Combining Embeddings and Fuzzy Time Series for High-Dimensional Time Series Forecasting in Internet of Energy Applications
Universidade Federal de Minas Gerais（米纳斯吉拉斯联邦大学）；Federal University of Minas Gerais（米纳斯吉拉斯联邦大学）；Federal Institute of Education Science and Technology of Northern Minas Gerais（北米纳斯吉拉斯联邦教育科学技术学院）
住宅用电量的预测对于帮助智能电网管理和保存能源以确保有效使用至关重要。在客户层面进行准确的能源预测将直接反映在整个电网系统的效率提高中，然而，由于气象和占用模式等许多影响因素，预测建筑物能源使用是一项复杂的任务。此外，由于多传感器环境的出现以及能源消费者和智能电网之间的双向通信，高维时间序列越来越多地出现在能源互联网（IoE）中。因此，能够计算高维时间序列的方法在智能建筑和万物互联应用中具有重要价值。模糊时间序列（FTS）模型作为数据驱动的非参数模型，具有易于实现和高精度的特点。不幸的是，现有的FTS模型可能是不可行的，如果所有的功能都用于训练模型。我们提出了一种新的方法来处理高维时间序列，通过将原始高维数据投影到一个低维嵌入空间，并在这个低维表示中使用多变量FTS方法。将这些技术结合起来，可以更好地表示多变量时间序列的复杂内容，并进行更准确的预测。
2021-12-03 cs.AI cs.LG
Rule-based Evolving Fuzzy System for Time Series Forecasting: New Perspectives Based on Type-2 Fuzzy Sets Measures Approach
Federal University of Juiz de Fora（茹伊斯迪福拉联邦大学）
本文提出结合参与式学习、核递归最小二乘与二型模糊逻辑的 ePL-KRLS-FSM+ 模型，通过构建和度量二型模糊集提升混沌时间序列预测精度，并在 Mackey-Glass 和 TAIEX 数据集上以更低误差和更少规则优于现有方法。
2025-02-05 cs.LG stat.ML
Causal Graph Fuzzy LLMs: A First Introduction and Applications in Time Series Forecasting
Federal Institute of Northern Minas Gerais（巴西北矿联邦理工学院）；Graduate Program in Electrical Engineering（电气工程研究生项目）；Universidade Federal de Minas Gerais（伯南巴西联邦大学）；Graduate Program in Computer Science（计算机科学研究生项目）；Federal University of Minas Gerais（伯南巴西联邦大学）；Future Lab（未来实验室）
提出融合模糊时间序列与因果图的 CGF-LLM 框架，将多变量时间序列转换为可解释文本表示并输入 GPT-2，在四个数据集上验证了预测有效性。
2025-07-22 cs.AI cs.LG
High-dimensional Multivariate Time Series Forecasting in IoT Applications using Embedding Non-stationary Fuzzy Time Series
Universidade Federal de Minas Gerais（米纳斯吉拉斯联邦大学）
在物联网（IoT）中，数据从不同的数据源连续记录，设备可能会在其嵌入式电子设备中出现故障，从而导致高维数据集和概念漂移事件。因此，能够处理高维非平稳时间序列的方法在物联网应用中具有重要价值。模糊时间序列（FTS）模型作为数据驱动的非参数模型，具有易于实现和高精度的特点。不幸的是，FTS遇到困难时，处理数据集的许多变量和场景的概念漂移。提出了一种新的处理高维非平稳时间序列的方法，将高维数据投影到低维嵌入空间，并利用FTS方法。将这些技术结合起来，可以更好地表示非平稳多变量时间序列的复杂内容和准确的预测。我们的模型能够解释98%的方差，达到11.52%的RMSE，2.68%的MAE和2.91%的MAPE。
2021-07-20 cs.AI cs.LG cs.SY
Forecasting in Non-stationary Environments with Fuzzy Time Series
Federal University of Minas Gerais（米纳斯吉拉斯联邦大学）；Federal Institute of Education Science and Technology of Northern Minas Gerais（北米纳斯吉拉斯联邦教育、科学与技术学院）；Federal Institute of Education Science and Technology of Minas Gerais（米纳斯吉拉斯联邦教育、科学与技术学院）；Federal University of Ouro Preto（欧鲁普雷图联邦大学）；Braude College of Engineering（布劳德工程学院）
本文介绍了一种非平稳模糊时间序列（NSFTS）方法，该方法具有根据数据分布自适应调整的时变参数。在这种方法中，我们采用非平稳模糊集，其中扰动函数用于适应知识库中的隶属函数参数，以响应时间序列中的统计变化。所提出的方法是能够动态地适应其模糊集，以反映在随机过程的基础上的残余误差的变化，而不需要重新训练的模型。该方法可以处理非平稳和异方差数据以及概念漂移的场景。所提出的方法允许模型只训练一次，并且在保持合理的准确性的同时长期保持有用。通过计算实验的方法的灵活性进行了测试与8个合成的非平稳时间序列数据与几种概念漂移，四个真实的市场指数（道琼斯，纳斯达克，SP 500和TAIEX），三个真实的外汇对（欧元-美元，欧元-英镑，英镑-美元），和两个真实的加密货币汇率（比特币-美元和以太坊-美元）。作为竞争对手的模型的时间变量模糊时间序列和增量Entrance的使用，这是两个主要的方法来处理非平稳数据集。采用非参数检验来检验结果的显著性。所提出的方法显示出弹性的概念漂移，通过调整参数的模型，同时保持知识库的符号结构。
2020-04-27 cs.AI cs.CE cs.LG
