Gated recurrent unit network-based fuzzy time series forecasting model

Abstract

Time series forecasting and prediction are utilized in various industries, such as e-commerce, stock markets, wind power, and energy demand forecasting. An accurate forecast in these applications is an essential and challenging task because of the complexity and uncertainty of time series. Nowadays, deep learning methods are popular in time series forecasting and show better performance than classical methods. However, in the literature, only some studies use deep learning methods in fuzzy time series (FTS) forecasting. In this study, we propose a novel FTS forecasting model based upon the hybridization of Recurrent Neural Networks with FTS to deal with the complexity and uncertainty of these series. The proposed model utilizes Gated Recurrent Unit (GRU) to make predictions using a combination of membership values and past values from original time series data as model input and produce real forecast value. Moreover, the proposed model can handle first-order fuzzy relations and high-order ones. In experiments, we have compared our model results with state-of-art methods by using two real-world datasets; The Taiwan Stock Exchange Capitalization Weighted Stock Index (TAIEX) and Nikkei Stock Average. The results indicate that our model outperforms or performs similarly to other methods. The proposed model is validated using the Covid-19 active case dataset and BIST100 Index dataset and performs better than Long Short-term Memory (LSTM) networks.

Zaman serisi tahminleme hava durumu, iş dünyası, satış verileri ve enerji tüketimi tahminleme gibi bir çok alanda uygulama alanına sahiptir. Bu alanlarda tahminleme yaparken kesin sonuçlar elde etmek çok önemlidir ama aynı zamanda zaman serilerinin karmaşık ve de belirsizlik içeren veriler olması nedeniyle çok zordur. Günümüzde, derin öğrenme metotları bu alanda klasik metotlara göre daha iyi sonuçlar vermektedir. Fakat literatürde bulanık zaman serileri tahminleme konusunda çok az çalışma vardır. Bu çalışmada, zaman serilerindeki karmaşıklığın ve belirsizliğin doğurduğu problemleri yok etmek için Yinelemeli sinir Ağları ile bulanık zaman serilerini bir arada kullanan bir model ortaya konumuştur. Bu çalışmada, Kapılı Tekrarlayan Hücreler kullanarak geçmiş veriler ile bulanık verilerin üyelik değerleri birleştirilerek tahminleme değeri hesaplanmıştır. Ayrıca, bu çalışmadaki model ilk seviye bulanık ilişkileri ele alabildiği gibi, çoklu seviye bulanık ilişkileri de kapsamaktadır. Testlerde literatürde var olan çalışmalar ilgili model ile iki açık veri seti ile karşılaştırılmış olup bahsi geçen modelin daha iyi veya benzer sonuçlar verdiği gözlemlenmiştir. Ayrıca model Covid-19 ve BIST100 borsa verileri kullanılarak da test edilmiş ve Uzun-Kısa Süreli Bellek modellerinden daha iyi sonuç vermiştir.