Đánh giá các mô hình dự báo chuỗi thời gian: ARIMA, LSTM và Prophet

Chuyên khảo phân tích Đánh giá các mô hình dự báo chuỗi thời gian, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên cứu tiếp theo.

• Tác giả: Đào Thị Hiền
• Người hướng dẫn: TS. Phạm Thị Thiết
• Trường học: Trường Đại Học Công Nghiệp TP. HCM
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Đánh Giá Các Mô Hình Dự Báo Chuỗi Thời Gian
• Loại tài liệu: Khóa Luận Tốt Nghiệp
• Năm xuất bản: 2021
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Mục tiêu nghiên cứu
• 1.2. Nội dung nghiên cứu
• 1.3. Đối tượng và phạm vi nghiên cứu
• 1.4. Phương pháp thực hiện
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Tổng quan về chuỗi thời gian
• 2.1.1. Chuỗi thời gian là gì?
• 2.1.2. Một số ví dụ về chuỗi thời gian
• 2.1.3. Ứng dụng của chuỗi thời gian
• 2.2. Phân tích chuỗi thời gian
• 2.2.1. Các phương pháp và mục đích sử dụng
• 2.3. Dự báo chuỗi thời gian
• 2.3.1. Một số mô hình dự báo chuỗi thời gian
• 2.3.2. Ứng dụng của dự báo chuỗi thời gian
• 3. CHƯƠNG 3: CÁC MÔ HÌNH DỰ BÁO CHUỖI THỜI GIAN
• 3.1. Mô hình ARIMA
• 3.1.1. Mô hình AR(p)
• 3.1.2. Mô hình MA(q)
• 3.1.3. Mô hình ARIMA
• 4. CHƯƠNG 4: ĐÁNH GIÁ THỰC NGHIỆM
• 4.1. Môi trường
• 4.2. Mô hình ARIMA
• 4.3. Mô hình LSTM
• 4.4. Mô hình Prophet
• 5. CHƯƠNG 5: TỔNG KẾT VÀ HƯỚNG PHÁT TRIỂN
• 5.1. Tổng kết
• 5.2. Hướng phát triển
• DANH MỤC HÌNH ẢNH
• DANH MỤC TỪ VIẾT TẮT

Tóm tắt

I. Tổng quan về mô hình dự báo chuỗi thời gian hiện nay

Mô hình dự báo chuỗi thời gian đã trở thành một công cụ quan trọng trong nhiều lĩnh vực như kinh tế, tài chính và khoa học. Việc hiểu rõ về các mô hình này giúp các nhà nghiên cứu và chuyên gia đưa ra những dự đoán chính xác hơn về các xu hướng tương lai. Trong số các mô hình phổ biến, ARIMA, LSTM và Prophet nổi bật với những ưu điểm và nhược điểm riêng. Bài viết này sẽ đi sâu vào việc đánh giá và so sánh các mô hình này.

1.1. Mô hình ARIMA Đặc điểm và ứng dụng

Mô hình ARIMA (Auto-Regressive Integrated Moving Average) là một trong những mô hình dự báo chuỗi thời gian phổ biến nhất. Nó được sử dụng rộng rãi trong phân tích dữ liệu kinh tế và tài chính. ARIMA hoạt động tốt với các chuỗi thời gian có tính chất tuyến tính và có thể được điều chỉnh để phù hợp với nhiều loại dữ liệu khác nhau.

1.2. Mô hình LSTM Tiềm năng trong dự báo

Mô hình LSTM (Long Short Term Memory) là một loại mạng nơ-ron hồi tiếp, được thiết kế để xử lý và dự đoán chuỗi thời gian. LSTM có khả năng ghi nhớ thông tin trong thời gian dài, giúp cải thiện độ chính xác của dự báo trong các tình huống phức tạp và phi tuyến tính.

1.3. Mô hình Prophet Giải pháp từ Facebook

Mô hình Prophet được phát triển bởi Facebook, nhằm cung cấp một công cụ dễ sử dụng cho việc dự báo chuỗi thời gian. Prophet đặc biệt hiệu quả trong việc xử lý dữ liệu có tính mùa vụ và xu hướng, giúp người dùng dễ dàng tạo ra các dự báo chính xác.

II. Vấn đề và thách thức trong dự báo chuỗi thời gian

Dự báo chuỗi thời gian không chỉ đơn thuần là việc áp dụng một mô hình mà còn phải đối mặt với nhiều thách thức. Các vấn đề như dữ liệu không đầy đủ, nhiễu trong dữ liệu và sự thay đổi trong xu hướng có thể ảnh hưởng đến độ chính xác của dự báo. Việc lựa chọn mô hình phù hợp cũng là một thách thức lớn.

