Analysis of fuzzy cognitive maps in prediction of individual household electric power consumption

eng Artykuł w języku angielskim DOI:

Aleksander Jastriebow , wyślij Katarzyna Piotrowska Politechnika Świętokrzyska w Kielcach; Wydział Elektrotechniki, Automatyki i Informatyki

Pobierz Artykuł

Abstract

This paper is devoted to the simulation analysis of application of a fuzzy cognitive map (FCM) in prediction of electric power consumption by an individual household. Fuzzy cognitive maps and multi-step supervised learning based on gradient method and real data were described. Model of the system for prediction of individual household electric power consumption was implemented on prepared software tool ISEMK (intelligent expert system based on cognitive maps). Simulation research of multi-step learning and testing of FCM were done based on real data. Chosen results of simulation were presented.

Keywords

fuzzy cognitive map, gradient method, multi-step supervised learning, prediction system

Analiza rozmytych map kognitywnych w predykcji zużycia energii elektrycznej przez gospodarstwo domowe

Streszczenie

Praca poświęcona jest analizie symulacyjnej zastosowania rozmytej mapy kognitywnej (FCM) w predykcji zużycia energii elektrycznej przez gospodarstwo domowe. Opisano rozmyte mapy kognitywne oraz wielokrokowe uczenie nadzorowane oparte na metodzie gradientowej i rzeczywistych danych. Przy pomocy opracowanego środowiska ISEMK (inteligentny system ekspertowy oparty na mapach kognitywnych) zaimplementowano model systemu predykcji zużycia energii elektrycznej przez gospodarstwo domowe. Przeprowadzono badania symulacyjne wielokrokowego uczenia oraz testowania działania rozmytej mapy kognitywnej na podstawie rzeczywistych danych. Przedstawiono wybrane wyniki symulacji.

Słowa kluczowe

metoda gradientowa, predykcja, rozmyte mapy kognitywne, system predykcyjny, wielokrokowe uczenie nadzorowane

Bibliografia

  1. Douali N., Roo .T.D.. Papageorgiou E.I.. Jaulent M.C., Case Based Fuzzy Cognitive Maps (CBFCMs: New method for medical reasoning, IEEE International Conference of Fuzzy Systems, 2011, 844-850.
  2. Froelich W., Wakulicz-Deja A., Learning Fuzzy Cognitive Maps from the Web for Stock Market Decision Support System, [in:] Węgrzyn-Wolska K.M., Szczepaniak P.S. (eds.) Adv. In Intel. Web, ASC 43, Springer-Verlag, Heidelberg, 2007, 106-111.
  3. [http://archive.ics.uci.edu/ml] UCI Machine Learning Repository, Irvine, CA. University of California. School of Information and Computer Science Dataset by Hebrail G. and Berard A. (January 2013).
  4. Iakovidis D.K., Papageorgiou E.I., Intuitionistic Fuzzy Cognitive Maps for Medical Decision Making, IEEE Transactions on Information Technology in Biomedicine, Vol. 15, No. 1, 2011, 100-107.
  5. Jastriebow A.. Gad S., Słoń G., Mapy kognitywne w monitorowaniu decyzyjnym. Studia i Materiały Polskiego Stowarzyszenia Zarządzania Wiedzą, Vol. 47, 2011, 64-77.
  6. Jastriebow A.I., Grzywaczewski M.. Gad S., Analysis of a certain class of discrete multidimensional system of extremal control, “Systems Analysis Modelling Simulation”, Vol. 24, 1996. 121-133.
  7. Jastriebow A., Piotrowska K., Simulation analysis of multistep algorithms of relational cognitive maps learning, [in:] Jastriebow A., Kuźmińska-Solśnia B., Raczyńska M. (eds.) Computer Technologies in Science, Technology and Education. Institute for Sustainable Technologies - National Research Institute, 2012, 126-237.
  8. Jastriebow A., Słoń G., Logistyczne zastosowania modelu rozmytej relacyjnej mapy kognitywnej, „Logistyka” 3/2012, 2012, 879-886.
  9. Kandasamy W.B.V., Smarandache F., Ilanthenral K., Elementary Fuzzy Matrix and Fuzzy Models For Social Scientists, AUTOMATON, Los Angeles. USA, 2007.
  10. Kannappan A., Tamilarasi A., Papageorgiou E.I., Analyzing the performance of fuzzy cognitive maps with non-linear hebhian learning algorithm in predicting autistic disorder, “Expert Systems with Applications”, Vol. 38, 2011, 1282-1292.
  11. Kosko B., Fuzzy cognitive maps, “Int. J. ManMachine Studies”, Vol. 24, 1986, 65-75.
  12. Papageorgiou E.I., Froelich W., Multi-step prediction of pulmonary infection with the use of evolutionary fuzzy cognitive maps, “Neurocomputing”, Vol. 92, 2012, 28-35.
  13. Piotrowska K., Zastosowanie map kognitywnych w inteligentnych systemach wspomagania podejmowania decyzji, „Logistyka”. 6/2011, 3433-3442.
  14. Piotrowska K., Implementacja inteligentnego systemu ekspertowego opartego na mapach kognitywnych, [in:] Jastriebow A.. Kuźmińska-Solśnia B.. Raczyńska M. (red.), Technologie komputerowe w rozwoju nauki, techniki i edukacji. Wydawnictwo Naukowe Instytutu Technologii Eksploatacji PIB, 2012. 91-101.
  15. Piotrowska K.. Inteligentny system ekspertowy oparty na mapach kognitywnych, „Zeszyty Naukowe Politechniki Śląskiej”, seria INFORMATYKA, Vol. 33. No. 2A (105), 2012, 605-616.
  16. Siraj A.. Bridges S.M.. Vaughn R.B., Fuzzy Cognitive Maps for decision support in an intelligent intrusion detection system, [in:] IFSA World Congress and 20th NAFIPS International Conference, Vol. 4, 2010, 2165-2170.
  17. Słoń G., Jastriebow A.. Optimization and Adaptation of Dynamic Models of Fuzzy Relational Cognitive Maps, fin:] Kuznetsov S.O. et al. (eds.), Rough Sets, Fuzzy Sets, Data Mining and Granular Computing. Lecture Notes in Artificial Intelligence, Vol. G743, Springer-Verlag, Heidelberg. 2011, 95-192.
  18. Stach W., Kurgan L.. Pedrycz W., Numerical and Linguistic Prediction of Time Series With the Use of Fuzzy Cognitive Maps, IEEE Transactions on Fuzzy Systems, Vol. 1G, No. 1, 2008. 61-72.
  19. Xiao Z.; Chen W., Li L., An integrated FCM and fuzzy soft set for supplier selection problem based on risk evaluation, “Applied Mathematical Modeling”, Vol. 3G, 2012, 1444-1454.