A NEW APPROACH BASED ON OPTIMIZATION OF RATIO FOR SEASONAL FUZZY TIME SERIES

در سالهاي اخير تحقيقات بسياري روي سري هاي زماني فازي آينده نگر بعمل آمده است. روشهاي آينده نگري سري هاي زماني فازي مرتبه اول و روشهاي آينده نگري سري هاي زماني مرتبه بالا با متغيرهاي فاصله زماني متوالي بخش اعظم اين تحقيق را فراهم مي سازند. اما اين روشها در سري هاي فازي آينده نگري كه شامل ساختارهاي فصلي مي باشند موثر نمي باشند . از اين جهت، مناسب تر خواهد بود تا روشهايي را به كار برد كه در پيش بيني سري هاي زماني فازي، روابط فصلي را در نظر مي گيرند. با آنكه روشهاي پيش بيني سري هاي زماني فازي فصلي در متون موجودند، اين روشها در افراز عالم سخن طولهاي بازه مساوي را به كار مي برند. اين شرايط اجراي روش را در سري هاي زماني آينده نگر از جمله فصلي بودن وروند را ناتوان مي سازد. در اين تحقيق يك روش آينده نگري سري هاي زماني فازي جديد بدست آمده كه درآن بازه هاي تشكيل دهنده افراز عالم سخن در نهايت با همان ميزان كه بهينه سازي پيشنهاد شده افزايش مي يابد. روش پيشنهادي براي دو سري واقعي بكار برده شده و نتايج بدست آمده با روشهاي ديگر مقايسه شده اند و عملكرد برتر روش پيشنهادي به اثبات رسيده است.

In recent years, many studies have been done on forecasting fuzzy time series. First-order fuzzy time series forecasting methods with first-order lagged variables and high-order fuzzy time series forecasting methods with consecutive lagged variables constitute the considerable part of these studies. However, these methods are not effective in forecasting fuzzy time series which contain seasonal structures. In this respect, it would be more appropriate to use methods that consider the seasonal relations in seasonal fuzzy time series forecasting. Although seasonal fuzzy time series forecasting methods exist in literature, these methods use equal interval lengths in partition of the universe of discourse. This situation incapacitates the performance of the method in forecasting time series including seasonality and trend. In this study, a new fuzzy time series forecasting method in which intervals constituting partition of the universe of discourse increase in time at a rate that obtained based on optimization was proposed. The proposed method was applied to two real time series and obtained results were compared with other methods and the superior performance of the proposed method was proved.