Managing Partitioning Uncertainty and Transition Ambiguity in Fuzzy Time Series: A Robust IT2FCM-Markov Chain Approach
Notice bibliographique
Résumé
Fuzzy Time Series (FTS) models are effective for handling uncertain and vague datasets, but their performance is often limited by subjective partitioning and ambiguous state transitions.Objectives: This study aims to address partitioning uncertainty caused by empirical fuzzifier parameters in Fuzzy C-Means (FCM) and resolve the one-to-many transition ambiguity in Fuzzy Logical Relationship Groups (FLRGs).We propose a novel hybrid model, IT2FCM-MC-FTS, which integrates Interval Type-2 Fuzzy C-Means (IT2FCM) with a first-order Markov Chain (MC).The methodology involves using IT2FCM to generate robust, data-driven interval partitions that account for noise, followed by the application of MC transition probabilities to provide logical weights for resolving complex relationship groups.The model was validated using ambient CO concentration data from Semarang, Indonesia.Experimental results show that the proposed model achieved an RMSE of 887.47 and a SMAPE of 17.86%, significantly outperforming traditional FTS, FCM-FTS, and FTS-MC models.By synergizing robust clustering with probabilistic inference, the IT2FCM-MC-FTS model provides a more reliable and accurate framework for time series forecasting (TSF) in volatile environments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».