Fuzzy time series granulation methods for data analysis

Cover Page

Cite item

Full Text

Abstract

The growing dimensionality of data, driven by the multitude of heterogeneous time series, requires the development of efficient methods for their processing and compression. This article presents an approach to data compression where the data are represented as time series, using granulation with fuzzy logic methods. The study analyzes average daily temperature data in the Republic of Tatarstan collected from 1881 to 2024. Data granulation enabled a significant compression of the data volume. Fuzzy summarization was applied to transform the original numerical data into information granules, facilitating the automatic generation of granular descriptions of time series behavioral patterns. The summarization of time series states was carried out using fuzzy logic methods, including a rule set, membership functions for each season, interval-based linguistic variables, and a defuzzification software module. The implementation of the proposed approach demonstrated a reduction in data volume from 52,534 to 7,504 points, achieving a compression ratio of approximately 85%. The developed methods are applicable for analyzing large datasets across various domains.

Full Text

Введение

Климатические изменения оказывают значительное влияние на социально-экономические системы, что обуславливает необходимость разработки новых подходов к прогнозированию и принятию решений. Рост объёмов данных, их неопределённость и слож­ность структуры делают традиционные методы анализа недостаточно эффективными. Акту­альной задачей становится разработка методов, способных обрабатывать большие объёмы данных с учётом их неопределённости и обеспечивать достоверность данных в системах поддержки принятия решений (СППР). Перспективным направлением в этой области явля­ется использование нечётких временных рядов, которые позволяют учитывать неопределён­ность и изменчивость данных, характерных для климатических и экономических процессов. В качестве предметной области рассмотрены метеоданные в одном из регионов России.

Целью данной статьи является разработка подходов к обработке больших массивов данных для СППР с использованием методов нечёткой логики и машинного обучения.

1 Нечёткая логика и нечёткие множества

Применение принципов нечёткой логики стало ключевым фактором в повышении устойчивости моделей прогнозирования.

Например, в работе [1] предложен многоступенчатый метод оперативного прогнозирования скорости ветра, который сочетает ансамблевый подход на основе модели прогнозирования погоды, нечёткую систему для извлечения данных и оптимизацию. Модель учитывает различные горизонтальные разрешения и исходные поля, что позволяет улучшить точность прогнозирования. В [2] представлен комбинированный интервал прогнозирования на основе нечёткой логики для прогнозирования ветровой энергии.

Применение методов машинного обучения и нечёткой логики позволяет повысить точность прогнозирования. Например, в [3] использована модель прогнозирования и улучшенный алгоритм кластеризации для установления функции нечёткого разделения. В [4] предложена модель прогнозирования концентраций загрязняющих веществ на основе исторических данных о погоде и загрязнении. Используются нечёткие модели для обработки неточных и неопределённых данных, что позволяет прогнозировать уровни загрязнения. В [5] предложен метод прогнозирования временных рядов на основе интуиционистских нечётких множеств, учитывающий неопределённость в данных. Метод показал высокую эффективность по сравнению с другими подходами на основе интуиционистских нечётких множеств. В [6] предложены классификация многокритериальных методов принятия решений и правила их выбора при разработке специализированного программного обеспечения для СППР. В [7] предложен подход к оценке технического состояния электрооборудования, основанный на использовании взвешенных нечётких правил. Данный подход позволяет учитывать нечёткий характер исходных данных. В [8] приведён анализ, моделирование и прогноз урожайности сельскохозяйственных культур с учётом динамики изменения природно-климатических характеристик путём применения методики нечёткой логики. Модель прогнозирования урожайности на основе нечёткой логики учитывает динамику климатических изменений. В [9] предложена методика оценки рисков снижения полевой всхожести зерновых культур, учитывающая степень кондиционности семенного материала на основе моделей нечёткой логики.

Системы прогнозирования на основе нечётких временных рядов представляют собой надёжный инструмент для работы с неопределённостью в данных временных рядов. Развитию теоретических основ и практического применения нечётких систем прогнозирования в различных областях посвящены работы [10-14].

Гранулирование временного ряда представляет собой процесс группировки данных временного ряда в более крупные временные интервалы, который позволяет: упростить структуры данных за счёт снижения их объёма; уменьшить влияния «шума» и случайных колебаний; повысить скорость обработки данных; улучшить визуализацию и интерпретацию временных рядов (см. таблицу 1).

