Luận văn thạc sĩ: Dự báo chuỗi thời gian hỗn loạn bằng mạng LSTM Autoencoder và lý thuyết hỗn loạn

Luận văn thạc sĩ khám phá dự báo chuỗi thời gian hỗn loạn bằng mạng LSTM Autoencoder và lý thuyết hỗn loạn trong khoa học máy tính.

• Tác giả: Nguyễn Đức Huy
• Người hướng dẫn: PGS. Dương Tuấn Anh
• Trường học: Đại học Bách Khoa
• Chuyên ngành: Khoa học máy tính
• Đề tài: Dự báo chuỗi thời gian hỗn loạn kết hợp mạng LSTM, AutoEncoder và lý thuyết hỗn loạn
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• Lời cảm ơn
• Tóm tắt Luận văn
• Abstract
• Lời cam đoan
• Danh sách hình ảnh
• 1. Chương 1: Giới thiệu vấn đề
• 1.1. Giới thiệu vấn đề
• 1.2. Mục tiêu nghiên cứu
• 1.3. Các kết quả đạt được
• 1.4. Cấu trúc luận văn
• 2. Chương 2: Cơ sở lý thuyết
• 2.1. Chuỗi thời gian có tính hỗn loạn
• 2.2. Tái tạo không gian pha
• 2.2.1. Xác định số chiều nhúng m
• 2.3. Mạng Long-Short Term Memory (LSTM)
• 2.4. Một số độ đo đánh giá hiệu quả dự báo
• 3. Chương 3: Các công trình liên quan
• 3.1. Dự báo chuỗi thời gian hỗn loạn bằng mạng Radial Basic Function (RBF)
• 3.2. Dự báo chuỗi thời gian hỗn loạn bằng mạng học sâu Deep Belief Network (DBN)
• 3.3. Dự báo chuỗi thời gian hỗn loạn bằng mạng LSTM
• 3.4. Dự báo trên chuỗi thời gian dữ liệu tỉ giá ngoại tệ bằng mạng LSTM kết hợp AutoEncoder
• 4. Chương 4: Phương pháp giải quyết vấn đề
• 4.1. Tái tạo không gian pha và tiền xử lý dữ liệu
• 4.1.1. Tái tạo không gian pha
• 4.1.2. Tiền xử lý dữ liệu
• 4.2. Rút trích đặc trưng bằng mạng AutoEncoder
• 4.3. Huấn luyện bộ dự báo chuỗi thời gian hỗn loạn
• 5. Chương 5: Hiện thực và kết quả thực nghiệm
• 5.1. Giới thiệu dữ liệu và các mô hình so sánh
• 5.1.1. Giới thiệu dữ liệu
• 5.1.2. Các mô hình và phương pháp thực nghiệm
• 5.2. Tái tạo không gian pha
• 5.3. Tiền xử lý dữ liệu
• 5.4. Huấn luyện mạng AE và rút trích đặc trưng
• 5.4.1. Huấn luyện mạng AE
• 5.4.2. Rút trích đặc trưng
• 5.5. Huấn luyện bộ dự báo
• 5.6. Hiện thực các mô hình đối sánh
• 5.7. Kết quả thực nghiệm và đánh giá
• 5.8. Đánh giá kết quả
• 5.8.1. Những kết quả đạt được
• 5.8.2. Hướng phát triển
• Danh mục các công trình khoa học
• Tài liệu tham khảo
• Thuật ngữ Anh Việt
• Lý Lịch Trích Ngang

Tóm tắt

I. Giới thiệu vấn đề

Bài toán dự báo chuỗi thời gian luôn là một thách thức lớn trong nhiều lĩnh vực như tài chính, khí hậu, và môi trường. Tính chất hỗn loạn của chuỗi thời gian khiến cho việc dự báo trở nên phức tạp, đặc biệt là khi dữ liệu có tính bất định và tương quan cao. Các phương pháp truyền thống như mô hình ARIMA hay MA thường gặp khó khăn trong việc xử lý các đặc điểm này. Nghiên cứu đã chỉ ra rằng việc áp dụng lý thuyết hỗn loạn giúp cải thiện đáng kể độ chính xác của các mô hình dự báo. Mạng nơ-ron học sâu, đặc biệt là mạng LSTM, đã trở thành một công cụ mạnh mẽ trong việc giải quyết bài toán này. Việc kết hợp lý thuyết hỗn loạn với mạng Autoencoder để rút trích đặc trưng từ dữ liệu đã được chứng minh là một hướng đi tiềm năng.