2.1. Dữ liệu không đầy đủ và nhiễu

Một trong những vấn đề lớn nhất trong dự báo chuỗi thời gian là dữ liệu không đầy đủ. Dữ liệu thiếu có thể dẫn đến những dự đoán sai lệch. Ngoài ra, nhiễu trong dữ liệu cũng có thể làm giảm độ chính xác của mô hình.

2.2. Sự thay đổi trong xu hướng

Xu hướng của dữ liệu có thể thay đổi theo thời gian, điều này làm cho các mô hình dự báo trở nên kém hiệu quả. Việc phát hiện và điều chỉnh cho những thay đổi này là rất quan trọng để duy trì độ chính xác của dự báo.

2.3. Lựa chọn mô hình phù hợp

Việc lựa chọn mô hình dự báo phù hợp là một thách thức lớn. Mỗi mô hình có những ưu điểm và nhược điểm riêng, và việc hiểu rõ về dữ liệu cũng như mục tiêu dự báo là rất cần thiết để đưa ra quyết định đúng đắn.

III. Phương pháp đánh giá mô hình dự báo chuỗi thời gian

Để đánh giá hiệu suất của các mô hình dự báo chuỗi thời gian, cần áp dụng các phương pháp thống kê và thực nghiệm. Các chỉ số như MSE (Mean Squared Error) và RMSE (Root Mean Squared Error) thường được sử dụng để đo lường độ chính xác của dự báo.

3.1. Chỉ số MSE và RMSE

MSE và RMSE là hai chỉ số phổ biến để đánh giá độ chính xác của mô hình dự báo. MSE đo lường sai số bình quân của các dự đoán, trong khi RMSE cung cấp một cái nhìn rõ ràng hơn về độ chính xác bằng cách đưa ra sai số trong cùng đơn vị với dữ liệu gốc.

3.2. Phân tích hồi quy

Phân tích hồi quy có thể được sử dụng để đánh giá mối quan hệ giữa các biến trong mô hình dự báo. Điều này giúp xác định các yếu tố ảnh hưởng đến độ chính xác của dự báo và cải thiện mô hình.

3.3. Thực nghiệm trên tập dữ liệu chuẩn

Thực nghiệm trên một tập dữ liệu chuẩn là cách hiệu quả để đánh giá các mô hình. Việc so sánh kết quả dự báo từ các mô hình khác nhau trên cùng một tập dữ liệu giúp xác định mô hình nào hoạt động tốt nhất trong các tình huống cụ thể.

IV. Ứng dụng thực tiễn của mô hình dự báo chuỗi thời gian

Mô hình dự báo chuỗi thời gian có nhiều ứng dụng thực tiễn trong các lĩnh vực như kinh doanh, tài chính và khoa học. Việc áp dụng các mô hình này giúp các tổ chức đưa ra quyết định chính xác hơn và tối ưu hóa quy trình hoạt động.

4.1. Dự báo doanh thu

Trong lĩnh vực kinh doanh, dự báo doanh thu là một ứng dụng quan trọng của mô hình dự báo chuỗi thời gian. Các công ty có thể sử dụng các mô hình này để dự đoán doanh thu trong tương lai, từ đó lập kế hoạch tài chính hiệu quả.

4.2. Dự báo nhu cầu thị trường

Dự báo nhu cầu thị trường giúp các doanh nghiệp điều chỉnh sản xuất và tồn kho. Việc sử dụng mô hình dự báo chuỗi thời gian giúp các công ty nắm bắt xu hướng tiêu dùng và tối ưu hóa nguồn lực.

4.3. Nghiên cứu khí hậu

Trong lĩnh vực khoa học, mô hình dự báo chuỗi thời gian được sử dụng để nghiên cứu khí hậu. Việc dự đoán các biến đổi khí hậu giúp các nhà khoa học đưa ra các biện pháp ứng phó kịp thời.

V. Kết luận và hướng phát triển tương lai của mô hình dự báo

Mô hình dự báo chuỗi thời gian sẽ tiếp tục phát triển và cải tiến trong tương lai. Việc kết hợp các mô hình khác nhau có thể mang lại kết quả tốt hơn. Hướng phát triển này sẽ giúp nâng cao độ chính xác của dự báo và mở rộng ứng dụng của các mô hình trong nhiều lĩnh vực.

5.1. Kết hợp các mô hình

Kết hợp các mô hình như ARIMA, LSTM và Prophet có thể tạo ra những dự báo chính xác hơn. Việc này giúp tận dụng ưu điểm của từng mô hình và giảm thiểu nhược điểm.

