F-transformācijas un to lietojumi laikrindu prognozēšanā
Автор
Vāvere, Emīls
Co-author
Latvijas Universitāte. Fizikas un matemātikas fakultāte
Advisor
Asmuss, Svetlana
Дата
2014Metadata
Показать полную информациюАннотации
Darbā tiek apskatīta laikrindu analizēšanas un prognozēšanas metode, kas balstās uz divu tehniku kombinācijas: F-transformācijas un uz nestrikto loģiku balstītās lēmumu pieņemšanas metodes. Sākumā tiek veikta laikrindas dekompozīcija divās daļās – trenda un sezonalitātes komponentē. Tālāk trends tiek aprakstīts, izmantojot lingvistisko aprakstu, balstoties uz nestriktajiem likumiem. Tad lingvistiskajam aprakstam, kas tiek ģenerēts automātiski, tiek pielietota uz nestriktās loģikas balstīta izveduma ģenerēšanas metode, lai prognozētu nākotnes trenda vērtības. Beigās tiek noteikts un izmantots autoregresīvs modelis sezonalitātes komponenšu nākotnes vērtību prognozēšanai. Izveidojot abu prognozēto komponenšu kompozīciju, tiek iegūtas prognozētās laikrindas vērtības. Darbā šī laikrindu prognozēšanas metode tiek aprobēta, izmantojot programmatūru „LFL Forecaster”.
Atslēgvārdi: F-transformācija, laikrindu prognozēšana, lingvistiskais apraksts, nestriktās loģikas likumi In this study a novel method for time series analysis and forecasting is described. It is based on a combination of two techniques: the fuzzy transform and perception-based logical deduction. Firstly, time series is decomposed into the trend-cycle and the seasonal component. Secondly, the trend-cycle is described using a linguistic description comprised from fuzzy rules. Thirdly, perception-based logical deduction is used on the linguistic description that is generated automatically to forecast future trend-cycle values. Finally, an autoregressive model of seasonal components is determined and used to forecast future seasonal components. The two forecasted components are composed together to obtain the time series forecasts. This time series forecasting method is approbated using „LFL Forecaster” software.
Keywords: fuzzy transform, time series forecasting, linguistic description, fuzzy logic rules