【摘要】：，Xn为实数集，称为状态空间，他们分别是α的n 个因素f1，f2，…，fn的取值范围。，xn）去推测α的取值，这就是基于因果聚类模糊预测模型的基本思路。表9.7第i类预报因子样本列表各因子的方差为：i、k 的意义同前。，Um｝有：图9.3基于因果聚类的模糊预测程序流程图进行预测。
9.5.1.1 基本思路
设α为待预测量，其预测问题可以用三元结构（X，Y，φ）来描述，其中X＝X1，X2，…，Xn是n 元Descartes乘集，而X1，X2，…，Xn为实数集，称为状态空间，他们分别是α的n 个因素f1，f2，…，fn的取值范围。Y 也为实数集，是α的取值范围，称为预测空间；φ为X 到φ0（y）的映射，即：X1，X2，…，Xn→φ0（y）。一般地讲，量α的预测问题，就是在已知因素状态（x1，x2，…，xn）的情况下，通过φ来求得α的估计值。但在实际问题中，要搞清φ的结构和表达式往往十分困难，有时也是不必要的。因此，我们可以不去直接研究φ的具体形式，而是应用模糊因果聚类和模式识别手段，由因素状态（x1，x2，…，xn）去推测α的取值，这就是基于因果聚类模糊预测模型的基本思路。
9.5.1.2 计算步骤
设有T 期历史数据（xt，yt）（t ＝1，2，…，T），其中：
m为分类数。记第i 类为：
式中：i＝1，2，…，m；s 为第i 类的数据个数。
（2）建立特征模糊集。第i 类的预报因子见表9.7。
各因子的均值为：
式中：k＝1，2，…，n；i＝1，2，…，m。
表9.7 第i类预报因子样本列表
各因子的方差为：
i、k 的意义同前。令
设yi＝（y1，y2，…，ys）为第i 类对应的预报对象值，计算其均值：
式中：y 为预报对象变量；i 为分类数，i＝1，2，…，m。(www.xing528.com)
于是对应分类｛U1，U2，…，Um｝有：
图9.3 基于因果聚类的模糊预测程序流程图
（3）进行预测。假定对第r 期（r ＞T）的α进行预测，分两种情况考虑：
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