5.2. Phát triển công nghệ mới

Công nghệ mới trong lĩnh vực học máy và trí tuệ nhân tạo sẽ tiếp tục thúc đẩy sự phát triển của các mô hình dự báo chuỗi thời gian. Việc áp dụng các kỹ thuật mới sẽ giúp cải thiện độ chính xác và khả năng xử lý dữ liệu lớn.

5.3. Ứng dụng trong các lĩnh vực mới

Mô hình dự báo chuỗi thời gian có thể được áp dụng trong nhiều lĩnh vực mới như y tế, giao thông và năng lượng. Việc mở rộng ứng dụng này sẽ giúp nâng cao hiệu quả và giá trị của các mô hình dự báo.

Trích đoạn nội dung tài liệu

Chương 1 - TỔNG QUAN 1.1 Giới thiệu Với sự phát triển của Công nghệ thông tin đã tạo ra một lượng lớn cơ sở dữ liệu và dữ liệu khổng lồ trong nhiều lĩnh vực khác nhau. Việc nghiên cứu cơ sở dữ liệu và công nghệ thông tin đã tạo ra một cách tiếp cận để lưu trữ và sử dụng dữ liệu quý giá này nhằm mục đích đưa ra quyết định sau này. “Khai phá dữ liệu là một quá trình trích xuất thông tin hữu ích và các mẫu từ dữ liệu khổng lồ. Nó còn được gọi là quá trình khám phá tri thức, khai thác tri thức từ dữ liệu, khai thác tri thức hoặc phân tích dữ liệu/ phân tích mẫu” [4].

Khai thác dữ liệu có tầm quan trọng liên quan đến việc tìm kiếm các mẫu, dự báo, khám phá kiến thức, v., trong các lĩnh vực kinh doanh khác nhau. Các kỹ thuật và thuật toán khai thác dữ liệu như phân loại, phân cụm, v., giúp tìm ra các mô hình để quyết định xu hướng phát triển trong tương lai của các doanh nghiệp. Khai thác dữ liệu có phạm vi ứng dụng rộng rãi hầu như trong mọi ngành nơi dữ liệu được tạo ra, đó là lý do tại sao khai thác dữ liệu được coi là một trong những biên giới quan trọng nhất trong cơ sở dữ liệu và hệ thống thông tin và là một trong những phát triển liên ngành hứa hẹn nhất trong Công nghệ thông tin. Một trong những mục tiêu của khai phá dữ liệu là để đưa ra các dự báo trong tương lai nhằm phục vụ một số quyết định hay mục đích nào đó.

Trong đó có lĩnh vực nghiên cứu về dự báo chuỗi thời gian và phát triển các mô hình dự báo.2 Mục tiêu nghiên cứu Nghiên cứu, tìm hiểu và cài đặt thực nghiệm một số phương pháp dự báo chuỗi thời gian, đánh giá và so sánh kết quả đạt được giữa các phương pháp với nhau dựa trên kết quả thực nghiệm từ 1 cơ sở dữ liệu chuẩn, từ đó rút ra kết luận về ưu nhược điểm của mỗi phương pháp.3 Nội dung nghiên cứu  Tìm hiểu chung về chuỗi thời gian.  Tìm hiểu về dự báo chuỗi thời gian.  Tìm hiểu ứng dụng của chuỗi thời gian và dự báo chuỗi thời gian. Phạm Thị Thiết SVTH: Đào Thị Hiền Đánh giá các mô hình dự báo chuỗi thời gian  Tìm hiểu lý thuyết và thực thi một số mô hình dự báo chuỗi thời gian.4 Đối tượng và phạm vi nghiên cứu Nghiên cứu và thực nghiệm các mô hình dự báo chuỗi thời gian như: ARIMA, LSTM, Prophet trên tập dữ liệu Nhiệt độ trung bình hàng tháng tại Việt Nam từ năm 1901-2015.

Tập dữ liệu có tên là “vietnam-temperature-from-1901-2015- wb.xls”, được chuyển đổi thành tệp *.csv: vietnam-temperature-from-1901-2015- wb. Tập dữ liệu được lấy trên diễn đàn “OpenDevelopment Việt Nam”1.5 Phương pháp thực hiện  Nghiên cứu về mặt lý thuyết các mô hình ARIMA, LSTM, Prophet.  Sử dụng ngôn ngữ lập trình Python để mô phỏng thực nghiệm các mô hình ARIMA, LSTM, Prophet.  Đánh giá thực nghiệm trên 1 tập dữ liệu chuẩn: “Nhiệt độ trung bình hàng tháng ở Việt Nam từ năm 1901-2015” 1 https://data.net/vi/dataset/nhi-t-d-va-lu-ng-mua-trung-binh-hang- thang-t-i-vi-t-nam-t-1901-2015 12 GVHD: TS.

