Нейросетевые и гибридные модели в моделировании временных рядов

Боковая панель статьи

PDF
Опубликован: сен 14, 2021
Ключевые слова:
гибридные модели, временной ряд, нейронные сети, нечеткие методы, моделирования hybrid models, time series, neural networks, fuzzy modeling techniques

Основное содержимое статьи

А. Н. Аверкин
ГБОУ ВПО «Международный Университет природы, общества и человека «Дубна», г.Дубна
С. А. Ярушев
ГБОУ ВПО «Международный Университет природы, общества и человека «Дубна», г.Дубна

Аннотация

В данной статье рассматриваются различные методы для построения моделей временных рядов. В частности особое внимание уделяется нейросетевым и гибридным методам для моделирования и прогнозирования временных рядов. Детально рассматривается несколько нечетких архитектур нейронных сетей, таких как ANFIS и TSK. Рассматривается возможность гибридизации методов нейронных сетей и регрессионного анализа для прогнозирования временных рядов.

Скачивания

Данные скачивания пока недоступны.

Информация о статье

Как цитировать
1.
Аверкин АН, Ярушев СА. Нейросетевые и гибридные модели в моделировании временных рядов. Системный анализ в науке и образовании [Интернет]. 14 сентябрь 2021 г. [цитируется по 16 апрель 2024 г.];(1):1-23. доступно на: https://sanse.ru/index.php/sanse/article/view/140
Выпуск
№ 1 (2014): №1 (2014)
Раздел
Статьи

Библиографические ссылки

Валеев С.Г. Регрессионное моделирование при обработке данных/ С. Г. Валеев. – Казань: ФЭН, 2001.

Барский А. Б. Нейронные сети: распознавание, управление, принятие решений / А. Б. Барский. – М.: Финансы и статистика, 2004. – С. 176.

Горбань А. Н. Обучение нейронных сетей / А. Н. Горбань. – М.: СП «ПараГраф», 1990. – С. 159.

Головко В. А. Нейронные сети: обучение, организация и применение. Кн. 4: учебное пособие для вузов / В. А. Головко; Общая ред. В. А. Галушкина. – М.: ИПРЖР, 2001. – С. 256.

Song Q. Forecasting enrollments with fuzzy time series – Part I / Q. Song, B. Chissom // Fuzzy Sets and Systems. – №54 (1993) – Pp. 1-9. 6. Перфильева И. Нечеткое преобразование. / И. Перфильева // Нечеткая логика. – Амстердам, 2003. – С. 275-300.

Song Q. Fuzzy time series and its models / Q. Song, B. Chissom // Fuzzy Sets and Systems. – №54(1993) – Pp. 269-277.

Chen S. M. A new method to forecast enrollments using fuzzy time series / S. M. Chen // International Journal of Applied Sciences and Engineering. – №2 (3) (2004). – Pp. 234-244.

Chen S.M. Forecasting enrollments based on high-order fuzzy time series /S. M. Chen // Cybernetics and Systems: An International Journal. – №33 (2002) – Pp. 1-16.

Tanaka H. Linear regression analysis with fuzzy model / H. Tanaka, S. Uejima, K. Asai // IEEE Transactions on Systems, Man and Cybernetics. – 1982. – №12 – Pp. 903-907.

Diamond P. Fuzzy least squares / P. Diamond // Information Sciences. – 1988. –№46(3). – Pp. 141-157. 12. Ярушкина Н. Г. Основы теории нечетких и гибридных систем: учебное пособие / Н. Г. Ярушкина. – М.: Финансы и статистика, 2004. – С. 320.

Jang J.-S. R. ANFIS: Adaptive-Network-Based Fuzzy Inference System // IEEE Trans. Systems & Cybernetics. – 1993. – Vol. 23. – Pp. 665-685.

Nauck D., Klawonn F., Kruse R. Foundations of Neuro-Fuzzy Systems. John Wiley & Sons – 1997. –P. 305.

Оссовский С. Нейронные сети для обработки информации / Пер. с пол. И.Д. Рудинского. – М.: Финансы и статистика, 2002. – C. 344.

Gonzalez S., Neural Networks for Macroeconomics Forecasting: A Complementary Approach to Linear Regression Models. // Working Paper – 2000.

Наиболее читаемые статьи этого автора (авторов)