Resumen

En la literatura, los modelos difusos de previsión de series temporales suelen incluir variables difusas retardadas. Por lo tanto, estos modelos de series temporales difusas sólo tienen estructura autorregresiva. El uso de estos modelos de series temporales difusas puede provocar errores de modelización y malos resultados de previsión como en el análisis convencional de series temporales. Para superar estos problemas, en este estudio se propone un nuevo modelo de series temporales difusas de primer orden que incluye estructuras autorregresivas y de medias móviles. Además, el modelo propuesto es un modelo invariante en el tiempo y basado en la heurística de optimización de enjambre de partículas. Para demostrar la aplicabilidad del enfoque propuesto, se aplicaron algunos métodos a cinco series temporales que también se pronosticaron utilizando el método propuesto. A continuación, se compararon los resultados obtenidos con los de otros métodos disponibles en la bibliografía. Se observó que la previsión más precisa se obtenía cuando se empleaba el enfoque propuesto.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:análisis de series temporales convencionales, modelos de previsión de series temporales difusas, modelos de series temporales difusas, tales modelos de series temporales difusas, malos resultados de previsión, series temporales difusas, optimización de enjambre de partículas, enfoque, bibliografía, previsión precisa
• Keywords:conventional time series analysis, fuzzy time series forecasting models, fuzzy time series models, such fuzzy time series models, bad forecasting performance, fuzzy time series, particle swarm optimization, approach, literature, accurate forecast