Differential Convolutional Fuzzy Time Series Forecasting

要約

ファジー時系列予測 (FTSF) は、幅広い用途を持つ代表的な予測手法です。
従来の FTSF はエキスパート システムとみなされているため、未定義の特徴を認識する能力が失われます。
前述のことが、FTSF による予測がうまくいかない主な理由です。
この問題を解決するために、提案されたモデル差分ファジー畳み込みニューラル ネットワーク (DFCNN) は、畳み込みニューラル ネットワークを利用して、学習可能な機能を備えた FTSF を再実装します。
DFCNN は潜在的な情報を認識し、予測精度を向上させることができます。
ニューラル ネットワークの学習可能な能力のおかげで、FTSF で確立されたファジー ルールの長さは、エキスパート システムでは処理できない任意の長さまで消費されます。
同時に、非定常時系列の傾向により、FTSF は通常、非定常時系列の満足のいくパフォーマンスを達成できません。
非定常時系列の傾向により、FTSF によって確立されたファジー セットが無効になり、予測が失敗します。
DFCNN は、差分アルゴリズムを利用して時系列の非定常を弱め、FTSF では満足のいくパフォーマンスで予測できない低誤差で非定常時系列を予測できます。
大量の実験の結果、DFCNN は既存の FTSF や一般的な時系列予測アルゴリズムを上回る優れた予測効果を実現しました。
最後に、DFCNN は FTSF を改善するためのさらなるアイデアを提供し、継続的な研究価値を保持しています。

要約(オリジナル)

Fuzzy time series forecasting (FTSF) is a typical forecasting method with wide application. Traditional FTSF is regarded as an expert system which leads to loss of the ability to recognize undefined features. The mentioned is the main reason for poor forecasting with FTSF. To solve the problem, the proposed model Differential Fuzzy Convolutional Neural Network (DFCNN) utilizes a convolution neural network to re-implement FTSF with learnable ability. DFCNN is capable of recognizing potential information and improving forecasting accuracy. Thanks to the learnable ability of the neural network, the length of fuzzy rules established in FTSF is expended to an arbitrary length that the expert is not able to handle by the expert system. At the same time, FTSF usually cannot achieve satisfactory performance of non-stationary time series due to the trend of non-stationary time series. The trend of non-stationary time series causes the fuzzy set established by FTSF to be invalid and causes the forecasting to fail. DFCNN utilizes the Difference algorithm to weaken the non-stationary of time series so that DFCNN can forecast the non-stationary time series with a low error that FTSF cannot forecast in satisfactory performance. After the mass of experiments, DFCNN has an excellent prediction effect, which is ahead of the existing FTSF and common time series forecasting algorithms. Finally, DFCNN provides further ideas for improving FTSF and holds continued research value.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google