Resumen

En cuanto a las técnicas para construir modelos de series temporales difusas de alto orden, existen tres métodos que se basan en algoritmos avanzados, métodos computacionales y agrupación de las relaciones lógicas difusas, respectivamente. El último tipo de modelo ha sido ampliamente aplicado e investigado por la razón de que es fácil de entender por los tomadores de decisiones. Para mejorar el modelo de previsión de series temporales difusas, este artículo presenta un nuevo modelo de series temporales difusas de alto orden, denominado GTS(M,N), basado en relaciones lógicas difusas generalizadas. En primer lugar, el artículo introduce algunos conceptos de la relación lógica difusa generalizada y una operación para combinar las relaciones generalizadas. A continuación, se aplica el modelo propuesto a la previsión de matriculaciones de la Universidad de Alabama. Como ejemplo de investigación en profundidad, el enfoque propuesto se aplica también a la previsión del precio de cierre del índice compuesto de la Bolsa de Shanghai. Por último, se discuten los efectos del número de órdenes y jerarquías de relaciones lógicas difusas sobre los resultados de la previsión.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:modelos de series temporales difusas, relaciones lógicas difusas, índice compuesto de la bolsa de shanghai, modelo de previsión de series temporales difusas, relación lógica difusa generalizada, relaciones lógicas difusas generalizadas, modelo de última clase, orden, papel, algoritmos avanzados
• Keywords:fuzzy time series models, fuzzy logical relationships, shanghai stock exchange composite index, fuzzy time series forecasting model, generalized fuzzy logical relationship, generalized fuzzy logical relationships, last kind model, order, paper, advanced algorithms