Luận văn thạc sĩ HCMUTE: Dự báo chuỗi thời gian với mô hình ARIMA và RBFNN

• Tác giả: Phạm Chí Công
• Người hướng dẫn: TS. Nguyễn Thành Sơn
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Dự Báo Chuỗi Thời Gian Bằng Mô Hình ARIMA Và RBFNN Tại HCMUTE
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2021
• Địa điểm: Tp. Hồ Chí Minh

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Tính cấp thiết của đề tài
• 1.2. Một số các công trình nghiên cứu liên quan
• 1.3. Mục đích nghiên cứu, khách thể và đối tượng nghiên cứu của đề tài
• 1.4. Nhiệm vụ nghiên cứu và giới hạn
• 1.5. Phương pháp nghiên cứu
• 1.6. Ý nghĩa thực tiễn của đề tài
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VỀ CHUỖI THỜI GIAN VÀ CÁC MÔ HÌNH DỰ BÁO
• 2.1. Chuỗi thời gian (time series) và các khái niệm liên quan
• 2.2. Khái niệm chuỗi thời gian
• 2.3. Đặc điểm chuỗi thời gian
• 2.4. Các phương pháp hiển thị chuỗi thời gian
• 2.5. Bài toán dự báo chuỗi thời gian và các mô hình dùng trong dự báo chuỗi thời gian
• 2.6. Các bài toán về dự báo chuỗi thời gian
• 2.7. Các mô hình dùng trong dự báo chuỗi thời gian
• 2.8. Các mô hình lai ghép dùng trong dự báo chuỗi thời gian. Mô hình ARIMA và ANN
• 2.9. Mô hình Exponential Smoothing và ANN
• 3. CHƯƠNG 3: DỰ BÁO TRÊN CHUỖI THỜI GIAN SỬ DỤNG MÔ HÌNH LAI GHÉP ARIMA VÀ RBFNN
• 3.1. Mô hình mạng Nơ-ron nhân tạo RBF (Radial Basis Function Neural Network - RBFNN)
• 3.2. Mô hình tự hồi quy kết hợp với trung bình di động ARIMA(p,d,q) (AutoRegressive Integrated Moving Average)
• 3.3. Mô hình ARIMA(p,d,q)
• 3.4. Phương pháp ước lượng tham số
• 3.5. Mô hình lai ghép giữa ARIMA và RBFNN cho bài toán dự báo trên chuỗi thời gian
• 3.6. Nghiên cứu cải tiến mô hình lai ghép bằng cách thực hiện song song hai mô hình ARIMA và RBFNN
• 4. CHƯƠNG 4: ĐÁNH GIÁ THỰC NGHIỆM
• 4.1. Môi trường và dữ liệu thực nghiệm
• 4.2. Tiêu chí đánh giá. Các trường hợp thực nghiệm
• 4.2.1. Trường hợp 1: Cố định số nút đầu vào và thay đổi số nút ẩn
• 4.2.2. Trường hợp 2: Cố định số nút ẩn và thay đổi số nút đầu vào
• 4.3. Nhận xét kết quả thực nghiệm ở các tập dữ liệu
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. Kết quả đạt được
• 5.2. Các mặt hạn chế
• 5.3. Hướng phát triển
• TÀI LIỆU THAM KHẢO

I. Tổng quan về dự báo chuỗi thời gian

Dự báo chuỗi thời gian là một lĩnh vực quan trọng trong khoa học dữ liệu, đặc biệt trong bối cảnh hiện nay khi mà lượng dữ liệu ngày càng lớn. Việc áp dụng các mô hình như mô hình ARIMA và mô hình RBFNN đã cho thấy hiệu quả trong việc cải thiện độ chính xác của dự báo. Theo nghiên cứu của L.Zhang và cộng sự, mô hình lai ARIMA-RBFNN đã cho kết quả tốt hơn so với việc sử dụng từng mô hình riêng lẻ. Tuy nhiên, một thách thức lớn là thời gian thực thi của mô hình khi lượng dữ liệu tăng lên. Do đó, việc cải tiến mô hình ARIMA-RBFNN để giảm thời gian thực thi mà vẫn đảm bảo độ chính xác là một vấn đề cần thiết.

1.1. Tính cấp thiết của đề tài

Sự phát triển của công nghệ thông tin và khai thác dữ liệu lớn đã tạo ra nhiều cơ hội cho việc dự báo trong các lĩnh vực khác nhau. Dự báo chuỗi thời gian không chỉ giúp các tổ chức đưa ra quyết định chính xác mà còn góp phần vào sự phát triển bền vững. Việc áp dụng kỹ thuật dự báo hiện đại như mô hình ARIMA và mô hình RBFNN giúp tối ưu hóa quy trình dự báo, từ đó nâng cao hiệu quả hoạt động của các tổ chức. Nghiên cứu này nhằm mục đích cải tiến mô hình lai ARIMA-RBFNN, từ đó nâng cao khả năng dự báo trong bối cảnh dữ liệu lớn.