Risk-Aware Financial Forecasting Enhanced by Machine Learning and Intuitionistic Fuzzy Multi-Criteria Decision-Making
Sakarya University（萨卡里亚大学）；University of East Sarajevo（东萨拉热窝大学）；Korea University（高丽大学）；Necmettin Erbakan University（内吉梅丁·埃尔巴坎大学）；Singapore University of Social Sciences（新加坡社会科学大学）
本研究通过整合机器学习与直觉模糊多准则决策方法，提升金融预测的准确性和风险控制能力。
2025-12-11 cs.LG math.OC q-fin.ST
FANTF: Fuzzy attention network based transformers for time series analysis
本文提出 FANTF 框架，通过将模糊逻辑与模糊隶属函数嵌入 Transformer 自注意力模块，有效处理时间序列数据的不确定性，显著提升了预测、分类与异常检测性能。
2026-10-16 cs.LG
GARCH-FIS: A Hybrid Forecasting Model with Dynamic Volatility-Driven Parameter Adaptation
本文提出GARCH-FIS模型，通过融合模糊推理系统与GARCH模型，动态适应波动性变化，提升多步预测精度与稳定性。
2026-03-16 cs.LG
From Numbers to Prompts: A Cognitive Symbolic Transition Mechanism for Lightweight Time-Series Forecasting
School of Electrical Engineering, Korea University（韩国大学电气工程学院）
本文提出STM机制，通过符号抽象和提示工程实现高效时间序列预测，显著提升模型效率并降低资源消耗。
2026-01-23 cs.AI cs.LG
Optimally fuzzy temporal memory
Boston University（波士顿大学）
任何有能力预测结构化时变信号未来的学习者都必须保持对最近过去的记忆。如果信号具有与未来预测相关的特征时标，则存储器可以是简单的移位寄存器--一个延伸到过去的移动窗口，需要随着要表示的时标线性增长的存储资源。然而，一个独立的通用学习器不能先验地知道信号的特征预测相关的时间尺度。此外，许多自然发生的信号显示出无标度的长程相关性，这意味着自然预测相关的时间尺度基本上是无界的。因此，学习者应该在资源可用性允许的最长时间内维护信息。在这里，我们构建了一个模糊记忆系统，最佳牺牲的时间准确性的信息在一个无标度的方式，以表示预测相关的信息，从指数长的时间尺度。通过几个示例，我们证明了模糊记忆系统在自然信号时间序列预测中优于移位寄存器。当可用的存储资源是有限的，我们建议，一个通用的学习者会更好地致力于这样一个模糊记忆系统。
2013-10-22 cs.AI cs.LG
Comparison of Forecasting Methods of House Electricity Consumption for Honda Smart Home
Eastern Mediterranean University（东地中海大学）
建筑物的用电量占城市能源消耗的主要部分。电力消耗预测有助于开发家庭能源管理系统，从而在未来设计出更可持续的房屋，并减少能源消耗总量。建筑物中的能源性能受到许多因素的影响，如环境温度，湿度和各种电气设备。因此，多变量预测方法比单变量预测方法更可取。本田灵巧家庭美国数据集被选中，以比较三种方法，最大限度地减少预测误差，MAE和RMSE：人工神经网络，支持向量回归，和模糊规则为基础的回归系统，通过构建许多模型，为每种方法的多变量数据集在不同的时间。比较表明，支持向量回归机是一种优越的方法。
2022-08-11 cs.AI cs.LG
Adherence Forecasting for Guided Internet-Delivered Cognitive Behavioral Therapy: A Minimally Data-Sensitive Approach
University of Oslo（奥斯陆大学）；University of Bergen（卑尔根大学）；Haukeland University Hospital（豪克兰大学医院）
互联网提供的心理治疗（IDPT）被视为一种有效和可扩展的途径，以提高精神卫生保健的可及性。在这种情况下，由于医疗保健专业人员和患者之间的互动减少，治疗依从性是一个特别相关的挑战。与此同时，围绕个人数据使用的法规的增加，例如通用数据保护法规（GDPR），使数据最小化成为IDPT实际实施的核心考虑因素。因此，这项工作提出了一种基于自我注意力的深度学习方法来执行自动遵守预测，同时仅依赖于最低限度敏感的登录/注销时间戳数据。这种方法在包含342名接受引导性互联网交付认知行为疗法（G-ICBT）治疗的患者的数据集上进行了测试。在这342例患者中，根据本研究中使用的依从性定义（即，在56天内至少8次与平台连接持续时间超过1分钟），101例（约30%）被视为非依从性（脱落）。所提出的模型实现了超过70%的平均平衡准确度，在治疗的56天中只有20天（约1/3）已经过去。这项研究表明，G-ICBT的自动遵守预测，是可以实现的，只使用最低限度的敏感数据，从而促进在现实世界中的IDPT平台，这些工具的实施。
2022-09-04 cs.CY cs.LG
Online learning of windmill time series using Long Short-term Cognitive Networks
Hasselt University（哈塞尔特大学）；Tilburg University（蒂尔堡大学）；Warsaw University of Technology（华沙理工大学）；Universidad de Talca（塔尔卡大学）
预测风车时间序列通常是其他过程的基础，如异常检测，健康监测或维护调度。风车农场产生的大量数据使在线学习成为最可行的策略。这样的设置需要在每次有新的一批数据可用时重新训练模型。然而，使用传统的递归神经网络（RNN）来更新模型的新信息通常非常昂贵。在本文中，我们使用长短期认知网络（LSTCN）预测风车时间序列在线设置。这些最近引入的神经系统由链式短期认知网络块组成，每个块处理一个时间数据块。这些块的学习算法基于非常快速的确定性学习规则，使得LSTCN适合于在线学习任务。使用四个风车的案例研究的数值模拟表明，我们的方法相对于简单的RNN，长短期记忆，门控递归单元和隐马尔可夫模型的预测误差最低。也许更重要的是，LSTCN方法比这些最先进的模型快得多。
