پیش بینی سری زمانی با رویکرد ترکیبی ضرایب فیلتر پیش بینی خطی و سیستم فازی عصبی تطبیقی بهبود یافته

امروزه پیش بینی سری های زمانی کاربردهای وسیعی پیدا کرده است. از آنجایی که سری های زمانی واقعی به طور کلی می توانند شامل هر دو مؤلفه خطی و غیرخطی باشند، رویکردهای ترکیبی می توانند هر دو این مؤلفه ها را مدلسازی کنند و پیش بینی دقیق تری انجام دند. این رویکردها به طور کلی شامل دو فاز می باشند: در فاز اول مؤلفه های خطی سری زمانی با یک پیشگوی خطی مدلسازی می شوند و در فاز دوم باقی مانده های پیشگوی خطی که شامل مؤلفه های غیرخطی هستند با یک پیشگوی غیرخطی مدلسازی می شوند. در این مقاله یک رویکرد هوش مصنوعی ترکیبی از ضرایب فیلتر پیش بینی خطی یا (Linear Prediction filter Coefficients)LPC و سیستم فازی عصبی تطبیقی بهبود یافته پیشنهاد شده است. در سیستم استنتاج فازی به کارگرفته شده در این مقاله جهت تولید قوانین فازی از الگوریتم خوشه بندی فازی احتمالاتی C- میانگین یا به اختصار (C_Means Clustering Probabilistic Fuzzy) PFCM استفاده شده و سیستم فازی عصبی تطبیقی بر اساس اصل استون- وایرشتراس جهت افزایش قدرت تقریب زنندگی بهبود یافته است. برای نشان دادن قابلیت مدل پیشنهادی، پیش بینی برای چهار سری زمانی استاندارد انجام و نتایج به دست آمده با نتایج مدل های رایج مقایسه شده است. مشاهده می شود که مدل پیشنهادی پیش بینی های دقیق تری انجام می دهد.

کلیدواژه ها:

سری زمانی ، رویکردهای ترکیبی ، ضرایب فیلتر پیش بینی خطی ، سیستم فازی عصبی تطبیقی ، الگوریتم خوشه بندی فازی احتمالاتی C- میانگین