بهبود عملکرد سیستم های پیش بینی سری زمانی با استفاده از روش های فراابتکاری

سری های زمانی مجموعه مرتبی از مشاهدات هستند که در طول زمان جمع آوری شده اند. فراوانی چنین مشاهداتی، تحلیل سری های زمانی را به یکی از کاربردی ترین شاخه های روز دنیا تبدیل کرده است. روش های تجزیه و تحلیل سری های زمانی شامل رویکردهای خطی محض، رویکردهای غیرخطی محض و رویکردهای ترکیبی می باشند، که رویکردهای خطی محض، روش های کلاسیکی هستند که ده ها سال پیش، زمانی که محدودیت های محاسباتی بالا از قبیل توان محاسباتی و حافظه وجود داشت؛ توسعه یافته اند. رویکردهایی که امروزه برای پیش بینی نتایج آینده بر مبنای داده های گذشته استفاده می شوند در دو دسته رویکردهای غیرخطی و رویکردهای ترکیبی قرار می گیرند. سری های زمانی واقعی شامل مولفه ها روند و فصلی می باشند و به این دلیل نمی توان آن ها را خطی محض یا غیرخطی محض در نظر گرفت، در نتیجه مناسب ترین رویکردها برای پیش بینی سری های زمانی، رویکردهای ترکیبی هستند که هر دو این مولفه ها را شامل می شوند. در این پایان نامه به منظور حصول نتایج دقیق، رویکرد ترکیبی ضرایب فیلتر پیش بینی خطی (lpc) و سیستم استنتاج فازی عصبی تطبیقی (anfis) بهبود یافته استفاده شده است. در سیستم استنتاج فازی به کار گرفته شده در این پایان نامه جهت تولید قوانین فازی از الگوریتم خوشه بندی فازی احتمالاتی c-means (pfcm) بهبود یافته با الگوریتم ژنتیک استفاده شده و سیستم فازی عصبی تطبیقی بر اساس تئوری استون_وایرشتراس جهت افزایش قدرت مدل سازی بخش غیرخطی، بهبود یافته است. برای نشان دادن قابلیت مدل پیشنهادی، پیش بینی برای هفت سری زمانی استاندارد انجام و نتایج به دست آمده با نتایج مدل¬های رایج مقایسه شده است. به منظور ارزیابی کارایی مدل پیشنهادی سه معیار میانگین مربع خطا (mse)، ریشه میانگین مربع خطا (rmse) و درصد مطلق خطا (mape) به کار گرفته شده است. نتایج آورده شده برتری مدل پیشنهادی نسبت به سایر مدل ها را نشان می دهد. خطای پیش بینی مدل پیشنهادی نسبت به سایر مدل ها به طور قابل ملاحظه ایی کاهش یافته است، یا به عبارتی تفاوت بین سری زمانی اصلی و سری زمانی پیش بینی شده در مدل پیشنهادی کاهش یافته است.