NFISiS：面向可再生能源预测的模糊推理系统新视角
人工智能
2025-06-27 v3
摘要
尽管深度学习模型备受欢迎，但面临长时间训练和缺乏可解释性等挑战。相比之下，模糊推理系统在准确性和透明度之间取得了平衡。本文针对传统 Takagi-Sugeno-Kang 模糊模型的局限性，提出了将最近提出的新型 Takagi-Sugeno-Kang 模型扩展为新的 Mamdani 回归器。这些模型是数据驱动的，允许用户定义规则数量以在准确性和可解释性之间进行权衡。为处理大数据集的复杂性，本研究整合了包装技术和集成技术。遗传算法用作特征选择的包装器，创建这些模型的遗传版本。此外，引入了集成模型，包括随机新 Mamdani 回归器、随机新 Takagi-Sugeno-Kang 和随机森林新 Takagi-Sugeno-Kang，以提高鲁棒性。所提出的模型在光伏能源预测数据集上进行了验证，这是一种关键应用，因为太阳能发电具有间歇性。结果表明，遗传和集成模糊模型，特别是遗传新型 Takagi-Sugeno-Kang 和随机森林新型 Takagi-Sugeno-Kang，实现了卓越的性能。它们常常优于传统机器学习和深度学习模型，同时提供更简单且更具可解释性的基于规则的结构。这些模型已在名为 nfisis（https://pypi.org/project/nfisis/）的库中线上提供。
引用
@article{arxiv.2506.06285,
title = {NFISiS: New Perspectives on Fuzzy Inference Systems for Renewable Energy Forecasting},
author = {Kaike Sa Teles Rocha Alves and Eduardo Pestana de Aguiar},
journal= {arXiv preprint arXiv:2506.06285},
year = {2025}
}