非平稳环境下的模糊时间序列预测

本文提出一种非平稳模糊时间序列（NSFTS）方法，其具有根据数据分布自适应的时变参数。在该方法中，我们采用非平稳模糊集，其中扰动函数用于根据时间序列中的统计变化调整知识库中的隶属函数参数。所提方法能够基于残差误差动态适应其模糊集以反映随机过程的变化，而无需重新训练模型。该方法可处理非平稳和异方差数据以及概念漂移场景。所提方法允许模型仅训练一次并在之后长期保持可用性且维持合理精度。通过计算实验测试了该方法的灵活性：使用八组具有多种概念漂移的合成非平稳时间序列数据、四个真实市场指数（道琼斯、纳斯达克、标普500 和 TAIEX）、三对真实外汇（欧元-美元、欧元-英镑、英镑-美元）以及两种真实加密货币汇率（比特币-美元和以太坊-美元）。竞争模型采用时变模糊时间序列和增量集成，这两种是处理非平稳数据集的主要方法。采用非参数检验以检查结果的显著性。所提方法通过对模型参数自适应，在保持知识库符号结构的同时展现出对概念漂移的韧性。