2021-09-16 cs.AI cs.LG
An adaptive network-based approach for advanced forecasting of cryptocurrency values
Newcastle University（纽卡斯尔大学）；Kent State University（肯特州立大学）
本文提出基于ANFIS的架构，利用BTC、ETH及其dominance的日线数据，通过混合和反向传播算法及多种聚类方法，实现未来七天加密货币价格的短期预测。
2024-02-04 cs.CE cs.CR cs.LG
Adaptive Forecasting of Non-Stationary Nonlinear Time Series Based on the Evolving Weighted Neuro-Neo-Fuzzy-ANARX-Model
Central China Normal University（华中师范大学）；Kharkiv National University of Radio Electronics（哈尔科夫国立无线电电子大学）
本文介绍了一种进化加权神经网络-neo-fuzzy-ANARX模型及其学习过程。该系统主要用于时间序列预测。该系统可以被认为是以并行方式处理数据的元素池。所提出的演进系统可以提供在线处理数据流。
2016-10-20 cs.AI cs.NE
Assessing the significance of longitudinal data in Alzheimer's Disease forecasting
Cornell University（康奈尔大学）；Cornell Tech（康奈尔科技学院）；Weill Cornell Medicine（威尔康奈尔医学院）
本研究利用Transformer编码器模型LongForMAD，证明纳入纵向患者数据能显著提升阿尔茨海默病进展预测的准确性，支持临床采用纵向数据以改善早期检测与监测。
2024-05-27 cs.LG
Deep learning for comprehensive forecasting of Alzheimer's Disease progression
Unlearn.AI, Inc.（Unlearn.AI公司）
大多数从电子健康数据进行机器学习的方法只能预测单个端点。在这里，我们提出了一种替代方案，使用无监督的深度学习来模拟详细的患者轨迹。我们使用的数据包括18个月的轨迹44个临床变量从1908例轻度认知障碍或阿尔茨海默病的训练模型的个性化预测疾病的进展。我们模拟合成患者数据，包括认知检查，实验室检查的每个子组件的演变，以及它们与基线临床特征的关联，生成预测及其置信区间。我们的无监督模型预测ADAS-Cog总分的变化，其准确性与专门训练的监督模型相同，并将与单词回忆相关的子成分识别为进展的预测。同时模拟数十种患者特征的能力是实现阿尔茨海默病个性化医疗的关键一步。
2018-11-07 cs.LG q-bio.QM stat.ML
A Predictive Model of Digital Information Engagement: Forecasting User Engagement With English Words by Incorporating Cognitive Biases, Computational Linguistics and Natural Language Processing
State University of New York at Albany（纽约州立大学奥尔巴尼分校）；Google（谷歌公司）
本研究提出READ模型，结合认知偏差、计算语言学和自然语言处理预测数字信息参与度，通过大规模调查验证，以84%准确率区分同义词参与度，具有跨领域应用潜力。
2023-07-26 cs.CL cs.HC cs.LG
DECODE: Dual-Enhanced Conditioned Diffusion for EEG Forecasting
Concordia Institute for Information Systems Engineering (CIISE), Concordia University, Canada. Department of Electrical；Computer Engineering, University of Toronto, Canada
DECODE通过结合自然语言描述与历史信号的时序动态，实现对认知事件特定神经响应的预测，达到亚微伏精度。
2026-02-25 cs.CL cs.HC cs.LG
Time Series Forecasting via Semi-Asymmetric Convolutional Architecture with Global Atrous Sliding Window
Peking University（北京大学）
本文提出的方法是为了解决时间序列预测问题。虽然一些设计精巧的模型取得了很好的预测效果，但如何提取更多有用的信息并做出准确的预测仍然是一个悬而未决的问题。大多数现代模型只关注短期信息，这对于需要捕捉长期信息特征的时间序列预测等问题来说是致命的。因此，这项工作的主要关注点是进一步挖掘时间序列中包含的局部和全局信息之间的关系，以产生更精确的预测。在本文中，令人满意地实现这一目的，我们做了三个主要的贡献，实验验证具有性能优势。首先，原始时间序列被转换成差分序列作为输入到所提出的模型。其次，在预测模型中引入全局atrous滑动窗口，引入模糊时间序列的概念，将相关的全局信息与一定时间段内的时态数据相关联，并利用中心双向atrous算法捕获潜在的相关特征，保证捕获数据的有效性和一致性。第三，设计了广泛使用的非对称卷积的变体，称为半非对称卷积，以更灵活地提取相邻元素之间的关系以及相应的关联全局特征，并且在垂直和水平方向上具有可调的卷积范围。本文提出的模型在大多数时间序列数据集上与竞争对手的现代模型相比达到了最先进的水平。
2023-01-31 cs.AI cs.LG
Time Evidence Fusion Network: Multi-source View in Long-Term Time Series Forecasting
