Resumen

En los últimos años, se han propuesto muchos métodos de series temporales difusas en la literatura. Algunos de estos métodos utilizan la teoría clásica de conjuntos difusos, la cual requiere operaciones matriciales complejas en los métodos de series temporales difusas. Debido a este problema, muchos estudios en la literatura utilizan tablas de relaciones de grupos difusos. Dado que las tablas de relaciones difusas utilizan el orden de los conjuntos difusos, las funciones de membresía de los conjuntos difusos no han sido tomadas en consideración. En este estudio, se propone un nuevo método que emplea las funciones de membresía de los conjuntos difusos. El nuevo método determina los elementos de la matriz de relaciones difusas basándose en algoritmos genéticos. El método propuesto utiliza un modelo de pronóstico de series temporales difusas de primer orden, y se aplica a varios conjuntos de datos. Como resultado de la implementación, se obtiene que el método propuesto supera a algunos métodos en la literatura.

• Materias:Axiomas de separación Modelos borrosos
• Subjects:Separation axioms Fuzzy models
• Palabras claves:Series temporales difusas; Funciones de membresía; Conjuntos difusos; Algoritmos genéticos; Modelo de pronóstico; Conjuntos de datos
• Keywords:Fuzzy time series; Membership functions; Fuzzy sets; Genetic algorithms; Forecasting model; Data sets