İkili Parçacık Sürü Optimizasyonu ile Bulanık Zaman Serisi Modelinde Bulanık Gecikmeli Değişken Seçimi

Abstract

Bulanık zaman serilerinin çözümlenmesinde kullanılacak öngörü modelinin belirlenmesi önemli bir problemdir. Ayrıca zaman serilerinin çözümlenmesinde kullanılacak öngörü modelleri genellikle yüksek dereceden olabilmektedir. Ancak yüksek dereceden modelde hangi gecikmeli değişkenlerin yer alacağının belirlenmesi için literatürde herhangi bir yöntem mevcut değildir.Bu çalışmada bulanık gecikmekli değişken seçimi için ikili parçacık sürü optimizasyon yönteminin kullanıldığı yeni bir algoritma oluşturulmuştur. Bulanık zaman serilerinin çözüm yöntemleri öngörü modeli belirlendikten sonra temel 3 aşama içermektedir. Bu aşamalar bulanıklaştırma, bukanık ilişki belirleme ve berraklaştırmadır. Önerilen yöntemde, bulanıklaştırma aşamasında bulanık c-ortalamalar yöntemi, bulanık ilişki belirleme için minimum ve max-min bileşke işlemleriyle oluşan bulanık bağıntıları ve berraklaştırma aşamasında merkezileştirme yöntemi kullanılmıştır.Önerilen yöntem bulanık ilişki matrislerini kullanarak yüksek dereceli bir modelin çözümlenmesini hedeflemektedir. Önerilen yöntem bazı borsa zaman serisi verilerine uygulanmıştır. Literatürdeki bazı yöntemlerden elde edilen sonuçlarla karşılaştırıldığında, önerilen yöntemden elde edilen sonuçların daha iyi olduğu görülmüştür.Anahtar Kelimeler: Bulanık zaman serisi, Gecikmeli değişken seçimi, İkili PSO, Zaman serisi analizi.

Determining of fuzzy time series forecasting model is an important problem. High order fuzzy time series models should be used for many real life time series. In the literature, there is no method to select lagged variables in fuzzy time series models.In this study, new fuzzy time series algorithm which are based on binary particle swarm optimization for selecting lagged varibales is proposed. After appropriate fuzzy time series model is determined, method has three stage. These stages are fuzzifcation, determining of fuzzy relations and defuzzification. In the proposed method, fuzzy c-means method, min-max compositions and centralization methods are used in fuzzifcation, determining of fuzzy relations and defuzzification, respectively.In the proposed method, it is aimed to solve high order fuzzy time series forecasting method by using fuzzy relation matrix. The proposed method is applied to some stock exchange data time series. It is obtained that forecats of proposed method are better then forecats of some other fuzzy time series methods in the literature.Key Words: Fuzzy time series, selection of lagged variables, binary particle swarm optimization, time series analysis.