 

Таблица 1 – Операции в гранулировании данных

Операция

Краткое описание

Классификация [15]

Назначение временным рядам одного из заранее определённых классов.

Кластеризация [16]

Группировка данных на основе их схожести.

Сегментация [17]

Разбиение временного ряда на значимые сегменты, расположенные последовательно.

Резюмирование [18]

Создание компактного представления данных, сохраняющего ключевые характеристики.

Ассоциативные правила [19]

Поиск правил, относящихся к временным рядам.

Оптимизация [20]

Поиск оптимальных параметров для сжатия данных.

 

Представленные в таблице 1 операции гранулирования данных могут включать элементы нечёткой логики. Нечёткая логика используется в следующих задачах:

  • группировка данных с возможностью одному объекту принадлежать одновременно нескольким или всем кластерам, но с различной степенью принадлежности (нечёткая кластеризация) [21];
  • разбиение временного ряда на сегменты с учётом нечётких границ между ними (нечёткая сегментация) [22];
  • вывод на базе нечёткой онтологии, который используется для резюмирования состояния сложной технической системы (нечёткое резюмирование) [23] и др.

В исследовании климатических факторов, которые часто изменяются в зависимости от временных сезонов, применён метод гранулирования с использованием нечёткого резюмирования временного ряда [24, 25].

Нечёткая логика позволяет работать с неточными или неопределёнными данными, оперируя степенями принадлежности к множеству в диапазоне от 0 до 1.

Пусть Х – некоторое универсальное множество. Для нечёткого множества A степень принадлежности каждого элемента xX этому множеству является действительным числом μA(x), принадлежащим отрезку [0, 1]. Функция μA(x)=0, если xA; μA(x)=1, если xA; 0<μA(x)<1, если x принадлежит множеству A частично.

Функция, описывающая, как элементы универсального множества X относятся к нечёткому множеству A, называется функцией принадлежности. В настоящем исследовании использована треугольная функция принадлежности, представленная в виде:

μAx=max0,minxaba,cxcb, abc.                                   .                   

Нечёткая логика позволяет оперировать лингвистическими переменными, значения которых задаются словами естественного языка. В разрабатываемой базе знаний для каждого временного сезона созданы лингвистические переменные: холодная, умеренная и тёплая. Логический вывод (дефаззификация) выполняется с использованием метода центра тяжести:

y*=ixiμAxiiμAxi,                                         

где y*- лингвистическая переменная для соответствующего сезона; μA(xi) - функция принадлежности нечёткого множества A; xi X – нечёткие значения, принадлежащие конечному универсальному множеству.

2 Представление и обработка данных

Исходные данные для исследования включали климатические данные: средние ежедневные значения температуры воздуха и количества осадков в Республике Татарстан в период с января 1881 года по октябрь 2024 года1. Формат записи используемых данных имеет вид:

Station     идентификатор метеорологической станции Всемирной метеорологической организации;

Year         год, в который были обработаны данные;

Month      месяц, в котором были собраны данные, представленный в числовом формате (01-12);

Day          день месяца, в который были собраны данные, в числовом формате (01-31);

TMEAN    среднесуточная температура воздуха, измеряемая в градусах Цельсия;

R              суточная сумма осадков, измеряемая в миллиметрах.

Климатические данные организованы в виде таблицы, где каждая строка соответствует определённому временному интервалу (например, день, месяц), а столбцы содержат показатели, такие как температура воздуха, количество осадков и др. В ходе обработки данных выполнены: проверка на наличие пропущенных значений, выбросов и «шумов»; нормализация и очистка данных для обеспечения их качества и пригодности для дальнейшего анализа. Для использования нечёткой логики введён дополнительный категориальный признак, отражающий сезонную принадлежность каждой даты (зима, весна, лето, осень). Учёт сезонности позволяет применить метод гранулирования для сжатия набора данных, что способствует снижению его размерности.

3 Гранулирование нечётких временных рядов

Гранулирование выполнено с помощью нечёткой логики. Основные этапы анализа данных включают: фаззификацию (приведение к нечёткости) чёткой величины (x); базу правил (базу знаний); дефаззификацию (приведение к чёткости) нечёткой величины для получения точного значения (y) (см. рисунок 1).

