Fuzzy Cognitive Map (FCM) to model reprezentacji wiedzy oparty na grafach, w którym połączenia węzłów (krawędzie) reprezentują zależności przyczynowo-skutkowe między elementami wiedzy związanymi z węzłami.

W artykule proponujemy nową metodę uczenia do szkolenia FCM, prowadzącą do adaptacyjnego FCM składającego się z kilku pod-FCM-ów. Może on wybierać różne pod-FCM-y w różnych momentach. W scenariuszu aktywnego przetwarzania, w którym mamy do czynienia z dużym szeregiem czasowym, w którym nowe dane są ciągle generowane, model prognozowania zbudowany na starych danych powinien być aktualizowany, gdy pojawiają się nowe dane. Ponadto, ponowne szkolenie FCM od podstaw wiąże się z zwiększaniem obciążenia obliczeniowego, co staje się poważną przeszkodą w wielu praktycznych scenariuszach. Aby przezwyciężyć wspomniane wyżej wady, niniejsze badanie oferuje oryginalne ustawienie projektowe, w którym FCM jest aktualizowany za pomocą mechanizmu uczenia opartego na wiedzy po raz pierwszy. W porównaniu z istniejącymi klasycznymi modelami prognozowania, proponowany model wykazuje wyższą dokładność i efektywność. Jego zwiększona wydajność jest demonstrowana poprzez serię zgłoszonych badań eksperymentalnych.