Resupfunis: Ανάπτυξη Αναδρομικού Νευρο-ασαφούς Μοντέλου Και Εφαρμογές Στην Πρόβλεψη Χαοτικών Χρονοσειρών

Abstract

Στόχος της διπλωματικής αυτής, ήταν η ανάπτυξη ενός αναδρομικού νευρο-ασαφούς μοντέλου και η εφαρμογή του σε προβλήματα πρόβλεψης χαοτικών χρονοσειρών. Βασιστήκαμε στο SuPFuNIS ένα πολύ ενδιαφέρον νευρο-ασαφές μοντέλο που στηρίζεται στο μέτρο αμοιβαίας επικάλυψης. Επεκτείναμε το μοντέλο αυτό προσθέτοντας αναδρομικές συνδέσεις από τις εξόδους στο στρώμα εισόδου. Η αναδρομικότητα αυτή καθιστά το προκύπτον μοντέλο ReSuPFuNIS (Recurrent SuPFuNIS) ικανό να μοντελοποιεί δυναμικά συστήματα και ιδανικό για εφαρμογή στην πρόβλεψη χαοτικών χρονοσειρών. Οι χαοτικές χρονοσειρές συναντώνται πολύ συχνά σε διάφορους επιστημονικούς τομείς και έχουν πολύ σημαντικό ρόλο σε πολλές περιοχές της ανθρώπινης δραστηριότητας. Η ημερήσια θερμοκρασία σε μια πόλη, οι τιμές των μετοχών, η κατανάλωση ηλεκτρικής ενέργειας σε μια χώρα, οι πωλήσεις αυτοκινήτων από μια βιομηχανία κ.ο.κ. είναι μερικά μόνο παραδείγματα χαοτικών χρονοσειρών. Οι χρονοσειρές αυτές δεν ακολουθούν κάποια συγκεκριμένη μαθηματική συνάρτηση και η πορεία τους στο χρόνο μοιάζει τυχαία. Είναι όμως πολύ σημαντικές και για τον λόγο αυτό έχουν γίνει πολλές προσπάθειες πρόβλεψής τους. Οι σημαντικές συνέπειες μιας ορθής πρόβλεψης είναι προφανείς. Το ReSuPFuNIS, λόγω της αναδρομικής του δομής μπορεί να βρει εφαρμογή στην πρόβλεψη τέτοιων χρονοσειρών. Στην παρούσα διπλωματική εκπαιδεύουμε το νευρο-ασαφές σύστημα που αναπτύξαμε για την πρόβλεψη τριών χαοτικών χρονοσειρών : της γνωστής χρονοσειράς Mackey-Glass που χρησιμοποιείται από την σχετική βιβλιογραφία σαν benchmark για μεθόδους υπολογιστικής νοημοσύνης, της μέγιστης ημερήσιας θερμοκρασίας στην Μελβούρνη της Αυστραλίας και στην τιμή της μετοχής της Εθνικής Τράπεζας της Ελλάδος. Τα αποτελέσματα είναι αρκετά ενθαρρυντικά και το μοντέλο σε πολλές περιπτώσεις παρουσιάζει πολύ αξιόλογες προβλέψεις. Βέβαια δεν λείπουν τα σφάλματα, τα οποία και προσπαθούμε να εξηγήσουμε. Το ReSuPFuNIS είναι ένα από τα λίγα αναδρομικά νευρο-ασαφή συστήματα που μπορεί να συναντήσει κάποιος στην παγκόσμια βιβλιογραφία. Η απλή δομή του, και ο μικρός αριθμός παραμέτρων που απαιτεί σε συνδυασμό με τις δυνατότητες μοντελοποίησης που παρέχει το καθιστούν ένα πολύ ενδιαφέρον νευρο-ασαφές μοντέλο. Υπάρχουν ακόμα πολλά περιθώρια βελτίωσης (π.χ. αυτόματη εισαγωγή νέων κόμβων κανόνων) τα οποία θα οδηγήσουν το μοντέλο σε ακόμα καλύτερες προβλέψεις.