Кінда, В. В. (2023) ПРОГНОЗУВАННЯ ЧАСОВИХ РЯДІВ МЕТОДАМИ НЕЧІТКОЇ ЛОГІКИ ШЛЯХОМ ЗАДАННЯ УНІВЕРСАЛЬНОЇ МНОЖИНИ СКІНЧЕННИМИ РІЗНИЦЯМИ ВИЩИХ ПОРЯДКІВ. Вісник Національного університету водного господарства та природокористування (4(104)). с. 138-145.

Text Vt10413.pdf Download(156kB)

Анотація

Проведено дослідження прогнозних моделей, що базуються на застосування нечіткої логіки для часових рядів. Наведено модифікований варіант задання універсальної множини та її розбиття для проведення подальшої фазифікації. Реалізовано відповідний метод у середовищі розробки високого рівня Python у вигляді програмного продукту та окремий модуль для перевірки якості його роботи. Здійснено апробацію роботи програмного продукту, проаналізовано одержані результати та розглянуто напрямки подальших перспективних досліджень.

Title in English

FORECASTING OF TIME SERIES USING FUZZY LOGIC METHODS BY SPECIFYING A UNIVERSAL SET BY HIGHER ORDER FINITE DIFFERENCES

English abstract

Time series analysis plays a major role in such fields of activity as business, science, economics, etc. One of the most difficult task here is to make a “proper” forecast with the high accuracy. There are dozens of forecasting models and techniques which have issue which consists of the lack of a sufficient amount of data for training algorithms mostly. Machine learning methods – regression models, neural networks with various architecture can be included here. On the other hand, the advantage of pyramidal extrapolation methods, forecasting time series based on fuzzy sets allows us to work with small data samples which gives us an ability for making a simultaneous forecast. Therefore we can use them at the very beginning of time series analysis as one of the basic ones using in financial time series. Especially working with series in fields such as currency exchanges, crypto and stock markets. It is proposed to use finite differences of various order to set a universe of discourse (UoD) in fuzzy time series analysis. This paper propose a modification of Stevenson Porter's method by using finite differences of higher orders. Performance evaluation of the algorithm was calculated by mean square error (MSE), absolute forecast error rate (AFER) and mean absolute percentage error (MAPE) metrics. The proposed model gives better results according to the selected metrics (Tables 1, 2) in comparison with other models such as Song&Chissom, Jilani&Burney and Stevenson&Porter algorithms and their variations. Further research consists of in the construction of a fuzzy forecasting algorithm for multivariate time series and the application of appropriate algorithms for finite differences of different orders for a univariate time series and comparison with pyramidal extrapolation methods by defined metrics.

Перегляд елементу

Завантажень