Institute of Fundamental and Frontier Science, University of Electronic Science and Technology of China（电子科技大学基础与前沿科学学院）；Key Laboratory of High Confidence Software Technologies (Peking University), Ministry of Education（北京大学高可信软件技术重点实验室）；School of Computer Science, Peking University（北京大学计算机学院）；China Mobile Information Technology Center（中国移动信息科技中心）；PyPOTS Research（PyPOTS研究团队）；Squirrel Ai Learning
针对时间序列预测的准确性与效率需求，提出基于证据理论的 Time Evidence Fusion Network (TEFN)，通过 BPA 模块从通道和时间维度捕捉不确定性并进行多源信息融合，在保持低复杂度和高可解释性的同时实现了领先的预测性能。
2025-08-06 cs.AI cs.LG cs.NE
Ensemble Forecasting of Monthly Electricity Demand using Pattern Similarity-based Methods
Częstochowa University of Technology（琴斯托霍瓦工业大学）
本文提出了一种基于模式相似性的月电力需求集成预测方法。本研究所应用的PSFM包括$k$ -最近邻模型、模糊邻域模型、核回归模型和一般回归神经网络。PSFM的组成部分是使用时间序列序列模式的时间序列表示。模式表示通过趋势滤波和方差均衡保证了输入和输出数据的统一。创建了两种类型的集成：异构和同质。前者由不同类型的基础模型组成，而后者由单一类型的基础模型组成。五种策略用于控制同质方法中的成员多样性。使用不同的训练数据子集、不同的特征子集、随机干扰的输入和输出变量以及随机干扰的模型参数来生成多样性。实证说明适用于合奏模型以及个人PSFM比较，每月的电力需求预测为35个欧洲国家。
2020-03-29 cs.LG stat.ML
Evolutionary Algorithms for Fuzzy Cognitive Maps
模糊认知图（FCM）是一种复杂系统建模技术，由于其独特的优势，最近兴起的流行。它们基于表示要建模的系统参数之间的因果关系的图形，并且它们以其可解释性和灵活性而突出。随着FCM的后期普及，已经进行了大量的研究工作来开发和优化该模型。FCM最重要的元素之一是它们使用的学习算法，它们的有效性在很大程度上取决于它。学习算法学习FCM的节点权重，目标是收敛到期望的行为。本研究回顾了用于训练FCM的遗传算法，以及给出了一个一般概述的FCM学习算法，把进化计算到更广泛的背景下。
2020-12-19 cs.AI cs.NE
A Neuro-Fuzzy System for Interpretable Long-Term Stock Market Forecasting
Faculty of Electrical Engineering University of Ljubljana（电气工程系 萨格勒布大学）
针对多元时间序列预测中准确性与可解释性难以兼顾的问题，提出结合多头自注意力与模糊推理的Fuzzformer架构，在S&P500数据集上性能与传统模型相当，具备可解释性，为股市行为分析预测提供新方向。
2025-10-01 cs.AI cs.NE cs.SY
A Novel Method for Stock Forecasting based on Fuzzy Time Series Combined with the Longest Common/Repeated Sub-sequence
National Chi-Nan University（国立暨南国际大学）
股票价格预测对投资者来说是一个重要的问题，因为极端准确的预测可以带来高利润。模糊时间序列（FTS）和最长共同/重复子序列（LCS/LRS）是价格预测的两个重要问题。然而，据我们所知，没有显着的研究使用LCS/LRS预测股票价格。价格不可能与历史价格完全相同。因此，本文提出了一种结合FTS和LCS/LRS的股票价格预测方法。这种方法是基于历史会重演的原则。它使用不同的区间长度在FTS的价格模糊化，LCS/LRS寻找相同的模式，在历史价格预测未来的股票价格。在实验中，我们检查各种区间的模糊时间集，以达到高的预测精度。所提出的方法优于传统的方法在预测精度方面，而且，它是易于实现的。
2015-06-21 cs.AI cs.CE cs.NE
Inaccuracy Minimization by Partioning Fuzzy Data Sets - Validation of Analystical Methodology
Adhiparasakthi College of Arts and Science（阿迪帕拉萨基艺术与科学学院）；Vinayaka Mission（维纳亚卡使命会）；Madras Institute of Technology（马德拉斯理工学院）；Anna University（安娜大学）
在过去的二十年中，已经提出了一些方法的基础上模糊时间序列的预测。大多数的模糊时间序列方法被提出用于预测汽车道路交通事故。然而，现有的方法的预测准确率不够好。在本文中，我们提出了新的模糊时间序列预测方法与现有的方法进行了比较。我们的方法是基于手段基于划分的历史数据的汽车交通事故。该方法属于k阶时变方法。与现有方法相比，该方法对道路交通事故的预测准确率最高。
2010-05-24 cs.AI
Non-invasive modelling methodology for the diagnosis of Coronary Artery Disease using Fuzzy Cognitive Maps
University of Patras（帕特雷大学）
心血管疾病（CVD）和中风在全球造成巨大的健康和经济负担。冠状动脉疾病（CAD）是最常见的心血管疾病类型。冠状动脉造影术是一种侵入性治疗，也是诊断CAD的标准程序。在这项工作中，我们说明了一个医疗决策支持系统的预测冠状动脉疾病（CAD）利用模糊认知地图（FCM）。FCM是一种很有前途的建模方法，它基于人类知识，能够处理模糊性和不确定性，并学习如何适应未知或变化的环境。新提出的MDSS是使用模糊逻辑和模糊认知图的基本概念，与一些调整，以改善结果。该模型在303名患者的标记CAD数据集上进行了测试，获得了78.2%的准确率，超过了几种最先进的分类算法。
2020-04-02 cs.AI
Achieving greater Explanatory Power and Forecasting Accuracy with Non-uniform spread Fuzzy Linear Regression