 

Рисунок 1 – Этапы анализа данных

 

Алгоритм 1 (k-средних) применён на предварительном этапе исследова­ния для автоматического определения границ гранул, рассматривающихся в качестве кластеров для группировки схожих участков ряда. На рисунке 2 представлена схема работы алгоритма k-средних (2а) и результаты кластеризации температурного временного ряда (2б). Алгоритм зависит от значения k (количество кластеров), которое необходимо указывать для выполнения кластеризации. Средняя сложность алгоритма оценивается как O(k*n*t) где k – заданное количество кластеров, n – количество выборок, t – количество итераций.

 

Рисунок 2 – Схема алгоритма (а) и результат гранулирования на основе кластеризации с использованием алгоритма k-средних (б) (временной ряд температур c 01.01.2018 по 01.01.2020, границы гранул выделены прерывистыми вертикальными линиями)

 

При разных значениях k изменяется скорость работы алгоритма, но может происходить и его остановка в точках локальных минимумов. В этом случае все оставшиеся значения будут отнесены к этому кластеру. Кластеры обозначаются ci, общее количество кластеров – q, длина временного ряда – n, Ti – индекс исходного временного ряда, с которого начинается гранула i.

В качестве старта алгоритма берётся временной ряд {xk}(k=1,…,n) и определяются: границы гранул (i=1,,q,Ti=TiL,TiR, где: TiL (индекс левой границы) – начальная точка гранулы, TiR (индекс правой границы) – конечная точка гранулы (условия: TiLTiR и TiL,TiR1,,n); гранулы: Ωi={xk| k= TiL,...,TiR ).

Алгоритм 2. Алгоритм адаптив-ного гранулирования на основе градиента (см. рисунок 3).

В ходе работы алгоритма до-определяются переменные, отвечающие за вычисление градиента по временным промежуткам – gt. За основной критерий берётся разница данных градиентов ∆gt, которая оценивается относительно заранее установленного ограничения θ. Параметром, отвечающим за накопление количества временных интервалов, соот-ветствующих количеству гранул является переменная q. Для прохода по всем временным интервалам используется переменная t, отражающая начальное количество временных интервалов. Алгоритма отличается простотой реализации и низкими вычислительными затратами на этапе инициализации. Недостатками являются самостоятельное определение порогового значения для производной, что может повлиять на результат гранулирования, а также сложность вычислений. Результат обработки данных этим алгоритмом представлен на рисунке 4.

 

Рисунок 3 – Алгоритм адаптивного гранулирования на основе градиента

 

Рисунок 4 – Гранулирование временного ряда на основе градиента (границы гранул выделены прерывистыми вертикальными линиями)

 

Алгоритм 3. Алгоритм гранулирования с фиксированными временными окнами (рисунок 5). Он отражает выделение подпоследовательностей исходного возрастающего временного ряда в виде отдельных кластеров, содержащих основную информацию. Подобно первому алгоритму берутся границы Ti. Итерации для временного ряда происходят по tN, границы сдвигаются на qN для сохранения порядка следования. Метод устойчив и может работать на временных рядах большого объёма. Результаты представлены на рисунке 6.

 

Рисунок 5 – Алгоритм гранулирования с фиксированными временными окнами

 

Рисунок 6 – Гранулирование с фиксированными недельными временными окнами

 

Алгоритмы 1-3 позволяют преобразовать временной ряд ежедневных температур в последовательность гранул, представляющих собой массив среднесуточных температур в течение одной недели (Ωi). Граница Ti определяет индекс исход­ного временного ряда, с которого начинается гранула i. Затем каждая гранула проходит процесс фаззификации для дальней­шего её использования в формировании правил.

Алгоритм 4. Алгоритм фаззификации гранул с использованием методов нечёткой логики. Алгоритм (рисунок 7) позволяет привести чёткие численные значения к нечётким гранулам, выраженным на естественном языке [26]. Были созданы 12 лингвистических переменных, отражающих сезонные статистики S для каждого временного сезона, например, для сезона зима созданы лингвистические переменные: «холодная», «умеренная» и «тёплая».

