[论文解读] Time Series Forecasting Using Fuzzy Cognitive Maps: A Survey

Omid Orang, Petrônio Cândido de Lima e Silva+1 more|arXiv (Cornell University)|Jan 7, 2022

Cognitive Science and Mapping被引用 5

一句话总结

本综述全面概述了基于模糊认知映射（FCM）的时间序列预测模型，重点介绍了其结构、学习方法及最新进展。文中指出了非平稳性、可扩展性以及进化算法学习速度慢等关键挑战，并提出了未来研究方向，包括快速学习方法和多变量预测。

ABSTRACT

Among various soft computing approaches for time series forecasting, Fuzzy Cognitive Maps (FCM) have shown remarkable results as a tool to model and analyze the dynamics of complex systems. FCM have similarities to recurrent neural networks and can be classified as a neuro-fuzzy method. In other words, FCMs are a mixture of fuzzy logic, neural network, and expert system aspects, which act as a powerful tool for simulating and studying the dynamic behavior of complex systems. The most interesting features are knowledge interpretability, dynamic characteristics and learning capability. The goal of this survey paper is mainly to present an overview on the most relevant and recent FCM-based time series forecasting models proposed in the literature. In addition, this article considers an introduction on the fundamentals of FCM model and learning methodologies. Also, this survey provides some ideas for future research to enhance the capabilities of FCM in order to cover some challenges in the real-world experiments such as handling non-stationary data and scalability issues. Moreover, equipping FCMs with fast learning algorithms is one of the major concerns in this area.

研究动机与目标

• 系统回顾文献中最近的基于FCM的时间序列预测模型。
• 分析模糊认知映射（FCMs）在动态系统建模中的基本结构与学习机制。
• 识别FCM应用中的关键挑战，包括非平稳数据处理与可扩展性问题。
• 提出提升FCM性能的未来研究方向，特别是在快速学习与多变量预测方面。

提出的方法

• 根据数据类型（单变量/多变量）、学习策略与模型架构，对基于FCM的预测模型进行调研与分类。
• 将FCM学习方法分类为基于Hebbian的方法、基于群体的（如遗传算法GA、粒子群优化PSO）方法，以及结合FCM与人工神经网络（ANNs）或元启发式算法的混合方法。
• 分析预处理技术（如EMD、EWT、小波变换与核映射）在改善FCM输入表示方面的整合效果。
• 利用RMSE与MAE等指标，在多种数据集与预测时域上评估模型性能。
• 研究约束最小二乘法、岭回归与L-BFGS在实现更快、非进化式训练中的应用。
• 考察HFCM、FCM-MP、DFCM与LSFCM等混合模型，以提升预测精度与可解释性。

实验结果

研究问题

• RQ1 哪些学习策略在提升基于FCM的时间序列预测精度方面最为有效？
• RQ2 EMD、小波变换与核映射等预处理技术如何提升FCM的性能？
• RQ3 当前FCM模型在处理非平稳与多变量时间序列方面存在哪些局限性？
• RQ4 如何将最小二乘法或岭回归等快速学习算法整合进FCM框架？
• RQ5 在大规模、真实世界预测应用中，扩展FCM面临的主要挑战是什么？

主要发现

• 由于其可解释性与动态反馈结构，基于FCM的模型在建模非线性与不确定性时间序列方面表现出色。
• 将FCM与人工神经网络、进化算法或统计方法结合的混合模型（如HFCM、FCM+ANN）在精度上优于传统FCM。
• 尽管遗传算法（GA）与粒子群优化（PSO）等进化算法被广泛使用，但其计算成本较高，凸显了对更快替代方法的需求。
• 基于最小二乘法与岭回归的训练方法（如LSFCM、SAE+HFCM）可实现更快收敛，且在单变量与多变量预测中均表现有效。
• 预处理技术如EMD与小波变换有助于分解复杂信号，从而在非平稳环境中提升预测精度。
• 尽管已取得进展，但在多步预测、异常值处理以及将FCM扩展至大规模多变量数据集方面仍存在挑战。