Meghnad Saha Institute of Technology（梅格纳德·萨哈理工学院）；Netaji Subhas Open University（苏巴斯·钱德拉·鲍斯开放大学）
模糊回归模型已被应用于几个运筹学应用，即，预测和预报。早期的模糊回归分析工作获得清晰的回归系数，以消除随着自变量的大小增加而估计的模糊响应的扩展的问题。但它们无法解决利差不均匀的问题。在这项工作中，一个三阶段的方法被讨论来构建模糊回归模型与非均匀传播来处理这个问题。第一阶段基于延拓原理构造回归系数最小二乘估计的隶属函数，以完全保持观测值的模糊性。在第二阶段，用面积中心法对它们进行去模糊化，得到清晰的回归系数。最后，该方法的误差项通过将每个估计的展布设置为等于其对应的观测展布来确定。多木-菅野推理系统用于提高预测的准确性。仿真实例表明，模糊线性回归模型具有较高的解释力和预测性能。
2013-07-07 cs.AI
Forecasting the Progression of Alzheimer's Disease Using Neural Networks and a Novel Pre-Processing Algorithm
The Nueva School（Nueva学校）
阿尔茨海默病（Alzheimer's disease，AD）是老年人最常见的神经退行性疾病。尽管为寻找治疗AD的方法付出了相当大的努力，但AD药物的临床试验失败率为99.6%，这可能是因为AD患者在早期阶段不易识别。该项目研究了机器学习方法，以预测未来几年患者的临床状态，从而使AD研究受益。从阿尔茨海默病神经影像学倡议（ADNI）数据库中获得了1737例患者的临床数据，并使用“全对”技术进行处理，这是一种为该项目创建的新方法，涉及比较每个患者的所有可能的时间数据点对。这些数据随后被用于训练各种机器学习模型。使用训练数据集的7倍交叉验证对模型进行评估，并使用来自单独测试数据集（110名患者）的数据进行确认。神经网络模型是有效的（mAUC = 0.866），在预测AD的进展，按月的基础上，在患者谁最初的认知正常和轻度认知功能障碍的患者。这种模型可用于识别处于AD早期阶段的患者，因此这些患者是AD治疗药物临床试验的良好候选人。
2019-03-22 cs.LG q-bio.QM stat.ML
Symptom based Hierarchical Classification of Diabetes and Thyroid disorders using Fuzzy Cognitive Maps
St. Francis Institute of Technology（圣弗朗西斯理工学院）
模糊认知图（FCM）是一种软计算技术，它遵循类似于人类推理和人类决策过程的方法，使其成为一种有价值的建模和仿真方法。医疗决策系统是一个复杂的系统，由许多因素组成，这些因素可能是互补的，矛盾的，竞争的;这些因素相互影响，并以不同的程度决定整体诊断。因此，FCM适合于医疗决策支持系统的建模。因此，拟议的工作使用以分层结构排列的FCM对糖尿病、甲状腺疾病及其亚型进行分类。亚型包括1型和2型糖尿病和甲状腺功能亢进症和甲状腺功能减退症的甲状腺。
2021-08-08 cs.AI
From Cognitive to Computational Modeling: Text-based Risky Decision-Making Guided by Fuzzy Trace Theory
The University of Auckland（奥克兰大学）
由于内在的个体差异和非理性，理解，建模和预测人类风险决策是具有挑战性的。模糊迹理论（FTT）是一种强大的范式，它通过结合要点来解释人类决策，即，信息的模糊表示，只捕捉其本质意义。受Broniatowski和Reyna的FTT认知模型的启发，我们提出了一个计算框架，它结合了底层语义和情感对基于文本的决策的影响。特别是，我们引入类别2-向量学习分类主义者和分类情绪，并展示了如何优化我们的计算模型，以预测群体和个人的风险决策。
2022-05-15 cs.AI cs.CL
Introducing Randomized High Order Fuzzy Cognitive Maps as Reservoir Computing Models: A Case Study in Solar Energy and Load Forecasting
Federal University of Minas Gerais（米纳斯吉拉斯联邦大学）；Federal Institute of Education Science and Technology of Northern Minas Gerais（北米纳斯吉拉斯联邦教育科技学院）；Universidade Federal de Minas Gerais（米纳斯吉拉斯联邦大学）
模糊认知图（FCM）是一种可解释的符号加权有向图方法，它由节点（概念）和表示概念之间依赖关系的权重组成。虽然FCM在各种时间序列预测应用中取得了相当大的成就，但设计具有时间效率的训练方法的FCM模型仍然是一个开放的挑战。因此，本文介绍了一种新的单变量时间序列预测技术，它是由一组随机高阶FCM模型标记为R-HFCM。所提出的R-HFCM模型的新颖性与将FCM和回声状态网络（ESN）的概念合并为高效且特定的一类储备池计算（RC）模型有关，其中最小二乘算法被应用于训练模型。从另一个角度来看，R-HFCM的结构由输入层，水库层和输出层组成，其中只有输出层是可训练的，而每个子水库组件的权重是随机选择的，并且在训练过程中保持恒定。作为案例研究，该模型考虑了巴西太阳能发电站的公共数据以及马来西亚数据集的太阳能预测，其中包括马来西亚柔佛市供电公司的每小时电力负荷和温度数据。实验还包括地图大小、激活函数、偏差的存在以及储层大小对R-HFCM方法精度的影响。所得到的结果证实了所提出的R-HFCM模型的性能优于其他方法。这项研究提供的证据表明，FCM可以是一种新的方式来实现一个水库的动态时间序列建模。
2022-01-07 cs.AI cs.LG cs.NE
Combining Fuzzy Cognitive Maps and Discrete Random Variables
AGH University of Science and Technology（AGH科技大学）
在本文中，我们提出了一个扩展的模糊认知地图（FCM），旨在聚合成一个并行运行的推理任务的数量。所描述的方法包括用随机变量替换概念的实值激活水平（以及进一步的影响权重）。这样的扩展，其次是实现的软件工具，允许确定概念激活水平达到的范围，敏感性分析以及多个推理结果的统计分析。我们取代乘法和加法运算符出现在FCM状态方程的适当卷积适用于离散随机变量。为了使该模型在计算上可行，它进一步增加了离散随机变量的聚合操作。我们讨论了四个实现的聚合器，以及我们报告的初步测试结果。
