Blandad ordning enkelvariabel intuitionistisk fuzzy tidsserieprognosmetod baserad på ett nytt artificiellt neuralt nätverk och gråvargoptimeringsalgoritm

Varför den här prognosidén spelar roll för vardagsdata

Från kryptovalutapriser till kostnaden för att tanka eller köpa guld, hoppar finansiella siffror upp och ner på sätt som är svåra att förutse. Denna studie presenterar ett nytt sätt att omvandla gårdagens brusiga priskurvor till bättre gissningar om morgondagen, genom att blanda människoliknande nyanser av tvekan med en avancerad typ av neuralt nätverk inspirerat av hur signaler färdas genom förgrenade nervceller.

Hantering av osäkerhet mer som människor gör

De flesta prognosverktyg behandlar varje datapunkt som antingen tillhörande eller icke-tillhörande ett mönster, ungefär som en strömbrytare som är på eller av. Fuzzy-tidsseriemetoder mildrar denna syn och tillåter att data ”delvis” passar flera mönster samtidigt. Tillvägagångssättet i denna artikel tar ett steg längre genom också att spåra hur mycket en datapunkt inte passar ett mönster och hur mycket tvekan som finns däremellan. Denna rikare beskrivning, kallad en intuitionistisk fuzzy-tidsserie, låter modellen representera inte bara partiell överensstämmelse utan också uttryckligt motsägelse och kvarvarande osäkerhet om var ett värde verkligen hör hemma.

Låta två perspektiv på data lära sig tillsammans

Författarna konstruerar en prognosmodell som behandlar medlemskaps- och icke-medlemskapsinformation som två parallella vyer av samma tidsserie. Först grupperar en klustringsprocedur historiska data i fuzzy-regioner och tilldelar varje punkt tre poäng: hur mycket den tillhör, hur mycket den inte tillhör och hur osäker modellen är. Dessa poäng, tillsammans med de råa tidigare värdena, matas sedan in i ett specialneuronätverk. En del av nätverket fokuserar på medlemskapssidan, medan en annan del fokuserar på icke-medlemskapssidan. Varje del lär sig sina egna interna relationer och producerar sin egen prognos av nästa värde.

Ett neuralt nätverk format som förgrenande neuroner

I stället för att använda ett standardlageruppbyggt nätverk förlitar sig metoden på en dendritisk neuronmodell som efterliknar den förgrenade strukturen hos biologiska neuroner. Signalernas passerar först genom ett synapslager, multipliceras sedan längs dendritiska grenar, summeras i ett membranlager och transformeras slutligen till en utgång i somalagret. I den föreslagna kombinerade designen finns separata dendritiska vägar för medlemskaps- och icke-medlemskapsingångar. Deras utgångar blandas sedan med en vikt som systemet lär sig automatiskt. Denna struktur gör det möjligt för modellen att fånga komplexa interaktioner i data samtidigt som den behåller en relativt kompakt arkitektur.

Gråvargar finjusterar nätverkets många rattar

Att träna ett så detaljerat nätverk innebär att justera många interna vikter och trösklar. I stället för att förlita sig på vanlig gradientbaserad träning, som kan fastna i lokalt dåliga lösningar, använder författarna en naturinspirerad strategi kallad gråvargoptimeringsalgoritm. Här utforskar virtuella ”vargar” olika inställningar för nätverksparametrarna, styrda av en hierarki som imiterar hur verkliga vargflockar jagar. Med tiden sluter flocken sig kring parametervärden som minimerar prognosfel, inklusive den avgörande balansen mellan medlemskaps- och icke-medlemskapsgrenarna.

Bättre prognoser på viktiga finansiella serier

Forskningsteamet testar sin metod på fyra välkända finansiella tidsserier: Bitcoin, råolja, euron mot US-dollarn och guldpriser. De delar varje dataset i tränings-, validerings- och testdelar och jämför sitt tillvägagångssätt med flera välkända fuzzy- och intuitionistiska fuzzy-prognosmodeller. Över dessa fall uppnår den nya metoden ofta den lägsta genomsnittliga prognosfelet, och när den inte hamnar i topp ligger den ändå mycket nära den bästa konkurrenten. Resultaten tyder på att låta modellen lära sig både från överensstämmelse och motsägelse med varje mönster, inom ett dendritiskt nätverk finjusterat av gråvargar, kan ge mer exakta och stabila prognoser.

Vad detta betyder för framtida prognosverktyg

Enkelt uttryckt visar artikeln att en noggrannare hantering av osäkerhet och en rikare, mer biologiskt inspirerad nätverksstruktur kan förbättra kortsiktiga förutsägelser för verkliga finansiella data. Tillvägagångssättet är fortfarande inriktat på en variabel åt gången, men det pekar mot prognossystem som använder flera nyanser av tro och tvekan i stället för en enda skarp linje. Med vidareutveckling skulle liknande idéer kunna hjälpa analytiker och automatiska system att fatta mer välgrundade beslut där osäkra tidsbaserade data har en avgörande roll.

Citering: Cansu, T., Bas, E. & Egrioglu, E. Mixed order single variable intuitionistic fuzzy time series forecasting method based on a new artificial neural network and grey wolf optimization algorithm. Sci Rep 16, 15682 (2026). https://doi.org/10.1038/s41598-026-45059-2

Nyckelord: finansiell prognostisering, fuzzy tidsserier, artificiella neurala nätverk, gråvargoptimering, intuitionistiska fuzzy-mängder