A SELF-SIMILAR LOCAL NEURO-FUZZY MODEL FOR SHORT-TERM DEMAND FORECASTING
Hassani, Hossein Hossein, Abdollahzadeh, Majid Momahed Heravi, Iranmanesh, Miranian, Arash · 系统科学与复杂性：英文版 · 2014
这份报纸建议一个自我类似的本地人 neuro 模糊(SSLNF ) 为预报的短期的电需求与相互的基于信息的输入选择算法当模特儿。建议 selfsimilar 模型由很多个本地模型，组成每是一个本地人线性 neuro 模糊(LLNF ) 模型，和他们的联系有效性工作并且能作为一个 LLNF 模型自己被解释。建议模型被学习把输入空格划分成轴直角的子域然后在每子域上适合一个 LLNF 模型和它的联系有效性函数的算法的一棵嵌套的本地班机模型树(NLOLIMOT ) 训练。而且，建议途径为规则前提(有效性功能) 和 consequents (本地模型) 允许不同输入空格。这个呼吁的性质被采用分配候选人输入变量(即，以前的负担和温度) 它分别地以到本地模型和有效性函数的线性、非线性的路影响短期的电需求。从短期的负担在 2002 在新英格兰预报的数字结果为 STLF 应用表明了 SSLNF 模型的精确性。