ﭘﯾش ﺑﯾﻧﯽ داده ھﺎی ﺳری زﻣﺎﻧﯽ
نتیجه گیری ﭘﯾش ﺑﯾﻧﯽ داده ھﺎی ﺳری زﻣﺎﻧﯽ
استفاده از روشهای غیر کلاسیک در شناسایی مدل و پیش بینی رفتار سیستمهای پیچیده، مدتها است در محافل علمی و حتی حرفهای متداول و معمول شده است.
در بسیاری از سیستمهای پیچیده و خصوصاً غیرخطی که مدلسازی و به دنبال آن پیشبینی و کنترل آنها از طریق روش های کلاسیک و تحلیلی امری بسیار دشوار و حتی بعضاً غیر ممکن می نماید.
از روشهای غیرکلاسیک که از ویژگیهایی همچون هوشمندی، مبتنی بر معرفت و خبرگی برخوردار هستند، استفاده میشود.
شبکه های فازی، یکی از این روشهای بدیع و در حال تحول است که در موضوعات متنوعی از قبیل الگوسازی، شناخت الگو، خوشه بندی و پیش بینی به کار رفته و نتایج مفیدی داشته است.
انتخاب یک شبکه فازی با الگوریتم آموزشی و ساختار مناسب می تواند ابزار بسیار توانمندی برای پیش بینی یک سری زمانی فراهم کند .
نتیجه پیش بینی می تواند تا آن اندازه قوی باشد که کل سری زمانی را قدم به قدم پی گیری کند.
در این تحقیق، سری های زمانی با استفاده از Kmeans و شبکه های فازی مورد بررسی قرار گرفتند.
از آنجا که آموزش شبکه فازی به خاطر وجود مینیمم محلی و همگرایی کند، پیچیده است.
تحقیقات متعدد در زمینه شبکه فازی انجام شده ، آموزش شبکه فازی با استفاده از الگوریتم های مبتنی بر گرادیان با موفقیت خوبی انجام می شود .
ولی روش های آموزش آماری مرسوم، نمیتوانند بخشی از ساختار شبکه فازی را تعیین نمایند از این رو در این تحقیق از الگوریتمهای بهینه سازی ازدحام ذرات استفاده شد.
نتایج مورد انتظار آن است که مدل های شبکه های فازی با Kmeans عملکرد بهتری در زمینه پیش بینی بورس در ایران داشته باشد.
روش پیشنهادی در محیط نرم افزار متلب شبیه سازی شده و نتایج حاصله مورد مقایسه و ارزیابی قرار خواهند گرفت.
پیشنهادات برای کارهای آتی
در این بخش چند پیشنهاد برای کارهای آتی اورده شده است:
- بهینه سازی پارامترهای شبکه فازی در پیش بینی سری های زمانی با استفاده از الگوریتم های تکاملی دیگر مانند الگوریتم کلونی مورچه، الگوریتم زنبور عسل و…
- پیشبینی سریهای زمانی با استفاده از نروفازی، شبکه عصبی سلولی و عمیق به همراه الگوریتم های تکاملی.
برای مشاهده مطالب بیشتر می توانید به سایت farzdon مراجعه نماید.
ﭘﯾش ﺑﯾﻧﯽ داده ھﺎی ﺳری زﻣﺎﻧﯽ