МЕТОДИ ІНТЕЛЕКТУАЛЬНОГО МОДЕЛЮВАННЯ ПРОЦЕСІВ З ПЕРЕМІННИМ ІНТЕРВАЛОМ СПОСТЕРЕЖЕНЬ ТА КОНСТРУКТИВНОГО УПОРЯДКУВАННЯ «З ВАГОЮ»
DOI:
https://doi.org/10.34185/1562-9945-3-128-2020-12Ключові слова:
недетерміновані часові послідовності, нерівномірний інтервал, сепарабельна модель, нечітка квантильна модель, упорядкування векторів з «вагою»Анотація
У статті досліджені актуальні питання щодо моделювання та аналізу недетермінованих процесів, представлених нечіткими часовими послідовностями з нерівномірними інтервалами між спостереженнями. Метою дослідження являється розробка нової сеперабельної моделі та методу аналізу і прогнозування таких часових рядів. Модель відрізняється окремим формуванням послідовностей величин показників та інтервалів між спостереженнями, з подальшим їх узгодженням. Представлено програмних комплекс та результати моделювання, отримані на основі удосконаленої нечіткої квантильної моделі.
Запропоновано нові змістовні та формальні постановки завдань щодо упорядкування послідовностей елементів, які відрізняються урахуванням різної складності (ваги) окремих конструктивних операцій. Наводяться інтелектуальні алгоритми реалізації завдань упорядкування «з вагою».
Посилання
Q. Song, and B. S. Chissom, “Forecasting enrollments with fuzzy time series — Part I,” Fuzzy Sets and Systems, vol. 54, issue 1, 1993a, pp. 1¬9.
B. S. Chissom, “Fuzzy time series and its models,” Fuzzy Sets and Systems, vol. 54, issue 3, 1993b, pp. 269-277.
S. M. Chen, “Forecasting enrollments based on fuzzy time series,” Fuzzy Sets and Systems, vol. 81, 1996, pp. 311-319.
Tahseen A., Jilani S., Aqil B., Ardil C. Multivariate High Order Fuzzy Time Series Forecasting for Car Road Accidents [Електронний ресурс] – Режим доступу: https://www.researchgate.net/publication/285870449_Multivariate_High_Order_Fuzzy_Time_Series_Forecasting_for_Car_Road_Accidents
R. Koenker, “Quantile Regression”, Cambridge University Press, NY- 2005. pp. 137 – 143.
K. Huarng, “Effective lengths of intervals to improve forecasting in fuzzy time series,” Fuzzy Sets and Systems, vol. 123, issue 3, 2001b, pp. 387-394.
Q. Song, “A note on fuzzy time series model selection with sample autocorrelation functions,” Cybernetics and Systems: An International Journal, vol. 34, 2003, pp. 93-107.
Tahseen A., Aqil S., Burney Cemal A. A New Quantile Based Fuzzy Time Series Forecasting Model [Електронний ресурс] – Режим доступу: https://publications.waset.org/14214/pdf
S. -T. Li, and Y. -C. Cheng, “Deterministic fuzzy time series model for forecasting enrollments,” Computers and Mathematics with Applications, vol. 53, 2007, pp. 1904-1920.
S.-M. Chen, and J.-R. Hwang, “Temperature prediction using fuzzy time series, IEEE Transactions on Systems, Man, and Cybernetics — Part B,” Cybernetics, vol. 30, 2000, pp. 263-275.
R. -C. Tsaur, J. -C. O. Yang, and H. -F. Wang, “Fuzzy relation analysis in fuzzy time series model,” Computers and Mathematics with Applications, vol. 49, 2005, pp. 539-548.
J. Sullivan, and W. H. Woodall, “A comparison of fuzzy forecasting and Markov modeling,” Fuzzy Sets and Systems, vol. 64, 1996, pp. 279¬293.
T. A. Jilani, S. M. A. Burney, and C. Ardil, “Multivariate high order fuzzy time series forecasting for car road accidents,” International Journal of Computational Intelligence, vol. 4, issue 1,2007b, pp. 15-20.
Models and methods of socio-economic forecasting / Geyets V.M., Klebanova T.S., Chernyak O.I. – Kharkiv: PH « INZHEK», 205. – 396 p.
Skalozub V.V., Belyy B.B. Structure of intelectual information technology for formation of multi-group train // Transport systems and technology of transportation. – 2019. – №. 17. P. 62 – 69.
