시계열은 물리적 현상을 시간의 흐름에 따라 일정한 간격으로 관측하고 기록한 자료로, 이에 대한 예측 모델의 구현은 그 시계열이 가지고 있는 특징적인 패턴이나 법칙성을 규명하고 모델링함으로써 성취될 수 있다. 그런데, 우리가 현실 세계에서 빈번히 접하게 되는 비선형 시계열의 경우, 시계열의 정상성을 전제로 하는 선형회귀모델들에 의한 예측은 데이터에 내재된 특성들을 정확하게 반영하지 못할 뿐만 아니라 데이터에 포함된 불확실성에 대한 취급이 어려워 양호한 예측 성능을 기대할 수가 없다.
따라서 본 논문에서는 비선형성과 불확실성을 다루는 데 우수한 퍼지논리를 기반으로 하여 시계열의 특성에 상관없이 항상 강인한 예측을 수행할 수 있는 효과적인 시계열 예측 시스템의 설계 방법을 제안하였다. 제안된 방법에서는 우선, 원시 시계열 데이터의 숨겨진 특성들을 잘 찾아내기 위한 데이터 전처리 과정을 도입하여, 자기상관함수 분석을 통해 최적의 차분간격 군을 선정하고 이에 대응되는 차분 데이터들을 예측 모델의 입력으로 생성한다. 그런 다음, 각각의 차분 간격마다 퍼지논리의 장점과 선형 회귀모델의 장점을 모두 취할 수 있는 TSK 퍼지 규칙을 채택한 예측 모델을 설계하여 다중 모델 퍼지 예측 시스템을 구성한다. 마지막으로, 모델 선택 메커니즘에 의해, 현재 발생된 데이터에 가장 적합한 예측 모델이 선택되어 실제 예측이 수행되도록 하여 예측 성능의 최적화가 이루어지도록 하였다. 이렇게 함으로써, 원시 시계열의 특성 기술 능력을 데이터의 전처리를 통해 극대화하면서도 다중 예측 모델에 의해 패턴이나 규칙성의 시변 또는 비선형 특성에 대처할 수 있게 되어 우수한 예측 성능과 동작 강인성이 확보될 수 있다. 또한, 예측 단계에서의 최적 모델 선택으로 다수의 예측 모델의 운용에서 오는 시스템의 구조적 복잡성이나 불필요한 예측 특성의 반영 문제를 피할 수 있게 된다.
퍼지 예측 모델의 설계와 관련하여, 다양한 형태의 시계열 예측에 활용될 수 있도록 하기 위하여, 퍼지 공간 분할 기법으로는 일반적으로 널리 사용되고 있는 K-means 클러스터링 외에도 데이터의 상호간 상관성과 통계적 특성을 동시에 고려할 수 있는 새로운 계층 구조 클러스터링 기법(HCBKA)을 제안하였다. 또한 퍼지 규칙을 위한 퍼지 집합도 가장 보편적인 Type-1 외에 데이터의 불확실성을 보다 효과적으로 취급 가능하면서도 그에 따른 복잡성을 최소화할 수 있는 Interval Type-2 퍼지 집합도 활용하였다. 그러므로 본 논문에서 제시된 다중모델 퍼지 예측시스템은 퍼지 공간 분할 기법에 따라 General Type과 HCBKA Type 으로, 퍼지 집합의 형태에 따라 Type-1 형과 Interval Type-2 형으로 구분되어 이들의 조합에 의해 총 4가지 형태의 퍼지 예측 모델이 제시되었다.
모델 선택 메커니즘 또한 시계열에 따라 달리 적용할 수 있도록 정적 선택 기법과 적응 선택 기법의 2가지 방법을 제시하였다. 정적 선택 기법에서는 성능 지표를 이용하여 최적 모델을 선택하여 그 모델로만 예측을 수행하게 되며, 유전 알고리즘에 의한 재동조나 상관성에 기반한 예측오차 보정에 의해 예측 성능이 보다 효과적으로 개선될 수 있도록 하였다. 적응 선택기법에서는 러프 집합을 이용하여 데이터의 특성에 따라 실시간으로 예측 모델이 선택될 수 있도록 하였다.
따라서 제안된 기법은 일관되고 통일된 하나의 틀 안에서 다양한 종류와 특성의 시계열에 대한 효과적인 예측이 가능하며, 특히 시변 또는 혼돈 특성을 포함하는 비선형 시계열 예측에 매우 유용하다.
마지막으로, 본 논문에서는 다양한 시계열 데이터에 대한 컴퓨터 시뮬레이션을 통해 설계된 예측시스템들의 성능을 비교 분석하고, 제안된 방법의 강인성과 효용성을 검증하였다.