В исследовании реализован гибридный алгоритм фаззификации сочетающий треугольные функции принадлежности для температурных данных (программная библиотека scikit-fuzzy2) и гауссовы функции для сезонных параметров. Алгоритм обработки температур­ных временных рядов включает следующие этапы:

  • ввод и предобработка данных: На вход подаётся гранула - массив из семи температурных значений (недель­ный временной ряд); Данные нормализуются в диапазон температур, соответствующий лингвисти­ческим переменным.
  • фаззификация: для температурных значений вычисляются степени принадлежности к 12 нечётким множествам: три температурных терма («холодная», «умеренная», «тёплая») с треугольными функциями принадлежности и четыре сезонных терма «зима», «весна», «лето», «осень» (с использованием гауссовых функций принадлежности);
  • агрегирование: для каждого из 12 множеств вычисляется средняя степень принадлежности по всем семи точкам гранулы;
  • логический вывод (дефаззификация): формируется итоговый вектор F признаков гранулы. Вектор использу­ется для активации правил из таблицы 2.

Результатом работы Алгоритма 4 является вектор F = f1,f2, ..., f12, где каждый элемент f1 представляет собой среднюю степень принадлежности гранулы к соответствующему лингвистическому терму (например, f1 - «холодная зима», f2 - «умеренная зима», f3 - «тёплая зима», f4 - «холодная весна» и т.д. по порядку сезонов и температурных термов). Этот вектор F является формализованным признаковым описанием гранулы, количественно отражающим её неопределённость и недельную изменчивость. Он непосредственно используется для активации продукционных правил из таблицы 2 в процессе нечёткого вывода.

Предложенный подход к гранулированию, основанный на методах нечёткой логики (Алгоритм 4), обеспечил сжатие данных – объём выборки сократился с 52 534 до 7 504 точек (коэффициент сжатия ≈85%). Это реализовано путём вычисления для каждой недельной гранулы вектора F из 12 признаков. Таким образом, вектор F формализует нечёткие характеристики исходного недельного интервала, включая неопределённость (значения признаков в [0, 1]) и изменчивость (различное распределение признаков у разных гранул).

4 Пример моделирования биоклиматического потенциала

Для проверки работоспособности предложенных подходов разработан прототип СППР для моделирования биоклиматического потенциала (БКП) экспертами предметной области. Фрагмент анализа БКП представлен на рисунке 8. В таблице 2 представлен фрагмент структуры базы знаний, которая включает набор продукционных правил, условий логического вывода и адаптивные интервалы для функций принадлежности, которые можно изменять в зависимости от региона и климата.

Функции принадлежности для сезонных параметров заданы в виде гауссовских кривых, определяемых параметрами среднего значения (среднее) и стандартного отклонения (σ). Поскольку данные функции асимптотически стремятся к нулю, допол­нительно вводятся ограниченные интервалы, в пределах ко­торых рассматривается их ненулевая часть.

Сезоны представлены в виде числовых значений: «Зима» – 0, «Весна» – 1, «Лето» – 2, «Осень» – 3 и формализованы через полуинтервал [0, 4), где: [0,1) соответствует зиме, [1,2) - весне, [2,3) - лету, [3,4) - осени. Такое представление обеспечивает математическую корректность работы непрерывных функций принадлежности при переходе между сезонами, исключая неоднозначности на границах годового цикла.

 

Рисунок 7 – Алгоритм гранулирования на основе нечёткого представления

 

В реализованном прототипе СППР применён алгоритм нечёткого вывода на основе заданных параметров модели (сезон и температура) в соответствии с Алгоритмом 4 (фаззификация → агрегирование → дефаззифика­ция) и последующим логическим выводом на основе продукционных правил.

Пример правила R4 (в таблице 2)

Условие: температура: [5, 25] (гауссова функция, среднее = 10, σ = 5) - «умеренная»); сезон: [2.5, 3.5] (гауссова функция среднее = 3, σ = 0.5) - «осень»).

Вывод: «БКП средний».

Логика: Умеренная температура в осенний сезон чаще даёт «средний БКП».

