view in publisher's site

A soft intelligent allocation-based hybrid model for uncertain complex time series forecasting. Applied Soft Computing, 105736

Highlights•Proposing a new allocation strategy to assign appropriateness models to components in a decomposition-based forecasting problem.•Developing an optimal weighting algorithm in order to linearity combine components.•Proposing a decomposition based hybrid model, incorporating ARIMA, MLP, FARIMA, and FMLP for financial time series forecasting.•Developing a combined parallel–series structure for hybridization of components in the proposed model.AbstractThe generalization ability is one of the most important and the most influential factors for electing forecasting models, managing future events, and making decisions. In the literature, numerous hybrid models have been presented in order to improve the accuracy as well as generalization ability of single forecasting approaches. The main aim of these hybrid models is often to use more different and/or more individual models in order to capture all existing patterns and structures in the data, more completely; and consequently improving the accuracy and generalization. Although, it can be generally demonstrated that increasing the number of components will not decrease the performance of hybrid models in the training, it will not necessarily improve the generalizability, especially in complex and uncertain environments. In this paper, an efficient allocation strategy is proposed in order to assign the underlying data set to its appropriateness component for increasing generalizability as well as decreasing computational costs. In this paper, a novel soft intelligent hybrid model is developed using the allocation strategy for assign different IMFs to appropriateness certain linear, certain nonlinear, uncertain linear, and uncertain nonlinear components in decomposition based forecasting problems. The main purpose of this classification is to reduce the probability of the over-fitting problem and consequently to increase the generalization ability, in additional of deceasing the computational costs. Moreover, in this paper, an optimal weighting technique is proposed to find the relative importance of each component in order to yield the most accurate final predictions. On the other hand, the main motivation of the paper, in contrast to the regular decomposition based hybrid models in which components are blindly assigned to the models, is to develop a logical process to allocate components to the most appropriate model as well as optimally weighting them. Empirical results of crude oil prices and wind power forecasting indicate that despite of better performance of traditional parallel hybrid models in the training sample, the generalization ability of the proposed model in test sample is significantly higher than those hybrid models as well as its components in all considered benchmarks. The proposed model can averagely improve 64.86%, 61.93%, and 52.00% the accuracy of single linear, single nonlinear, and traditional hybrid non-decomposition; and 41.37%, 35.16%, and 32.63% the performance of single linear, single nonlinear, and traditional hybrid decomposition based models, respectively.

یک مدل ترکیبی مبتنی بر تخصیص هوشمندانه برای پیش‌بینی سری‌های زمانی پیچیده نامشخص است. محاسبات نرم کاربردی، ۱۰۵۷۳۶

نکات برجسته - ارائه یک استراتژی تخصیص جدید برای تعیین مدل‌های تناسب برای مولفه‌ها در یک مساله پیش‌بینی مبتنی بر تجزیه. توسعه یک الگوریتم وزنی بهینه به منظور ترکیب مولفه‌ها. ارائه مدل ترکیبی مبتنی بر تجزیه، شامل ARIMA، MLP، FARIMA و FMLP برای پیش‌بینی سری‌های زمانی مالی. توسعه ساختار ترکیب موازی ترکیبی برای ترکیب مولفه‌ها در مدل پیشنهادی model.Abst ractThe پیشنهاد شده یکی از مهم‌ترین و موثرترین عوامل برای انتخاب مدل‌های پیش‌بینی، مدیریت رویداده‌ای آینده و تصمیم‌گیری است. در ادبیات مدل‌های ترکیبی متعددی به منظور بهبود دقت و نیز توانایی تعمیم روش‌های پیش‌بینی واحد ارایه شده‌اند. هدف اصلی این مدل‌های ترکیبی اغلب استفاده از مدل‌های متفاوت و / یا بیشتر به منظور ثبت همه الگوها و ساختارهای موجود در داده‌ها، به طور کامل، و در نتیجه بهبود دقت و تعمیم است. اگرچه، به طور کلی می توان ثابت کرد که افزایش تعداد مولفه‌ها، عملکرد مدل‌های هیبریدی در آموزش را کاهش نخواهد داد، بلکه لزوما قابلیت تعمیم را، به خصوص در محیط‌های پیچیده و نامشخص، افزایش نخواهد داد. در این مقاله، یک استراتژی تخصیص کارآمد برای تعیین مجموعه داده‌های زیربنایی به جز مناسب بودن آن برای افزایش قابلیت تعمیم و همچنین کاهش هزینه‌های محاسباتی پیشنهاد شده‌است. در این مقاله، یک مدل ترکیبی هوشمند و هوشمند با استفاده از استراتژی تخصیص برای تعیین اندازه‌های مختلف خطی، مشخص، غیرخطی، نامعین، و اجزای غیر خطی نامعین در تجزیه و تحلیل مشکلات پیش‌بینی تجزیه توسعه داده می‌شود. هدف اصلی این طبقه‌بندی کاهش احتمال حل مساله بیش از حد و در نتیجه افزایش توانایی تعمیم در بیشتر هزینه‌های محاسباتی است. علاوه بر این، در این مقاله، یک تکنیک وزنی بهینه برای پیدا کردن اهمیت نسبی هر جز به منظور دستیابی به دقیق‌ترین پیش‌بینی نهایی پیشنهاد شده‌است. از سوی دیگر، انگیزه اصلی این مقاله، در مقایسه با مدل‌های ترکیبی مبتنی بر تجزیه منظم که در آن مولفه‌ها به طور کورکورانه به مدل‌ها واگذار می‌شوند، ایجاد یک فرآیند منطقی برای تخصیص مولفه‌های به مناسب‌ترین مدل و همچنین وزن دهی مناسب آن‌ها می‌باشد. نتایج تجربی قیمت‌های نفت خام و پیش‌بینی توان باد نشان می‌دهد که علی‌رغم عملکرد بهتر مدل‌های هیبریدی موازی سنتی در نمونه آموزشی، توانایی تعمیم مدل پیشنهادی در نمونه تست به طور قابل‌توجهی بالاتر از مدل‌های ترکیبی و اجزای آن در تمام معیارهای در نظر گرفته شده‌است. مدل پیشنهادی می‌تواند ۶۴.۸۶ %، ۶۱.۹۳ % و ۵۲.۰۰ % دقت تک خطی و غیر خطی را بهبود بخشد و ۴۱.۳۷ %، ۳۵.۱۶ %، و ۳۲.۶۳ % عملکرد تک مدل‌های خطی، تک خطی و سنتی مبتنی بر مدل را بهبود بخشد.

ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.