1.1 Mục tiêu nghiên cứu

Mục tiêu của nghiên cứu này là phát triển một phương pháp dự báo chuỗi thời gian hỗn loạn bằng cách kết hợp lý thuyết hỗn loạn với mạng LSTM và Autoencoder. Phương pháp này sẽ được thực nghiệm trên nhiều bộ dữ liệu khác nhau để đánh giá hiệu quả. Việc rút trích đặc trưng từ không gian pha sẽ giúp cải thiện độ chính xác của dự báo. Đặc biệt, luận văn sẽ tập trung vào việc cải thiện khả năng dự báo một bước, từ đó mở rộng thành dự báo nhiều bước trong tương lai.

II. Cơ sở lý thuyết

Chương này trình bày các khái niệm cơ bản liên quan đến chuỗi thời gian và lý thuyết hỗn loạn. Đầu tiên, chuỗi thời gian được định nghĩa là một tập hợp các giá trị được thu thập theo thời gian, có thể là dữ liệu thời gian thực hoặc dữ liệu lịch sử. Tính chất hỗn loạn trong chuỗi thời gian khiến cho việc dự đoán trở nên khó khăn, vì những thay đổi nhỏ trong điều kiện ban đầu có thể dẫn đến những kết quả khác biệt lớn. Tái tạo không gian pha là một phương pháp quan trọng trong việc phân tích chuỗi thời gian hỗn loạn, giúp xác định các đặc trưng ẩn của dữ liệu. Mạng LSTM và Autoencoder sẽ được sử dụng để rút trích và dự đoán các đặc trưng này, từ đó cải thiện độ chính xác của mô hình dự báo.

2.1 Tái tạo không gian pha

Tái tạo không gian pha là quá trình chuyển đổi dữ liệu chuỗi thời gian thành một không gian đa chiều, giúp phân tích các đặc điểm động lực học của hệ thống. Phương pháp này thường sử dụng các kỹ thuật như độ trễ trung bình và kỹ thuật lân cận gần nhất giả để xác định các tham số cần thiết cho việc tái tạo. Qua đó, không gian pha được tái tạo sẽ cho phép các mô hình như mạng LSTM hoạt động hiệu quả hơn, nhờ vào việc cung cấp các đặc trưng chính xác hơn từ dữ liệu đầu vào.

III. Các công trình liên quan

Nghiên cứu về dự báo chuỗi thời gian hỗn loạn đã thu hút sự chú ý của nhiều nhà nghiên cứu. Một số công trình đã áp dụng mạng LSTM và lý thuyết hỗn loạn để cải thiện độ chính xác của dự báo. Các nghiên cứu này cho thấy rằng việc kết hợp lý thuyết hỗn loạn với mạng Autoencoder có thể mang lại kết quả vượt trội so với các phương pháp truyền thống. Đặc biệt, việc sử dụng mạng LSTM trong các bài toán dự báo đã cho thấy khả năng xử lý tốt hơn các dữ liệu có tính chất không ổn định và hỗn loạn. Những công trình này làm nền tảng cho nghiên cứu hiện tại, cung cấp các phương pháp và kỹ thuật hữu ích để cải thiện hiệu quả dự báo.

3.1 Dự báo chuỗi thời gian hỗn loạn bằng mạng LSTM

Nhiều nghiên cứu đã chỉ ra rằng mạng LSTM có khả năng xử lý tốt các chuỗi thời gian có tính chất hỗn loạn. Việc áp dụng lý thuyết hỗn loạn trong các mô hình này đã giúp cải thiện đáng kể độ chính xác của dự báo. Các mô hình này thường kết hợp với các phương pháp như Autoencoder để rút trích đặc trưng, từ đó tối ưu hóa quá trình dự báo. Nghiên cứu này sẽ tiếp tục khai thác những thành tựu này để phát triển một phương pháp mới, kết hợp lý thuyết hỗn loạn với các mạng nơ-ron học sâu.

