Đăng nhập để tải tài liệu không giới hạn
Tham gia 8.000+ người dùng Thư Viện Luận Án
MỘT SỐ PHƯƠNG PHÁP NÂNG CAO ĐỘ CHÍNH XÁC DỰ BÁO TRONG MÔ HÌNH CHUỖI THỜI GIAN MỜ
Chuyên ngành: Khoa học máy tính
Mã số: 9 48 01 01
Luận án tập trung vào việc nâng cao độ chính xác của các mô hình dự báo chuỗi thời gian mờ (FTS), nhằm khắc phục những hạn chế của các phương pháp dự báo truyền thống và các mô hình FTS hiện có. Các mô hình thống kê truyền thống như hồi quy hay ARIMA không hiệu quả với dữ liệu ngôn ngữ hoặc phi tuyến, trong khi các mô hình FTS ban đầu gặp vấn đề về thời gian tính toán và độ chính xác hạn chế.
Điểm đóng góp chính của luận án là đề xuất khái niệm "Nhóm quan hệ mờ phụ thuộc thời gian" (NQHM-PTTG). Khái niệm này giải quyết nhược điểm của các nhóm quan hệ mờ cố định trước đây, vốn không xem xét lịch sử xuất hiện của các tập mờ, dẫn đến kết quả dự báo kém thực tiễn. NQHM-PTTG được mở rộng cho cả mô hình bậc nhất và bậc cao, cũng như cho mô hình chuỗi thời gian mờ một và hai nhân tố.
Ngoài ra, luận án còn phát triển các quy tắc giải mờ mới và hai phương pháp phân khoảng dữ liệu hiệu quả dựa trên Đại số gia tử (Hedge Algebras) và thuật toán phân cụm K-means, giúp cải thiện tính linh hoạt và độ chính xác của mô hình, đặc biệt với dữ liệu phân bổ không đồng nhất.
Để tối ưu hóa, luận án tích hợp kỹ thuật phân cụm mờ FCM và thuật toán tối ưu bầy đàn PSO vào các mô hình FTS, tạo ra các mô hình mới như FTS1NT-CMPSO và FTS2NT-CMPSO. Các mô hình này tự động xác định độ dài khoảng tối ưu và bậc của mô hình, đồng thời cung cấp ước tính về thời gian tính toán và tốc độ hội tụ.
Kết quả thực nghiệm trên các tập dữ liệu đa dạng (tuyển sinh, thị trường chứng khoán, nhiệt độ, tai nạn giao thông) cho thấy các mô hình đề xuất có độ chính xác dự báo vượt trội so với hầu hết các mô hình đối sánh. Luận án cũng đưa ra hướng phát triển cho việc mở rộng mô hình để xử lý chuỗi thời gian nhiều nhân tố và dữ liệu trực tuyến.
Tải không giới hạn tất cả tài liệu, không cần chờ. Chỉ từ 199.000đ/tháng.
Xem gói hội viên