基于区间二型模糊推理系统的GARCH特征时间序列增强预测模型

GARCH型时间序列（以广义自回归条件异方差为特征）表现出显著的波动性、自相关性和异方差性。为应对这些挑战并提高预测精度，本研究引入了一个将区间二型模糊推理系统（IT2FIS）与GARCH模型相结合的混合预测框架。利用IT2FIS的基于区间的表示能力和GARCH的波动率捕捉能力，所提出的模型有效减轻了异方差性对预测可靠性的不利影响。具体而言，GARCH组件估计条件方差，随后将其纳入IT2FIS的高斯隶属函数中。这种集成将IT2FIS转变为一个自适应变参数系统，动态地与目标序列的时变波动率对齐。通过系统的参数优化，该框架不仅捕捉了复杂的波动模式，还在建模过程中考虑了异方差性和认知不确定性，从而提高了预测精度和模型鲁棒性。实验验证采用了多样化的数据集，包括空气质量浓度、城市交通流量和能源消耗。对比分析针对以下模型进行：GARCH-Takagi-Sugeno-Kang（GARCH-TSK）模型、固定方差时间序列模型、GARCH-门控循环单元（GARCH-GRU）和长短期记忆（LSTM）网络。结果表明，所提出的模型在大多数测试场景的误差指标中均取得了优越的预测性能。这些发现强调了混合方法在预测GARCH型时间序列不确定性方面的有效性，突显了它们在实际时间序列预测应用中的实用价值。