2015-12-29 cs.AI
A Spatial-Temporal Decomposition Based Deep Neural Network for Time Series Forecasting
University of California Irvine（加州大学欧文分校）
空间时间序列预测问题出现在广泛的应用中，例如环境和交通问题。这些问题是具有挑战性的，因为存在特定的空间，短期和长期的模式，以及维数灾难。在本文中，我们提出了一个深度神经网络框架的大规模空间时间序列预测问题。我们明确地设计了神经网络架构，用于捕获各种类型的模式。在预处理中，采用时间序列分解方法，将短期、长期和空间模式分别输入神经网络的不同组成部分。模糊聚类方法发现集群的相邻时间序列的时间序列残差的相似性的基础上，因为它们可以是有意义的短期模式的空间时间序列。在神经网络架构中，多核卷积层的每个核被应用于一个时间序列簇，以提取相邻区域的短期特征。卷积层的输出由趋势连接，然后是卷积-LSTM层，以捕获更大区域的长期模式。为了在面对缺失数据时进行稳健的预测，一个无监督的预训练去噪自动编码器在微调步骤中重建模型的输出。实验结果表明，该模型在交通流预测数据集上的性能优于基线模型和最先进的模型。
2019-02-02 cs.LG stat.ML
Classification and Feature Transformation with Fuzzy Cognitive Maps
模糊认知图（FCM）被认为是一种结合了模糊逻辑和递归神经网络的软计算技术。它们在诸如系统行为建模、时间序列预测、决策制定和过程控制等领域有着广泛的应用。然而，较少的注意力已经转向使用它们在模式分类。在这项工作中，我们提出了一个基于FCM的分类与完全连接的地图结构。与期望在推理过程中达到稳定系统状态的方法相比，我们选择在收集输出标签之前执行一些FCM迭代（步骤）。使用梯度算法学习权重，并使用对数损失或交叉熵作为成本函数。我们的主要目标是验证，这样的设计是否会导致下降的通用分类器，与现成的经典方法的性能相当。由于初步的结果是有希望的，我们研究了一个假设，即$d$ -步骤分类器的性能可以归因于一个事实，即在以前的$d-1$步骤中，它通过对属于给定类的观测进行分组来转换特征空间，使它们变得更加紧凑和可分离。为了验证这一假设，我们计算了三个聚类得分的变换后的特征空间。我们还评估了从基于FCM的数据Transformer构建的管道的性能，然后是分类算法。标准的统计分析证实了基于FCM的分类器的性能及其改善数据的能力。支持原型软件使用TensorFlow库在Python中实现。
2021-03-08 cs.AI cs.LG
Forecasting Future Anatomies: Longitudinal Brain Mri-to-Mri Prediction
A.I. Virtanen Institute for Molecular Sciences, University of Eastern Finland, Kuopio, Finland（A.I. Virtanen分子科学研究所，东芬兰大学，库奥普io，芬兰）
本文研究从基线MRI预测未来脑部MRI，采用五种深度学习架构（UNet、U2-Net、UNETR、时间嵌入UNet和ODE-UNet）在ADNI和AIBL数据集上实现高保真体素级预测，并验证了跨队列泛化能力。
2025-11-21 cs.CV cs.LG q-bio.NC
CogniFNN: A Fuzzy Neural Network Framework for Cognitive Word Embedding Evaluation
词嵌入能够反映语义表征，嵌入质量可以用人类自然阅读相关认知数据源进行综合评价。在本文中，我们提出了CogniFNN框架，这是第一次尝试使用模糊神经网络来提取非线性和非平稳特性的英语词嵌入对相应的认知数据集的评价。在我们的实验中，我们使用了15个人类认知数据集在三种模式：EEG，fMRI和眼动跟踪，并选择均方误差和多假设检验作为指标来评估我们提出的CogniFNN框架。与最近的先驱框架相比，我们提出的CogniFNN对上下文无关（GloVe）和上下文相关（BERT）词嵌入的预测误差较小，并且对随机生成的词嵌入实现了更高的显著性比率。我们的研究结果表明，CogniFNN框架可以提供一个更准确和全面的认知词嵌入的评估。这对于进一步的外部自然语言处理任务的词嵌入评价具有潜在的意义。
2021-07-29 cs.AI cs.CL
Examining the effects of music on cognitive skills of children in early childhood with the Pythagorean fuzzy set approach
Istanbul University-Cerrahpasa（伊斯坦布尔大学-杰拉赫帕夏）；Istanbul Sabahattin Zaim University（伊斯坦布尔萨巴哈丁·扎伊姆大学）
本研究采用毕达哥拉斯模糊集方法，基于专家意见构建模型并通过期望得分函数排序，验证了幼儿期音乐教育对时空认知技能发展的促进作用，算法排序与专家结论一致。
2025-02-03 cs.AI q-bio.NC
MACTS-EM: Multi-Agent Collaborative Time Series Forecasting with Emergent Memory
Unitec Institute of Technology（Unitec理工学院）
针对现有时间序列预测方法在机制转换、跨域迁移和多模态集成上的不足，提出MACTS-EM多智能体协作框架，通过涌现记忆与元认知分配，在多个领域实现8-12%准确率提升及显著更强的零样本迁移和鲁棒性。
2026-10-05 cs.LG cs.MA
Leveraging Clickstream Trajectories to Reveal Low-Quality Workers in Crowdsourced Forecasting Platforms
University of Southern California, Information Sciences Institute（南加州大学信息科学研究所）；University of Southern California, Department of Computer Science（南加州大学计算机科学系）；University of Southern California, Department of Communication（南加州大学传播系）