 

Таблица 2 – Фрагмент базы правил моделирования биоклиматического потенциала (БКП)

Правило

Условие

Вывод

Интервалы и функции принадлежности

1

Если температура

холодная И сезон зима

БКП низкий

Температура: [-10, 10] (гауссова функция, среднее = -5, σ = 5)Сезон: [0, 1] (гауссова функция, среднее = 0, σ = 0.5)

2

Если температура

умеренная И сезон весна

БКП средний

Температура: [5, 25] (гауссова функция, среднее = 10, σ = 5)Сезон: [0.5, 1.5] (гауссова функция, среднее = 1, σ = 0.5)

3

Если температура

тёплая И сезон лето

БКП высокий

Температура: [20, 40] (гауссова функция, среднее = 25, σ = 5)Сезон: [1.5, 2.5] (гауссова функция, среднее = 2, σ = 0.5)

4

Если температура

умеренная И сезон осень

БКП средний

Температура: [5, 25] (гауссова функция, среднее = 10, σ = 5)Сезон: [2.5, 3.5] (гауссова функция, среднее = 3, σ = 0.5)

5

Если температура

холодная И сезон осень

БКП низкий

Температура: [-10, 10] (гауссова функция, среднее = -5, σ = 5)Сезон: [2.5, 3.5] (гауссова функция, среднее = 3, σ = 0.5)

 

Рисунок 8 – Фрагмент анализа биоклиматического потенциала

 

Процесс нечёткого вывода БКП (на основе вектора признаков F) включает следующие шаги:

  • Активация правил: каждое продукционное правило из таблицы 2 активируется путём выбора соответствующего элемента (или комбинации элементов) из вектора F, который представляет среднюю степень принадлежности гранулы к лингвистическому терму условия правила.
  • Пример активации правила R4 (таблица 2): («Если Температура умеренная И Сезон осень → БКП средний») условие соответствует лингвистическому терму «умеренная осень». В векторе признаков F этот терм представлен отдельным элементом (f11 в предположенном порядке термов). Значение этого элемента (средняя степень принадлежности гранулы к терму «умеренная осень») непосредственно определяет степень истинности условия правила R4.
  • Степень истинности антецедента (условия) правила рассчитывается как значение выбранного элемента вектора F (для правил с одним простым условием). Для правил с оператором «И» между несколькими элементами (см. реализацию ниже) степень истинности вычислялась бы как агрегация (например, min или произведение) соответствующих элементов F.
    • Активизация заключений: полученная для каждого правила степень истинности используется для «обрезки» (или масштабирования) функции принадлежности выходного терма БКП, указанного в заключении этого правила.
    • Агрегирование выходов: активизированные выходные термы БКП (результаты всех сработавших правил) объединяются в одно нечёткое множество с помощью операции максимума (max).
    • Дефаззификация: к итоговому агрегированному нечёткому множеству выходной переменной (БКП) применяется метод центра тяжести для получения чёткого числового значения или категории биоклиматического потенциала.

Реализация правил вывода БКП с использованием вектора F (scikit-fuzzy):

В прототипе СППР с использованием библиотеки scikit-fuzzy продукционные правила активируются путём проверки значений конкретных элементов вектора F относительно заданных порогов активации θi. Упрощённый вид реализованных правил соответствует лингвистическим правилам таблицы 2:

R1: Если F["холодная зима"] > θ1 ТО БКП низкий; // Условие: Холодная Зима

R2: Если F["умеренная весна"] > θ2 ТО БКП средний; // Условие: Умеренная Весна

R3: Если F["тёплая лето"] > θ3 ТО БКП высокий; // Условие: Тёплое Лето

R4: Если F["умеренная осень"] > θ4 ТО БКП средний; // Условие: Умеренная Осень

R5: Если F["холодная осень"] > θ5 ТО БКП низкий; // Условие: Холодная Осень,

где θi - пороговые значения, определяющие минимальную степень принадлежности для активации соответствующего правила (в коде θ15).

Пример активации правил.