IV. Phương pháp giải quyết vấn đề

Phương pháp nghiên cứu được đề xuất bao gồm ba bước chính: tái tạo không gian pha, rút trích đặc trưng bằng mạng Autoencoder, và cuối cùng là huấn luyện mạng LSTM để dự báo. Quá trình tái tạo không gian pha sẽ giúp làm nổi bật các đặc điểm ẩn của chuỗi thời gian hỗn loạn. Sau đó, mạng Autoencoder sẽ được huấn luyện để rút trích các đặc trưng này, cung cấp đầu vào cho mạng LSTM. Kết quả thực nghiệm cho thấy phương pháp này mang lại những cải thiện đáng kể về độ chính xác so với các phương pháp truyền thống.

4.1 Huấn luyện bộ dự báo chuỗi thời gian hỗn loạn

Bộ dự báo sẽ được huấn luyện trên nhiều bộ dữ liệu khác nhau, bao gồm cả dữ liệu tổng hợp và dữ liệu thực tế. Việc sử dụng các kỹ thuật như chuỗi thời gian và học sâu sẽ giúp tối ưu hóa quá trình dự báo. Kết quả sẽ được so sánh với các mô hình khác như mạng LSTM không sử dụng lý thuyết hỗn loạn để đánh giá hiệu quả của phương pháp đề xuất.

V. Hiện thực và kết quả thực nghiệm

Nghiên cứu đã thực hiện trên tám bộ dữ liệu khác nhau, bao gồm cả dữ liệu tổng hợp và dữ liệu thực tế. Kết quả cho thấy phương pháp đề xuất đã đạt được độ chính xác cao hơn so với các phương pháp khác. Các chỉ số như MAE, RMSE, và MAPE đều cho thấy sự cải thiện đáng kể. Điều này chứng tỏ rằng việc kết hợp lý thuyết hỗn loạn với mạng LSTM và Autoencoder có thể mang lại kết quả tốt hơn trong việc dự báo chuỗi thời gian.

5.1 Đánh giá kết quả

Kết quả thực nghiệm cho thấy phương pháp đề xuất đã cho thấy hiệu quả vượt trội so với các mô hình khác. Đặc biệt, việc sử dụng mạng Autoencoder để rút trích đặc trưng đã đóng vai trò quan trọng trong việc cải thiện độ chính xác của dự báo. Các kết quả cho thấy rằng lý thuyết hỗn loạn không chỉ giúp cải thiện kết quả mà còn mở ra hướng nghiên cứu mới trong lĩnh vực dự báo chuỗi thời gian.

Nội dung chính

Tổng quan nghiên cứu

Dự báo chuỗi thời gian trong các hệ thống động lực phi tuyến luôn là một bài toán phức tạp nhưng mang lại giá trị thực tiễn to lớn trong các ngành tài chính, khí tượng thủy văn và thiên văn học. Các chuỗi dữ liệu này sở hữu đặc tính hỗn loạn (chaotic) với độ nhạy cảm rất cao đối với điều kiện ban đầu, khiến các mô hình thống kê cổ điển như tự hồi quy (AR) hay trung bình trượt tích hợp tự hồi quy (ARIMA) dễ gặp phải độ trễ pha lớn và giảm sút độ chính xác. Để giải quyết triệt để hạn chế này, luận văn thạc sĩ chuyên ngành Khoa học máy tính tại Trường Đại học Bách Khoa – Đại học Quốc gia Thành phố Hồ Chí Minh đã phát triển giải pháp tích hợp giữa lý thuyết hỗn loạn và mạng nơ-ron học sâu.

