使用模糊聚类解决时间序列确定性分量中存在的不精确性和不确定性（Python代码实现）

 💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码实现

---

💥1 概述

使用模糊聚类技术解决时间序列中存在的不精确性和不确定性问题是一项具有挑战性的任务。在本文中，我们提出了一种全新的模糊时间序列模型，旨在解决随机分量对时间序列回归任务的影响。与现有技术相比，我们的模型在实际应用中取得了显著的优异结果，为时间序列分析领域带来了新的突破。

本研究的主要贡献包括但不限于：首先，针对随机分量影响较大的时间序列，我们提出了一种全新的模糊时间序列模型，该模型在处理不精确性和不确定性方面表现出色。其次，我们通过对时间序列进行预处理，自动建模模糊化阶段，并消除噪声和低信息的高频分量，有效地提高了模型的准确性和可靠性。此外，我们还对开发的模型进行了全面的对比分析，证明了其在实际应用中的优越性。

我们还深入探讨了模糊聚类技术在时间序列分析中的潜在应用，以及其在解决其他领域中的不确定性和不精确性方面的潜力。通过本研究，我们期望为时间序列分析领域的进一步发展和模型改进提供有益的启示，并为解决实际问题提供更为可靠和有效的方法。

📚2 运行结果

 

 部分代码：

# Select MFIs without trending and noise behavior 

df_fts = pd.DataFrame(taiex[col].copy())
df_fts[col] = taiex

col_imf = '2+3+residue'
df_fts[col_imf] = imfs[2]+imfs[3]+imfs[4]

corr = round(np.corrcoef(df_fts[col], df_fts[col_imf])[0,1], 3)

# PLOT 
fig = plt.figure(figsize=(18,8))
ax = fig.add_subplot(121)
ax.plot(df_fts[col], label='TS')
ax.plot(df_fts[col_imf], label=col_imf)
ax.set_title('IMF(s)')
ax.legend()

ax = fig.add_subplot(122)
ax.plot(df_fts[col], df_fts[col_imf], 'o')
ax.set_title('Correlation {}'.format(corr))

plt.show()

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

[1]邢宗义,张永,侯远龙,et al.基于模糊聚类和遗传算法的具备解释性和精确性的模糊分类系统设计[J].电子学报, 2006, 34(001):83-88.DOI:10.3321/j.issn:0372-2112.2006.01.016.

[2]王志海,张奠成.一种新的处理模糊和不确定性的数学工具简介[J].电脑应用技术, 1996(037):000.

🌈4 Matlab代码实现