群策群力通常需要处理认知要求高且耗时的任务。众包可用于复杂的注释任务，从医学成像到地理空间数据，这些数据为敏感应用提供动力，例如健康诊断或自动驾驶。然而，表现不佳的众包工作者的存在和普遍性是公认的，并可能对众包的有效性构成威胁。在这项研究中，我们提出了一个计算框架，以确定集群的表现不佳的工人使用点击流轨迹。我们专注于众包地缘政治预测。该框架可以揭示不同类型的表现不佳者，例如预测准确性远远低于人群共识的工作人员，那些为他们的预测提供低质量解释的人，以及那些简单地复制粘贴其他用户预测的人。我们的研究表明，点击流聚类和分析是利用群体智慧诊断平台中众工绩效的基本工具。
2020-09-04 cs.HC cs.LG
Interpretable Synthetic Medical Tabular Data Generation for Clinical Decision Support Using Fuzzy Cognitive Maps
University of Thessaly（色萨利大学）
本文提出基于模糊认知图的合成医学表格数据生成框架，通过可解释模糊集和因果边权重保留临床依赖，在TSTR协议下达到高准确率和隐私保护，为临床决策支持提供透明高效方案。
2026-10-30 cs.AI cs.LG
Regularized Fuzzy Neural Networks to Aid Effort Forecasting in the Construction and Software Development
CEFET-MG（米纳斯吉拉斯联邦教育与技术中心）；Faculty Una Betim（乌纳贝廷学院）
对于软件工程经理来说，预测构建软件的时间是一项非常复杂的任务。有一些复杂的因素会直接影响开发团队的生产力。与待开发系统的复杂性直接相关的因素会极大地改变与软件工厂完成工作所需的时间。这项工作提出了使用人工神经网络和模糊系统的基础上的混合系统，以协助建设一个专家系统的基础上，规则，以支持在预测的时间注定要开发的软件，根据存在于相同的元素的复杂性。通过提供基于模糊规则的可解释估计的基础，由系统获得的模糊规则集有助于软件开发的管理和控制。该模型在真实数据库上进行了测试，其结果在构建软件构建的可预测性方面具有一定的辅助机制。
2018-12-04 cs.AI
Fuzzy, Symbolic, and Contextual: Enhancing LLM Instruction via Cognitive Scaffolding
Department of Computer Science University of Regina（计算机科学系 皇家大学）
该研究探究提示层归纳偏置对大语言模型教学对话认知行为的影响，提出搭配短期记忆模式的符号支架方法，经消融实验验证完整系统优于基线，证明认知支架可有效塑造LLM的教学策略。
2025-10-29 cs.AI cs.CL
Short Term Load Forecasting Models in Czech Republic Using Soft Computing Paradigms
本文提出了一个比较研究的软计算模型，即多层感知器网络，Elman递归神经网络，径向基函数网络，Hopfield模型，模糊推理系统和混合模糊神经网络的捷克共和国的小时电力需求预测。使用七年的实际小时负荷数据对软计算模型进行了训练和测试。提出的技术预测提前2天的电力需求的比较。仿真结果表明，混合模糊神经网络和径向基函数网络是电力需求分析和预测的最佳选择。
2004-05-16 cs.AI
Deep Neural Networks and Neuro-Fuzzy Networks for Intellectual Analysis of Economic Systems
Dorodnicyn Computing Centre（多罗德尼岑计算中心）；Plekhanov Russian University of Economics（普列汉诺夫俄罗斯经济大学）
本文研究了基于深度神经网络和模糊神经网络的时间序列预测方法。此外，我们还简要回顾了基于ANFIS模型的各种预测研究。事实证明，深度学习是一种有效的方法，可以从复杂的数据源中进行高度准确的预测。此外，我们提出了我们的模型DL和神经模糊网络的这项任务。最后，我们展示了将这些模型用于数据科学任务的可能性。本文还概述了将基于规则的方法纳入深度学习神经网络的方法。
2020-11-11 cs.AI cs.NE econ.GN
Combined-distance-based score function of cognitive fuzzy sets and its application in lung cancer pain evaluation
College of Management Science, Chengdu University of Technology（成都理工大学管理科学学院）；School of Architecture and Civil Engineering, Chengdu University（成都大学建筑与土木工程学院）
针对认知模糊集距离研究不足及现有距离忽略犹豫度的问题，提出改进的闵可夫斯基距离和豪斯多夫距离，并构建组合距离及得分函数，应用于肺癌疼痛评估，验证了其可靠性和优势。
2025-09-10 cs.AI math.OC
Advancing Explainable AI with Causal Analysis in Large-Scale Fuzzy Cognitive Maps
University of Ioannina（约阿尼纳大学）；Industrial Systems Institute (ISI), Athena RC（雅典娜研究中心工业系统研究所）
本研究提出TCEC-FCM算法，通过二分搜索和图遍历技术首次实现大规模模糊认知图中概念间总因果效应的高效计算，性能优于穷举方法，推进了FCM的因果分析，拓宽了其在复杂XAI场景的应用。
2024-05-15 cs.AI
State Space Advanced Fuzzy Cognitive Map approach for automatic and non Invasive diagnosis of Coronary Artery Disease
University of Patras（帕特雷大学）