Пусть предполагаемый порядок термов имеет вид в первой грануле с вектором: F=features0=0.087, 0.534, 0.377, 0.510, 0.489, 0.0, 0.0, 0.0, 0.0, 0.584, 0.415, 0.0, где наибольшие значения имеют индексы 1, 3, 4, 9 и 10:

  • F["умеренная зима"] (индекс 1) = 0.534
  • F["холодная весна"] (индекс 3) = 0.510
  • F["умеренная весна"] (индекс 4) = 0.489
  • F["холодная осень"] (индекс 9) = 0.584
  • F["умеренная осень"] (индекс 10) = 0.415

При порогах, например, θ1=0.5, θ2=0.4, θ4=0.4, θ5=0.5, активируются правила: R1 (Умеренная Зима: 0.534 > 0.5); R2 (Умеренная Весна: 0.489 > 0.4); R4 (Умеренная Осень: 0.415 > 0.4); R5 (Холодная Осень: 0.584 > 0.5).

Итоговый вывод БКП будет определяться степенями истинности активированных правил (R1, R2, R4, R5) и методом дефаззификации (центра тяжести).

Предлагаемая структура продукционных правил обладает модульной архитектурой, позволяющей адаптировать параметры моделирования к различным климатическим условиям. Адаптация осуществляется путём:

  • корректировки функций принадлежности: изменение гауссовских (сезон) и треугольных (температура) функций на этапе фаззификации (Алгоритм 4); модификация границ термов БКП;
  • динамической настройки базы правил: добавление/изменение/удаление продукционных правил; изменение весовых коэффициентов; настройка порогов активации θi для элементов вектора F;
  • регулировки диапазонов входных переменных.

Заключение

В работе предложен подход к обработке данных метеорологических временных рядов, основанный на методах нечёткой логики. Ключевыми результатами исследования являются:

  • Алгоритм нечёткого гранулирования. Алгоритм 4 – гибридный алгоритм, использующий треугольные функции принадлежности для температурных данных и гауссовы функции для сезонных параметров. Алгоритм преобразует исходные чёткие данные в нечёткие гранулы, представленные 12-мерными векторами признаков F. Эти векторы количественно отражают характерную неопределённость и недельную изменчивость исходных температурных колебаний.
  • Сжатие данных. Применение алгоритма гранулирования позволило сократить объём исходных данных с 52 534 до 7 504 точек (коэффициент сжатия ≈85%) при сохранении ключевых статистических характеристик и семантического содержания данных, воплощённого в векторах F.
  • СППР для моделирования БКП. СППР использует формализованные гранулы (векторы F) для активации набора адаптивных продукционных правил нечёткого вывода, реализующих экспертные знания о взаимосвязи температуры, сезона и БКП. Модульная архитектура СППР может позволить настраивать функции принадлежности, пороги активации правил и саму базу правил под различные климатические условия.

 

1 Федеральная служба по гидрометеорологии и мониторингу окружающей среды. Всероссийский НИИ гидрометеоро-логической информации – Мировой центр данных. Температура и осадки: набор данных. http://meteo.ru/data/.

2 Fuzzy logic toolkit for SciPy. DOI 10.5281/zenodo.802396. – https://github.com/scikit-fuzzy/scikit-fuzzy?tab=readme-ov-file.

×

About the authors

R. А. Burnashev

Kazan (Volga region) Federal University, Institute of Computational Mathematics and Information Technology

Author for correspondence.
Email: r.burnashev@inbox.ru
ORCID iD: 0000-0002-1057-0328
Scopus Author ID: 57200246615

PhD, associate professor of the Department of data analysis and programming technologies of Institute of computational mathematics and information technologies

Russian Federation, Kazan

Ya. V. Sergeev

Kazan (Volga region) Federal University, Institute of Computational Mathematics and Information Technology

Email: sergeevyarik7@yandex.ru
ORCID iD: 0009-0009-3370-1464

first-year master's student

Russian Federation, Kazan

A. F. Nazipova

Kazan (Volga region) Federal University, Institute of Computational Mathematics and Information Technology

