確実性定量化の両方において,広範な実験を行う。
論文 参考訳(メタデータ) (2023-10-25T03:33:45Z) - MPPN: Multi-Resolution Periodic Pattern Network For Long-Term Time
Series Forecasting [19.573651104129443]
長期の時系列予測は、様々な現実のシナリオにおいて重要な役割を果たす。
近年の時系列予測の深層学習手法は,分解法やサンプリング法により時系列の複雑なパターンを捉える傾向にある。
本稿では,MPPN(Multi- resolution Periodic Pattern Network)という,長期連続予測のための新しいディープラーニングネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-06-12T07:00:37Z) - Optimal Latent Space Forecasting for Large Collections of Short Time
Series Using Temporal Matrix Factorization [0.0]
複数の手法を評価し、それらの方法の1つを選択することや、最良の予測を生成するためのアンサンブルを選択するのが一般的である。
本稿では,低ランク時間行列係数化と潜在時系列上での最適モデル選択を組み合わせることで,短時間の高次元時系列データを予測するためのフレームワークを提案する。
論文 参考訳(メタデータ) (2021-12-15T11:39:21Z) - Meta-Forecasting by combining Global DeepRepresentations with Local
Adaptation [12.747008878068314]
メタグローバルローカル自動回帰(Meta-GLAR)と呼ばれる新しい予測手法を導入する。
それは、リカレントニューラルネットワーク(RNN)によって生成された表現からワンステップアヘッド予測へのマッピングをクローズドフォームで学習することで、各時系列に適応する。
本手法は,先行研究で報告されたサンプル外予測精度において,最先端の手法と競合する。
論文 参考訳(メタデータ) (2021-11-05T11:45:02Z) - Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。
当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。
単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
論文 参考訳(メタデータ) (2021-10-26T20:41:19Z) - Complex Event Forecasting with Prediction Suffix Trees: Extended
Technical Report [70.7321040534471]
複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。
このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。
複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
論文 参考訳(メタデータ) (2021-09-01T09:52:31Z) - Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。
我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。
実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
論文 参考訳(メタデータ) (2021-05-25T14:35:46Z) - Meta-Learning for Koopman Spectral Analysis with Short Time-series [49.41640137945938]
既存の手法では、ニューラルネットワークのトレーニングに長い時間を要する。
本稿では,未知の短い時系列から埋め込み関数を推定するメタラーニング手法を提案する。
提案手法は,固有値推定と将来予測の観点から,よりよい性能を実現することを実験的に実証した。
論文 参考訳(メタデータ) (2021-02-09T07:19:19Z) - FlashP: An Analytical Pipeline for Real-time Forecasting of Time-Series
Relational Data [31.29499654765994]
リアルタイム予測は、2つのステップで実行できます。まず、集中すべきデータの一部と、データをスライス、ダイシング、集約することで予測される測定値を指定します。
自然なアイデアは、サンプリングを使用して、予測モデルを訓練するために入力としてリアルタイムに近似集計を取得することです。
GSWサンプリングと呼ばれる新しいサンプリングスキームを導入し、GSWサンプルを用いた集計を推定するための誤差境界を分析します。
論文 参考訳(メタデータ) (2021-01-09T06:23:13Z) - Prediction of hierarchical time series using structured regularization
and its application to artificial neural networks [4.696083734269231]
本稿では,各上位時系列を適切な下位時系列を和らげて計算する階層時系列の予測について論じる。
このような階層的時系列の予測はコヒーレントでなければならない。つまり、上位級時系列の予測は対応する下位級時系列の予測の総和と等しい。
論文 参考訳(メタデータ) (2020-07-30T00:30:32Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。