Phạm Thị Thiết SVTH: Đào Thị Hiền Đánh giá các mô hình dự báo chuỗi thời gian Chương 2 - CƠ SỞ LÝ THUYẾT 2.1 Tổng quan về chuỗi thời gian 2.1 Chuỗi thời gian là gì? Chuỗi thời gian có thể được định nghĩa là một chuỗi các giá trị tuần tự được thu nhận trong các khoảng thời gian cách đều nhau [9]. Nói cách khác, chuỗi thời gian là một dạng dữ liệu thời gian rời rạc, thường được biểu diễn thông qua biểu đồ đường. Dựa vào việc khai thác dữ liệu chuỗi thời gian, người ta thu nhận được các giá trị ẩn chứa trong nó nhằm phục vụ các mục đích khác nhau. Do là dữ liệu chịu ảnh hưởng bởi tính chất thời gian nên chuỗi thời gian thường xuất hiện những quy luật đặc trưng như: yếu tố chu kỳ, yếu tố mùa và yếu tố xu hướng.

Đây là những đặc trưng thường thấy và xuất hiện ở hầu hết các chuỗi thời gian.2 Một số ví dụ về chuỗi thời gian  Nhiệt độ và lượng mưa trung bình hàng năm tại Việt Nam.  Số sinh viên đăng ký nguyện vòng vào Khoa Công nghệ thông tin Trường đại học công nghiệp hàng năm.  Lưu lượng nước thủy triều mỗi chu kỳ. Phạm Thị Thiết SVTH: Đào Thị Hiền Đánh giá các mô hình dự báo chuỗi thời gian  Lượng khách hàng tháng đến Công viên Quốc gia Yellowstone với nhiệt độ trung bình hàng tháng.1 Biểu đồ lượng khách hàng tháng đến Công viên Quốc gia Yellowstone với nhiệt độ trung bình hàng tháng (2014-2016)2  Dữ liệu dân số thế giới hàng năm.2 Dân số của từng vùng theo tỉ lệ phần trăm so với dân số thế giới (1750-2005)3 2 https://www.com/blog/introduction-to-the-fundamentals-of-time-series-data-and-analysis/ 3 https://vi.org/wiki/D%C3%A2n_s%E1%BB%91_th%E1%BA%BF_gi%E1%BB%9Bi 14 GVHD: TS.

Phạm Thị Thiết SVTH: Đào Thị Hiền Đánh giá các mô hình dự báo chuỗi thời gian  Mức tăng trưởng GDP hằng năm.3 Mức tăng trưởng GDP Việt Nam (2000-2019)4  Doanh thu của một công ty mỗi quý.3 Ứng dụng của chuỗi thời gian Phân tích chuỗi thời gian được sử dụng cho nhiều ứng dụng như:  Dự báo kinh tế  Dự báo bán hàng  Phân tích ngân sách  Phân tích thị trường chứng khoán  Dự báo lợi nhuận  Quy trình và Kiểm soát chất lượng 4 https://cafeland.vn/phan-tich/kinh-te-viet-nam-go-nut-that-de-tang-truong-ben-vung-85058.html 15 GVHD: TS. Phạm Thị Thiết SVTH: Đào Thị Hiền Đánh giá các mô hình dự báo chuỗi thời gian  Nghiên cứu hàng tồn kho  Dự báo khối lượng công việc  Nghiên cứu Tiện ích  Phân tích điều tra dân số Và nhiều hơn thế nữa… Vai trò của chuỗi thời gian rất quan trọng đối với nền kinh tế và hoạt động của doanh nghiệp nên trong học máy và thống kê có những ngành học nghiên cứu chuyên sâu về chuỗi thời gian như kinh tế lượng, định giá tài sản tài chính.2 Phân tích chuỗi thời gian Phân tích chuỗi thời gian bao gồm các phương pháp phân tích dữ liệu chuỗi thời gian để trích xuất các số liệu thống kê có ý nghĩa và các đặc điểm khác của dữ liệu. Phân tích chuỗi thời gian cũng giúp hiểu rõ hơn về tập dữ liệu, cũng như các đặc trưng của tập dữ liệu nhằm đưa ra các phương án dự báo hiệu quả, phù hợp với từng tập dữ liệu khác nhau. Trong thực tế, một mô hình phù hợp được gắn cho một chuỗi thời gian nhất định và các tham số tương ứng được ước tính bằng cách sử dụng các giá trị dữ liệu đã biết.