Email: alisa.nazipova@yandex.ru
ORCID iD: 0009-0001-0560-1425

first-year master's student

Russian Federation, Kazan

References

  1. Zhao J, Guo ZH, Su ZY, Zhao ZY, Xiao X, Liu F. An improved multi-step forecasting model based on WRF ensembles and creative fuzzy systems for wind speed. Applied Energy, 2016; 162: 808-826. doi: 10.1016/J.APENERGY.2015.10.145.
  2. Kavousi-Fard A., Khosravi A., Nahavandi S. A New Fuzzy-Based Combined Prediction Interval for Wind Power Forecasting. IEEE Transactions on Power Systems. 2016; 31(1): 18–26. doi: 10.1109/TPWRS.2015.2393880.
  3. Wen J, Yang J, Jiang B, Song H, Wang H. Big Data Driven Marine Environment Information Forecasting: A Time Series Prediction Network. IEEE Transactions on Fuzzy Systems. 2021; 29(1): 4-18. doi: 10.1109/TFUZZ.2020.3012393.
  4. Domanska D, Wojtylak M. Application of fuzzy time series models for forecasting pollution concentrations. Expert Syst. Appl. 39, 7673-7679. 2012. doi: 10.1016/j.eswa.2012.01.023.
  5. Kumar S, Gangwar S. Intuitionistic Fuzzy Time Series: An Approach for Handling Nondeterminism in Time Series Forecasting. IEEE Transactions on Fuzzy Systems.2016; 24(6): 1270-1281. doi: 10.1109/TFUZZ.2015.2507582.
  6. Chechnev VB. Analysis and classification of multi-criteria decision-making methods [In Russian]. Ontology of Designing. 2024; 14(4): 607-624. doi: 10.18287/2223-9537-2024-14-4-607-624.
  7. Kolodenkova AE, Vereshchagina SS, Favorskaya EA, Osipova EA. An approach to assessing the technical condi¬tion of electrical equipment using weighted fuzzy rules [In Russian]. Ontology of Designing. 2024; 14(1): 134-144. doi: 10.18287/2223-9537-2024-14-1-134-144.
  8. Bischokov RM, Sukhanova SF. Forecasting crop yields using fuzzy logic methods [In Russian]. Bulletin of Bash¬kir State Agrarian University. 2023; 1(65): 119-125. doi: 10.31563/1684-7628-2023-65-1-119-126.
  9. Arkhipov MV, Ermakov RN. Risk assessment of reducing field germination when sowing grain crops taking into account the quality of seed material based on fuzzy logic models [In Russian]. News of St. Petersburg State Agrarian University. 2015; 39: 68-70.
  10. Taylan O, Alamoudi R, Kabli M, AlJifri A, Ramzi F, Herrera-Viedma E. Assessment of Energy Systems Using Extended Fuzzy AHP, Fuzzy VIKOR, and TOPSIS Approaches to Manage Non-Cooperative Opinions. Sustainability.2020; 12(7): 2745. doi: 10.3390/su12072745.
  11. Shanchao Y, Jing L. Time-Series Forecasting Based on High-Order Fuzzy Cognitive Maps and Wavelet Trans¬form. IEEE Transactions on Fuzzy Systems. 2018; 26(6): 3391-3402. doi: 10.1109/TFUZZ.2018.2831640.
  12. Khosravi A, Nahavandi S. Load Forecasting Using Interval Type-2 Fuzzy Logic Systems: Optimal Type Reduc¬tion. IEEE Transactions on Industrial Informatics. 2014; 10(2): 1055-1063. doi: 10.1109/TII.2013.2285650.
  13. Rahman NHA, Muhammad H, Suhartono, Mohd Talib. Artificial neural networks and fuzzy time series forecasting: an application to air quality. Quality & Quantity. 2015; 49(6): 2633-2647. doi: 10.1007/s11135-014-0132-6.
  14. Sulandari W, Subanar, Lee MH, Rodrigues PC. Indonesian electricity load forecasting using singular spec-trum analysis, fuzzy systems and neural networks. Energy. 2020; 190: 116408. doi: 10.1016/j.energy.2019.116408.
  15. Herbst G, Bocklish SF. Online Recognition of fuzzy time series patterns. 2009 International Fuzzy Systems Associa¬tion World Congress and 2009 European Society for Fuzzy Logic and Technology Conference (IFSA-EUSFLAT 2009). 2009. P.974-979.
  16. Giove S. Fuzzy logic and Clustering methods for time series analisys. 2009 International Fuzzy Systems Associa¬tion World Congress and 2009 European Society for Fuzzy Logic and Technology Conference (IFSA-EUSFLAT 2009). 2009. P.1-7.