Mục tiêu cốt lõi của nghiên cứu là xây dựng mô hình lai kết hợp kỹ thuật tái tạo không gian pha, mạng AutoEncoder học không giám sát để trích xuất đặc trưng ẩn và mạng bộ nhớ dài-ngắn hạn (LSTM/Bi-LSTM) nhằm thực hiện dự báo một bước với độ chính xác cao. Đề tài được triển khai thực nghiệm toàn diện từ tháng 02/2022 đến tháng 12/2022 trên 8 bộ dữ liệu chuẩn mực, bao gồm 4 chuỗi mô phỏng toán học và 4 chuỗi thực tế trong kinh tế, tự nhiên. Kết quả thực nghiệm khẳng định tính ưu việt của phương pháp với sai số phần trăm tuyệt đối trung bình (MAPE) luôn đạt dưới 0.12% đối với dữ liệu tổng hợp và duy trì dưới 2.55% đối với dữ liệu thực tế, tạo ra bước tiến quan trọng trong việc ứng dụng học sâu vào các hệ thống phi tuyến.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng vững chắc của lý thuyết hỗn loạn tất định (Deterministic Chaos Theory) và các kiến trúc học sâu tiên tiến. Đầu tiên, định lý nhúng Takens đóng vai trò cốt lõi trong việc tái tạo không gian pha từ chuỗi thời gian đơn biến sang không gian đa chiều, bảo toàn trọn vẹn đặc tính hình vị của hệ thống thông qua việc xác định độ trễ thời gian $\tau$ và số chiều nhúng $m$. Tính chất hỗn loạn của dữ liệu được kiểm chứng khoa học thông qua số mũ Lyapunov cực đại (Largest Lyapunov Exponent) với hệ số góc dương.

Về mặt học sâu, mô hình tận dụng cấu trúc mạng Long Short-Term Memory (LSTM) với cơ chế ba cổng kiểm soát (cổng quên, cổng nhập, cổng xuất) và trạng thái tế bào (cell state) để triệt tiêu hiện tượng bùng nổ hoặc suy giảm độ dốc khi xử lý chuỗi dài. Đồng thời, kiến trúc Bi-LSTM hai chiều được tích hợp nhằm khai thác đồng thời thông tin thuận và nghịch của chuỗi. Mạng AutoEncoder (AE) học không giám sát được thiết lập như một bộ trích xuất đặc trưng tiềm ẩn (latent features) tại tầng mã (code layer), giúp cô đọng thông tin và loại bỏ nhiễu trước khi đưa vào bộ dự báo. Hiệu năng mô hình được lượng hóa qua ba độ đo tiêu chuẩn: Sai số tuyệt đối trung bình (MAE), Căn bậc hai sai số bình phương trung bình (RMSE) và Sai số phần trăm tuyệt đối trung bình (MAPE).

Phương pháp nghiên cứu

Nghiên cứu thu thập và xử lý 8 tập dữ liệu thực nghiệm với quy mô mẫu đa dạng. Nhóm dữ liệu tổng hợp gồm hệ thống Lorenz (10.000 điểm dữ liệu), hệ thống Rossler (8.192 điểm), hệ thống Mackey-Glass (1.001 điểm) và hệ bản đồ Hénon. Nhóm dữ liệu thực tế bao gồm tỷ giá ngoại tệ AUD/USD và EUR/USD thu thập liên tục trong hơn 20 năm (1990–2019/2021), số liệu vệt đen mặt trời (Sunspots) theo tháng trải dài 228 năm (1749–1977) và chuỗi giá đóng cửa cổ phiếu IBM (365 ngày giao dịch). Toàn bộ dữ liệu được chọn mẫu toàn phần theo chuỗi thời gian liên tục và phân chia thành các tập huấn luyện (train), kiểm định (validation) và kiểm thử (test) theo tỷ lệ chuẩn 70:10:20 để đảm bảo tính khách quan.