Quy trình phù hợp chuỗi thời gian với một mô hình thích hợp được gọi là Phân tích chuỗi thời gian. Nó bao gồm các phương pháp cố gắng hiểu bản chất của chuỗi và thường hữu ích cho việc dự báo và mô phỏng trong tương lai. Trong dự báo chuỗi thời gian, các quan sát trong quá khứ được thu thập và phân tích để phát triển một mô hình toán học phù hợp nắm bắt quá trình tạo dữ liệu cơ bản cho chuỗi. Các sự kiện trong tương lai sau đó được dự đoán bằng cách sử dụng mô hình.

Cách tiếp cận này đặc biệt hữu ích khi không có nhiều kiến thức về mô hình thống kê theo sau các quan sát liên tiếp hoặc khi thiếu mô hình giải thích thỏa đáng. Dự báo chuỗi thời gian có những ứng dụng quan trọng trong các lĩnh vực khác nhau. Thông thường các quyết định chiến lược có giá trị và các biện pháp phòng ngừa được thực hiện dựa trên kết quả dự báo. Do đó, để đưa ra một dự báo tốt, thì việc đưa ra một mô hình phù hợp với một chuỗi thời gian là rất quan trọng.

Trong nhiều thập kỷ 16 GVHD: TS. Phạm Thị Thiết SVTH: Đào Thị Hiền Đánh giá các mô hình dự báo chuỗi thời gian qua, các nhà nghiên cứu đã có nhiều nỗ lực nhằm phát triển và cải tiến các mô hình dự báo chuỗi thời gian phù hợp [1], [2], [16], [17], [18]. Quy trình phân tích chuỗi thời gian cổ điển là quá trình phân tách hàm 𝑓 (𝑡 ) là biểu diễn toán học của chuỗi thời gian 𝑥𝑡 hay 𝑥𝑡 = 𝑓(𝑡 ) thành bốn thành phần: 1. Xu hướng: sự thay đổi dài hạn của mức trung bình của chuỗi thời gian.

Chu kỳ: một bước sóng dài trong chuỗi thời gian. Thành phần theo mùa: biến động theo chuỗi thời gian lặp lại trong các khoảng thời gian cụ thể. Phần dư: đại diện cho tất cả các ảnh hưởng đến chuỗi thời gian mà ba thành phần còn lại không giải thích được.1 Phân loại Các phương pháp phân tích chuỗi thời gian có thể chia thành 2 loại: phương pháp miền thời gian và phương pháp miền tần số. Ngoài ra, các kỹ thuật phân tích chuỗi thời gian có thể được chia thành các phương pháp tham số và phi tham số.

Các phương pháp phân tích chuỗi thời gian cũng có thể được chia thành tuyến tính và phi tuyến tính, đơn biến và đa biến.2 Các phương pháp và mục đích sử dụng [9]  Phân tích thăm dò Kiểm tra dữ liệu chuỗi thời gian thông thường theo cách thủ công với biểu đồ đường. Tách thành các thành phần đại diện cho xu hướng, tính thời vụ, sự thay đổi chậm và nhanh và tính bất thường theo chu kỳ.  Điều chỉnh đường cong Là quá trình xây dựng một đường cong, hoặc hàm toán học phù hợp nhất với dữ liệu chuỗi thời gian có được, có thể bị ràng buộc và có thể dùng phương pháp nội suy để thực hiện. Phạm Thị Thiết SVTH: Đào Thị Hiền Đánh giá các mô hình dự báo chuỗi thời gian  Xấp xỉ hàm Là bài toán chọn một hàm trong số một lớp được xác định rõ phù hợp chặt chẽ (“gần đúng”) với một hàm mục tiêu.

 Ước tính tín hiệu Cách tiếp cận này dựa trên phân tích sóng hài và lọc tín hiệu trong miền tần số bằng cách sử dụng phép biến đổi Fourier và ước tính mật độ phổ, được phát triển để lọc tín hiệu khỏi nhiễu và dự đoán các giá trị tín hiệu tại một thời điểm nhất định.  Phân loại  Phân đoạn  Dự đoán và dự báo Các mô hình thống kê được hình thành đầy đủ cho mục đích mô phỏng ngẫu nhiên, để tạo ra các phiên bản thay thế của chuỗi thời gian, đại diện cho những gì có thể xảy ra trong các khoảng thời gian không cụ thể trong tương lai (dự đoán). Các mô hình thống kê đơn giản hoặc được hình thành đầy đủ để mô tả kết quả có thể xảy ra của chuỗi thời gian trước mắt, dựa trên kiến thức về các kết quả gần đây nhất (dự báo).