  17. Graves D, Pedrycz W. Multivariate Segmtntation of Time Series with Differential Evolution. 2009 International Fuzzy Systems Association World Congress and 2009 European Society for Fuzzy Logic and Technology Confer¬ence (IFSA-EUSFLAT 2009). 2009. P.1108-1113.
  18. Kacprzyk J, Wilbik A. Using Fuzzy Linguistic summaries for the comparison of time series. 2009 International Fuzzy Systems Association World Congress and 2009 European Society for Fuzzy Logic and Technology Confer¬ence (IFSA-EUSFLAT 2009). 2009. P.1321-1326.
  19. Jingjing F., Qingfei Z., Zhonglin Z. A Method of Mining the Meta-association Rules for Dynamic Association Rule Based on the Model of AR-Markov, 2010 Second International Conference on Networks Security, Wireless Communications and Trusted Computing, Wuhan, China. 2010. P.210-214. doi: 10.1109/NSWCTC.2010.248.
  20. Wu F, Li Y, Yu F. Fuzzy Granulation Based Forecasting of Time Series. In Fuzzy Information and Engineering 2010. Advances in Intelligent and Soft Computing, V.78. Springer, Berlin, Heidelberg. 2010. P.511-520. doi: 10.1007/978-3-642-14880-4_56.
  21. Guo H, Wang L, Liu X, Pedrycz W. Information Granulation-Based Fuzzy Clustering of Time Series. IEEE Transactions on Cybernetics. 2021. V.51. №12. P. 6253-6261. doi: 10.1109/TCYB.2020.2970455.
  22. Abonyi J, Feil B, Nemeth S, Arva P. Fuzzy clustering based segmentation of time-series. In Advances in Intelli¬gent Data Analysis V: 5th International Symposium on Intelligent Data Analysis, IDA 2003, Berlin, Germany, Au¬gust 28-30, 2003. Proceedings 5. P.275-285. doi: 10.1007/978-3-540-45231-7_26.
  23. Hannah ME, Geetha TV, Mukherjee S. Automatic Extractive Text Summarization Based on Fuzzy Logic: A Sentence Oriented Approach. In Swarm, Evolutionary, and Memetic Computing. SEMCCO 2011. Visakhapatnam, Andhra Pradesh, India, December 19-21, 2011, Proceedings, Part I 2 (p.530-538). Springer Berlin Heidelberg. doi: 10.1007/978-3-642-27172-4_63.
  24. Burnashev RA, Baibikova DF, Krylov MA, Sergeev YaV, Ibragimov RM. Certificate of state registration of com¬puter program No.2025617003. Program for expert analysis of climate and economic relationships [In Russian]. Application No.2025614348. Received March 5, 2025. Registered in the Computer Programs Register March 21, 2025.
  25. Burnashev RA, Nazipova AF. Certificate of state registration of computer program No.2025618157. Program for analysis and granulation of fuzzy time series [In Russian]. Application No.2025615912. Received March 18, 2025. Registered in the Computer Programs Register April 2, 2025.
  26. Burnashev RA, Bagymanov RM, Enikeeva AI, Farahov RR, Bolsunovskaya MV. Designing a Medical Fuzzy Expert System Using the JFuzzyLogic Library. IEEE 25th International Conference of Young Professionals in Electron Devices and Materials (EDM), Altai, Russian Federation. 2024. P.2330-2333. doi: 10.1109/EDM61683.2024.10615193.

Supplementary files

Supplementary Files
Action
1. JATS XML
2. Figure 1 – Data analysis stages

Download (240KB)
3. Figure 2 – Algorithm diagram (a) and the result of granulation based on clustering using the k-means algorithm (b) (temperature time series from 01.01.2018 to 01.01.2020, granule boundaries are highlighted by dashed vertical lines)

Download (1MB)
4. Figure 3 – Gradient-based adaptive granulation algorithm

Download (33KB)
5. Figure 4 – Gradient-based granulation of time series (granule boundaries are shown as dashed vertical lines)

Download (76KB)
6. Figure 5 – Granulation algorithm with fixed time windows

Download (28KB)
7. Figure 6 – Granulation with fixed weekly time windows

Download (106KB)
8. Figure 7 – Granulation algorithm based on fuzzy representation

Download (44KB)
9. Figure 8 – Fragment of the analysis of bioclimatic potential

Download (22KB)

Copyright (c) 2025 Burnashev R.А., Sergeev Y.V., Nazipova A.F.

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».