目的：本研究旨在探讨模糊认知图（FCM）在冠心病诊断中的应用，以实现冠心病的自动化、无创性诊断。研究方法：提出了一种计算机辅助诊断模型，用于使用状态空间高级FCM（AFCM）方法对CAD进行可接受的和非侵入性的预测。此外，一个基于规则的机制被纳入，以进一步增加系统的知识和决策机制的可解释性。所提出的方法进行了测试，利用CAD数据集从帕特雷大学的核医学实验室。更具体地说，设计了两种结构的AFCM，并进行了不同的参数测试。此外，所提出的AFCM，这是最近提出的新方程的基础上，与传统的FCM方法进行了比较。结果如下：实验结果表明，与传统方法相比，AFCM方法和新方程的有效性达到了78.21%，分类任务提高了7%（+7%），准确率达到了85.47%。结论：结果表明，AFCM方法在开发模糊认知地图优于传统的方法，而它构成了一个可靠的方法来诊断冠状动脉疾病。结论和未来的研究相关的冠状病毒的大流行提供。
2020-10-30 cs.AI cs.SY eess.SY
Beyond DAGs: Modeling Causal Feedback with Fuzzy Cognitive Maps
RAND Corporation（兰德公司）；Pardee RAND Graduate School（帕迪兰德研究生院）；University of Southern California（南加州大学）
模糊认知地图（FCM）模型的因果关系和政策变量交织的网络反馈因果关系。FCM是模糊符号有向图，允许因果影响和事件发生的程度。这种因果模型可以模拟广泛的政策设想和决策过程。它们的有向回路或循环直接模拟因果反馈。它们的非线性动态允许从输入原因和政策选择到输出效果的前向推理。用户可以将详细的动态和反馈链接直接添加到因果模型中，或者使用统计学习定律来推断它们。用户可以通过加权和添加底层模糊边缘矩阵来融合或组合来自多个专家的FCM，并且如果需要，可以递归地进行。如果专家样本近似于随机样本，则随着专家样本大小的增加，组合FCM倾向于更好地表示领域知识。许多因果模型使用更严格的有向无环图（DAG）和贝叶斯概率。DAG不对因果反馈进行建模，因为它们不包含闭环。组合DAG也倾向于产生循环，因此倾向于不产生新的DAG。组合DAG倾向于产生FCM。FCM因果影响也是传递性的，而概率因果影响一般是不传递的。总体而言：FCM以概率DAG的数值精度换取模式预测、更快和可扩展的计算、易于组合和更丰富的反馈表示。我们展示了如何FCM可以适用于公众支持叛乱和恐怖主义的问题，以及格雷厄姆·艾利森的修昔底德陷阱框架中的美中冲突关系。附录给出了修昔底德陷阱FCM的文本理由。它还将我们早期的定理[Osoba-Kosko 2017]扩展到更一般的结果，该结果显示了上游概念节点对下游节点施加的传递性和总因果影响。
2019-07-02 cs.AI cs.LG stat.ML
AI-Augmented Predictions: LLM Assistants Improve Human Forecasting Accuracy
London School of Economics and Political Science（伦敦政治经济学院）；Massachusetts Institute of Technology（麻省理工学院）；Federal Reserve Bank of Chicago（芝加哥联邦储备银行）；University of California San Diego（加利福尼亚大学圣迭戈分校）；University of Pennsylvania（宾夕法尼亚大学）
研究评估了两种LLM助手（超级预测和有噪声）对人类预测准确性的影响，发现前沿LLM助手显著提升预测准确性24%-28%，即使有噪声的助手也能作为有用的决策辅助工具。
2024-08-22 cs.AI cs.CL cs.CY
Cognitive Computing to Optimize IT Services
IBM
在本文中，通过主动分析IT服务台票证、客户满意度调查和社交媒体数据，解决了维护健康IT运营环境的挑战。认知解决方案通过对结构化和非结构化文本的深入分析，超越了传统的结构化数据分析。所提出的平台的显着特点包括语言识别，翻译，分层提取的最频繁出现的主题，实体及其关系，文本摘要，情感和知识提取的非结构化文本使用自然语言处理技术。此外，来自非结构化文本的见解与结构化数据相结合，允许在事件，问题和更改数据集上开发各种分类，分割和时间序列预测用例。此外，文本和预测性见解以及原始数据可用于在丰富的交互式仪表板上可视化和探索可操作的见解。然而，使用传统的结构化数据分析不仅很难找到这些见解，而且可能需要很长时间才能发现它们，特别是在处理大量非结构化数据时。通过对这些见解采取行动，组织可以从显著减少的票量，降低运营成本和提高客户满意度中受益。在各种实验中，平均而言，使用所提出的方法减少了高达18-25%的年度门票量。
2021-12-28 cs.CL cs.LG
Non-monotonic causal discovery with Kolmogorov-Arnold Fuzzy Cognitive Maps
School of Engineering, CUNEF Universidad（CUNEF大学工程学院）
本文提出Kolmogorov-Arnold模糊认知图，通过引入可学习的B-样条函数替代传统标量权重，有效建模非单调因果依赖，实验证明其在非单调推断、符号回归和混沌时间序列预测中优于传统方法。
2026-04-06 cs.AI
Unconventional Cognitive Intelligent Robotic Control: Quantum Soft Computing Approach in Human Being Emotion Estimation -- QCOptKB Toolkit Application
Institute of System Analysis and Management, Dubna State University（杜布纳国立大学系统分析与管理研究所）；Joint Institute for Nuclear Research (JINR)（联合核研究所）；Moscow State University of Geodesy and Cartography (MIIGAiK)（莫斯科测绘与制图大学）；Yamaha Motor Co. Ltd.（雅马哈发动机株式会社）
本文提出融合量子自组织知识库与模糊推理的智能认知控制策略，以提升危险情境下机器人协作系统的鲁棒性，并展示其在车载嵌入式控制和认知头盔神经接口驾驶中的应用。
2023-06-14 cs.AI cs.RO quant-ph
LLM for the development of FCM
Qwen2.5-32B
研究利用本地大语言模型开发模糊认知图，以Qwen2.5 - 32B从酒店评论提取数据构建模糊认知图，经训练、评估及外部验证，形成希腊评论的星型拓扑模糊认知图，关联评论星级与预测满意度。
2026-07-10 cs.AI cs.ET cs.GL
