【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。