پیش بینی فروش با استفاده از سیستم خبره فازی

در این تحقیق، بر اساس داده های سری زمانی، «سیستم خبره فازی» جهت پیش بینی طراحی شده است. دو پارامتر کلیدی در طراحی «پایگاه قوانین»، عبارتند از: «تعداد ورودی» (تعداد متغیر ورودی موجود در «مقدمه») و «تعداد قوانین». به طور کلی، روش سیستماتیک مدونی برای تعیین «تعداد ورودی» هر قانون وجود ندارد. از طرفی، معمولا برای ساخت «پایگاه قوانین»، داده ها خوشه بندی شده، سپس، برای هر خوشه، یک قانون ساخته می شود. اغلب از خوشه بندی ,hcm ,fcm, knn یا «گستفسن-کسل» استفاده می گردد. ایراداتی که به این خوشه بندی ها وارد می شود عبارتند از: «تعداد خوشه»، پارامتری است که قبل از اجرای خوشه بندی، توسط کاربر باید مشخص شود. بنابراین، بهترین تعداد خوشه (یا به عبارت دیگر، بهترین «تعداد قانون») برای ساخت «پایگاه قوانین»، مشخص نیست. همچنین، درخوشه بندی های hcm, fcm و «گستفسن-کسل»، مرکز خوشه های به دست آمده، بستگی به «مقدار تعلق» هر داده به هر خوشه ای دارد که در ابتدای اجرای الگوریتم، به طور تصادفی به آنها اختصاص داده می شود. بنابراین، با اجرای هر بار الگوریتمِِ خوشه-بندی، مرکز خوشه ها متفاوت خواهد بود. روش پیشنهادی برای ساخت «سیستم خبره فازی»، این قابلیت را دارد که بهترین «تعداد قانون» و «تعداد ورودی» قوانین را برآورد نماید. همچنین، با ارائه خوشه بندی ترکیبی پیشنهادی، دو نقطه ضعف ذکر شده برطرف می شود. در این تحقیق، داده ها بر اساس «تعداد خوشه» و «تعداد ورودی های» مختلف توسط خوشه بندی ترکیبی پیشنهادی، خوشه بندی می گردند. سپس، برای هر خوشه، یک قانون ساخته می شود. میزان خطای خروجی سیستم خبره محاسبه شده، «تعداد خوشه» و «تعداد ورودی» با کمترین خطا، انتخاب می گردد. جهت اعتبار سنجی، نتایج سه روش ارائه شده در تحقیقات پیشین با نتایج روش پیشنهادی، مقایسه شده است. در هر سه مورد، با تعداد ورودی و قوانین کمتر، نتیجه بهتری حاصل شده است.