II. Cơ sở lý thuyết về mô hình ARIMA và RBFNN

Mô hình ARIMA (AutoRegressive Integrated Moving Average) là một trong những mô hình phổ biến nhất trong dự báo chuỗi thời gian. Mô hình này có khả năng xử lý các thành phần tuyến tính của dữ liệu. Ngược lại, mô hình RBFNN (Radial Basis Function Neural Network) lại mạnh mẽ trong việc xử lý các thành phần phi tuyến. Việc kết hợp hai mô hình này tạo ra một mô hình lai mạnh mẽ, có khả năng dự đoán chính xác hơn. Theo nghiên cứu, mô hình lai ARIMA-RBFNN không chỉ cải thiện độ chính xác mà còn giúp giảm thiểu thời gian thực thi, điều này rất quan trọng trong bối cảnh dữ liệu lớn hiện nay.

2.1. Mô hình ARIMA

Mô hình ARIMA được sử dụng rộng rãi trong dự báo chuỗi thời gian nhờ vào khả năng xử lý các yếu tố tự hồi quy và trung bình di động. Mô hình này có thể được điều chỉnh để phù hợp với các đặc điểm của dữ liệu, từ đó nâng cao độ chính xác của dự báo. Việc lựa chọn các tham số p, d, q trong mô hình ARIMA là rất quan trọng và thường được thực hiện thông qua các phương pháp như ACF và PACF. Nghiên cứu cho thấy rằng việc áp dụng mô hình ARIMA trong các lĩnh vực như kinh tế, tài chính và môi trường đã mang lại nhiều kết quả khả quan.

2.2. Mô hình RBFNN

Mô hình RBFNN là một loại mạng nơ-ron nhân tạo, nổi bật với khả năng xử lý các mối quan hệ phi tuyến trong dữ liệu. Mô hình này sử dụng các hàm cơ sở hình cầu để tạo ra các đầu ra dự đoán. RBFNN có thể học từ dữ liệu một cách nhanh chóng và hiệu quả, điều này giúp cải thiện độ chính xác của dự báo. Nghiên cứu đã chỉ ra rằng RBFNN có thể được áp dụng trong nhiều lĩnh vực khác nhau, từ dự báo thời tiết đến phân tích tài chính, nhờ vào khả năng xử lý dữ liệu phức tạp.

III. Đánh giá thực nghiệm mô hình ARIMA RBFNN

Đánh giá thực nghiệm là một phần quan trọng trong nghiên cứu này. Các mô hình ARIMA và RBFNN được áp dụng trên nhiều tập dữ liệu khác nhau để kiểm tra độ chính xác và thời gian thực thi. Kết quả cho thấy mô hình lai ARIMA-RBFNN không chỉ cải thiện độ chính xác mà còn giảm thiểu thời gian thực thi so với việc sử dụng từng mô hình riêng lẻ. Các tiêu chí đánh giá như MAPE, RMSE được sử dụng để so sánh hiệu suất của các mô hình. Nghiên cứu này khẳng định rằng việc cải tiến mô hình ARIMA-RBFNN là cần thiết để đáp ứng nhu cầu dự báo trong bối cảnh dữ liệu lớn.

3.1. Môi trường và dữ liệu thực nghiệm

Môi trường thực nghiệm được thiết lập với các tập dữ liệu lớn từ nhiều nguồn khác nhau. Các dữ liệu này được xử lý và phân tích để đảm bảo tính chính xác và độ tin cậy. Việc lựa chọn dữ liệu phù hợp là rất quan trọng để đảm bảo rằng các mô hình có thể hoạt động hiệu quả. Các tập dữ liệu được sử dụng trong nghiên cứu bao gồm dữ liệu thời tiết, dữ liệu kinh tế và dữ liệu xã hội, từ đó giúp đánh giá khả năng của mô hình trong các tình huống thực tế.

3.2. Tiêu chí đánh giá

Các tiêu chí đánh giá được sử dụng trong nghiên cứu bao gồm MAPE (Mean Absolute Percentage Error), RMSE (Root Mean Square Error) và thời gian thực thi. Những tiêu chí này giúp đánh giá độ chính xác của các mô hình dự báo và khả năng xử lý dữ liệu lớn. Kết quả thực nghiệm cho thấy mô hình lai ARIMA-RBFNN có độ chính xác cao hơn so với các mô hình truyền thống, đồng thời thời gian thực thi cũng được cải thiện đáng kể.