The New Approach Optimization Markov Weighted Fuzzy Time Series Using Particle Swarm Algorithm
| العنوان بلغة أخرى: |
الأسلوب الجديد لتحسين نهج ماركوف الأمثل (المرجح) لسلاسل زمنية ضبابية باستخدام خوارزمية سرب الجسيمات |
|---|---|
| المصدر: | مجلة التربية والعلم |
| الناشر: | جامعة الموصل - كلية التربية |
| المؤلف الرئيسي: | Siregar, Nauval Satriani (Author) |
| مؤلفين آخرين: | Surono, Sugiyarto (Co-Author) |
| المجلد/العدد: | مج31, ع2 |
| محكمة: | نعم |
| الدولة: |
العراق |
| التاريخ الميلادي: |
2022
|
| الصفحات: | 42 - 54 |
| ISSN: |
1812-125X |
| رقم MD: | 1303324 |
| نوع المحتوى: | بحوث ومقالات |
| اللغة: | الإنجليزية |
| قواعد المعلومات: | EduSearch |
| مواضيع: | |
| كلمات المؤلف المفتاحية: |
الضبابية | الأمثلية (المرجح) | سلاسل ماركوف | التنبؤ (التوقع) | Fuzzy | Optimization | Markov | Forecasting
|
| رابط المحتوى: |
الناشر لهذه المادة لم يسمح بإتاحتها. |
| LEADER | 05073nam a22002417a 4500 | ||
|---|---|---|---|
| 001 | 2061952 | ||
| 041 | |a eng | ||
| 044 | |b العراق | ||
| 100 | |9 691601 |a Siregar, Nauval Satriani |e Author | ||
| 245 | |a The New Approach Optimization Markov Weighted Fuzzy Time Series Using Particle Swarm Algorithm | ||
| 246 | |a الأسلوب الجديد لتحسين نهج ماركوف الأمثل (المرجح) لسلاسل زمنية ضبابية باستخدام خوارزمية سرب الجسيمات | ||
| 260 | |b جامعة الموصل - كلية التربية |c 2022 | ||
| 300 | |a 42 - 54 | ||
| 336 | |a بحوث ومقالات |b Article | ||
| 520 | |a سلسلة ماركوف الوزنية الضبابية الزمنية هي طريقة تنبؤ تطبق المنطق الضبابي لتشكيل متغيرات لغوية من البيانات المعتمدة (الموجودة). تكوين المتغيرات اللغوية يجعل عملية التنبؤ أكثر دقة من خلال خاصية عدم اليقين في عملية صنع القرار. والخطوة الأولى هي تشكيل المتغيرات من خلال تجميع البيانات في عدد من المجاميع. والخطوة الثانية هي التشويش وتشكيل مصفوفة الانتقال ثم إلغاء التشويش للتنبؤ. يتم تجميع البيانات الموجودة التي في عدة مجموعات بحيث ينتج عنها طول الفاصل الزمني لكل مجموعة، وتتمثل إحدى مشكلات التجميع في عدم وجود معيار أساسي في عملية التجميع. لذا فهو يعطي قيم مختلفة في دقة التنبؤ. سيؤدي الاختلاف في عدد الفئات وطول الفترة الزمنية إلى دقة مختلفة بالرغم من أن الطريقة هي نفسها. في هذه الدراسة يقترح الباحث فكرة استخدام خوارزمية سرب الجسيمات (particle swarm operation) لتحسين طول الفاصل الزمني. سيتم تقييم الفاصل الزمني الأول الذي تم الحصول عليه من خوارزمية التجميع (K-mean) باستخدام خوارزمية سرب الجسيمات حيث يكون لها فاصل زمني جديد يتم استخدامها لاحقا في عملية التشويش (fuzzification) والتنبؤ. يمكن حساب دقة التنبؤ باستخدام متوسط النسبة المئوية للخطأ المطلق من طريقة ماركوف الوزنية الضبابية الزمنية التقليدية وطريقة تحسين سرب الجسيمات. أظهرت نتيجة الدراسة تحسنا في قيمة الخطأ من 8.03% إلى 5.88%. |b Markov Weighted Fuzzy Time Series is a forecasting method that applies fuzzy logic to form linguistic variables from existing data. The formation of linguistic variables makes it possible for the forecasting process to be more accurate by considering the uncertainty aspect in decision-making. Its formation is started by grouping the data into a certain number of clusters. The next steps are fuzzification, transition matrix formation, and defuzzification for forecasting. In the process of grouping, the existing data will be grouped into several clusters so that it results in the interval length of each cluster. One of the problems of this grouping is the absence of a base standard in the clustering process so it is prone to have a different value in forecasting accuracy. The difference in the number of the class or interval length will result in different accuracy even though the clustering method that is used is the same. In this study, the author proposes the idea of using Particle Swarm Optimization to improve the interval length. The initial interval that is already obtained through the K-means clustering algorithm will be evaluated using the Particle Swarm Optimization method so that it will have a new interval that later will be used in the fuzzification process and forecasting. The accuracy of forecasting can be calculated by using Mean Absolute Percentage Error from Markov Weighted Fuzzy Time Series conventional method and Markov Weighted Fuzzy Time Series method with Particle Swarm Optimization. The result of this study gives an improvement in error value from 8.03% to 5.88%. | ||
| 653 | |a العمليات الرياضية |a المنطق الضبابي |a سلاسل ماركوف |a خوارزمية سرب الجسيمات | ||
| 692 | |a الضبابية |a الأمثلية (المرجح) |a سلاسل ماركوف |a التنبؤ (التوقع) |b Fuzzy |b Optimization |b Markov |b Forecasting | ||
| 700 | |9 691604 |a Surono, Sugiyarto |e Co-Author | ||
| 773 | |4 التربية والتعليم |6 Education & Educational Research |c 010 |e Journal of Education and Science |f Mağallaẗ al-tarbiyaẗ wa-al-ʻilm |l 002 |m مج31, ع2 |o 0168 |s مجلة التربية والعلم |v 031 |x 1812-125X | ||
| 856 | |u 0168-031-002-010.pdf | ||
| 930 | |d n |p y |q n | ||
| 995 | |a EduSearch | ||
| 999 | |c 1303324 |d 1303324 | ||
عناصر مشابهة
-
Combine Genetic Algorithm and Particle Swarm Optimization Approach for Neural Network Classification
بواسطة: Abu Hamra, Enas Ahmed منشور: (2016) -
Generation of PAR Time Series Models Using Periodic Levinson-Durbin Algorithm
بواسطة: Abu Jahel, Abd Allah M. منشور: (2013) -
Toward Enhancing Malware Detection Using Particle Swarm Optimization in Honeypot
بواسطة: دار عثمان، هبة عبدالحكيم محمود منشور: (2023) -
Multi-Document Summarization Using Fuzzy Logic and Firefly Algorithm
بواسطة: مال الله، سهاد منشور: (2017) -
A Proposed Fuzzy-Neural Networks Approach for Optimizing Performance with Multiple Responses
بواسطة: العثامنة، رائد قاسم محمد منشور: (2015)
