Please use this identifier to cite or link to this item: https://repositorio.ufjf.br/jspui/handle/ufjf/19129
Files in This Item:
File Description SizeFormat 
arthurcaiovargasepinto.pdfPDF/A6.7 MBAdobe PDFView/Open
Type: Tese
Title: Data-driven partitioning approaches for type-2 fuzzy set based time series
Author: Pinto, Arthur Caio Vargas e
First Advisor: Aguiar, Eduardo Pestana de
Co-Advisor: Guimarães, Frederico Gadelha
Co-Advisor: Wagner, Christian
Referee Member: Evsukoff, Alexandre Gonçalves
Referee Member: Barreto, Guilherme de Alencar
Referee Member: Ribeiro, Moisés Vidal
Referee Member: Marcato, André Luis Marques
Resumo: As técnicas de previsão de séries temporais fuzzy (FTS) oferecem vantagens potenciais na realização de um particionamento de dados eficiente e intuitivo, além do tratamento eficaz da incerteza presente nos dados. No entanto, esses modelos de previsão geralmente apresentam desafios em seu desenvolvimento, exigindo um ajuste cuidadoso e específico de hiperparâmetros para garantir um desempenho competitivo na previsão. Os modelos convencionais de FTS frequentemente dependem de esquemas de particionamento predefinidos e parâmetros especificados pelo usuário, o que pode introduzir subjetividade e limitar sua adaptabilidade a conjuntos de dados complexos. Esta tese apresenta novos modelos de séries temporais fuzzy intervalares do tipo-2 baseados em particionamento orientado por dados — SODA-T2FTS, ADP-T2FTS e ADP-T2LIMG — que integram a lógica fuzzy intervalar do tipo-2 com técnicas avançadas de particionamento, especificamente os algoritmos Self-Organized Direction Aware Data (SODA) e Autonomous Data Partitioning (ADP). Essas abordagens capturam a incerteza epistêmica e melhoram o desempenho preditivo, reduzindo a necessidade de intervenção do usuário. Os modelos foram avaliados em séries temporais financeiras, de referência e de energia, e a comparação foi realizada, de forma geral, em termos do número médio de regras (interpretabilidade), métricas de erro, tempo de execução, complexidade do modelo e sensibilidade ao ruído. Os resultados mostraram que os modelos propostos apresentaram maior precisão, menores erros de previsão e interpretabilidade competitiva em comparação com as técnicas de previsão mais avançadas da literatura. Além disso, os resultados destacam que abordagens baseadas em dados melhoram significativamente a previsão de séries temporais fuzzy (FTS) ao aprimorar a precisão do particionamento, reduzir a subjetividade e aumentar a adaptabilidade a diferentes conjuntos de dados.
Abstract: Fuzzy Set Based Time Series (FTS) prediction techniques offer potential advantages in efficient and intuitive data partitioning and the effective handling of uncertainty in the data. However, such prediction models are commonly challenging to design, requiring careful and application-specific tuning of hyperparameters to provide competitive forecasting performance. Conventional FTS models often rely on predefined partitioning schemes and user-specified hyperparameters, which may introduce subjectivity and limit their adaptability to complex datasets. This thesis presents novel data-driven interval type2 fuzzy set based time series models — SODA-T2FTS, ADP-T2FTS, and ADP-T2LIMG — that integrate interval type-2 fuzzy logic with advanced partitioning techniques, namely the Self-Organized Direction Aware Data (SODA) and Autonomous Data Partitioning (ADP) algorithms. These approaches handle epistemic uncertainty and improve predictive performance while reducing reliance on user intervention. The models were evaluated on financial, benchmark, and energy time series datasets, and evaluation was overall performed in terms of the average number of rules (c.f. interpretability), error metrics, execution time, model complexity and noise sensitivity. Results showed that the proposed models presented superior accuracy, lower forecasting errors, and competitive interpretability compared to state-of-the-art forecasting techniques, also highlighting that data-driven approaches significantly enhance fuzzy set based time series forecasting by improving partitioning accuracy, reducing subjectivity, and increasing adaptability to different datasets.
Keywords: Type-2 fuzzy systems
Forecasting
Time series analysis
Type-2 fuzzy set based time series
Data-driven partitioning
Sistemas fuzzy do tipo-2
Previsão
Análise de séries temporais
Séries temporais baseadas em lógica fuzzy do tipo-2
Particionamento baseado em dados
CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Language: eng
Country: Brasil
Publisher: Universidade Federal de Juiz de Fora (UFJF)
Institution Initials: UFJF
Department: Faculdade de Engenharia
Program: Programa de Pós-graduação em Engenharia Elétrica
Access Type: Acesso Aberto
Attribution-NonCommercial-ShareAlike 3.0 Brazil
Creative Commons License: http://creativecommons.org/licenses/by-nc-sa/3.0/br/
URI: https://repositorio.ufjf.br/jspui/handle/ufjf/19129
Issue Date: 26-Jun-2025
Appears in Collections:Doutorado em Engenharia Elétrica (Teses)



This item is licensed under a Creative Commons License Creative Commons