Quy trình phân tích dữ liệu trải qua ba giai đoạn nghiêm ngặt:

1. Xác định độ trễ $\tau$ tối ưu bằng phương pháp thông tin tương hỗ trung bình (AMI) tại điểm cực tiểu cục bộ đầu tiên và tìm số chiều nhúng $m$ bằng thuật toán lân cận gần nhất giả (FNN).
2. Huấn luyện mạng LSTM-AutoEncoder không giám sát với hàm mất mát MSE để trích xuất vector đặc trưng ẩn tại tầng nén.
3. Ghép nối vector đặc trưng với dữ liệu không gian pha để huấn luyện bộ dự báo LSTM hoặc Bi-LSTM.

Lý do lựa chọn phương pháp này xuất phát từ khả năng tự động hóa việc lọc nhiễu và bảo tồn mối tương quan phi tuyến trong không gian nhiều chiều, khắc phục sự phụ thuộc chủ quan của các phương pháp rút trích tham số thủ công.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đối sánh mô hình đề xuất (AE-LSTM/AE-BiLSTM kết hợp lý thuyết hỗn loạn) với các mô hình LSTM đơn thuần, LSTM có tái tạo không gian pha và AutoEncoder độc lập đã mang lại những phát hiện quan trọng:

• Tái tạo không gian pha tạo đột phá về độ chính xác: Việc chuyển đổi chuỗi đơn biến sang không gian pha nhiều chiều giúp giảm sai số RMSE từ 15% đến 30% so với mô hình LSTM huấn luyện trực tiếp trên chuỗi gốc.
• Bộ mã hóa AutoEncoder khử nhiễu vượt trội: Cơ chế trích xuất đặc trưng ẩn từ AutoEncoder giúp nén cấu trúc hỗn loạn hiệu quả, đưa sai số MAPE trên toàn bộ 4 tập dữ liệu tổng hợp (Lorenz, Mackey-Glass, Rossler, Hénon) xuống mức cực thấp, luôn nhỏ hơn 0.12%.
• Hiệu năng xuất sắc trên dữ liệu thực tế biến động: Trên các chuỗi tài chính phức tạp và dữ liệu thiên văn (AUD/USD, EUR/USD, Sunspots, IBM), mô hình đề xuất đạt sai số MAPE tối ưu dưới 2.55%, vượt trội hoàn toàn so với các công trình nghiên cứu sử dụng mạng RBF hay mạng Deep Belief Network (DBN) trước đây vốn có sai số dao động từ 4% đến 6%.
• Sự tương thích cấu trúc mạng theo miền dữ liệu: Mạng Bi-LSTM phát huy hiệu quả cao hơn trên các chuỗi tài chính có tính phụ thuộc ngữ cảnh hai chiều, trong khi mạng LSTM tiêu chuẩn đạt tốc độ hội tụ nhanh hơn trên các chuỗi vật lý mang tính chu kỳ tự nhiên.

Thảo luận kết quả

Hiệu quả vượt trội của mô hình bắt nguồn từ sự kết hợp tương hỗ hoàn hảo giữa vật lý toán học và học sâu. Thuật toán AMI (chọn $\tau = 10$ thay vì giá trị lớn 62 trên dữ liệu Lorenz) cùng thuật toán FNN đã tái hiện chính xác cấu trúc hình học của vùng hấp thu bất thường (strange attractor). Tầng mã hóa của AutoEncoder đóng vai trò như một bộ lọc phi tuyến tính, trích xuất cấu trúc quan trọng nhất của chuỗi mà không làm biến dạng phân phối ban đầu.

Trong thực tế nghiên cứu, các kết quả này được minh chứng rõ nét thông qua biểu đồ trực quan hóa đường dự báo bám sát tuyệt đối đường giá trị thực tế theo trục thời gian, biểu đồ suy giảm hàm mất mát (loss curve) hội tụ ổn định sau 150 chu kỳ huấn luyện (epochs), cùng bảng so sánh chi tiết các chỉ số MAE, RMSE và MAPE giữa các phương pháp. So với nghiên cứu của Sangiorgio (2020) vốn chỉ dừng lại ở chuỗi nhân tạo hoặc nghiên cứu của Trần Văn Hòa (2019) chưa tích hợp lý thuyết hỗn loạn, giải pháp lai này thể hiện tính ổn định cao và khả năng tổng quát hóa trên mọi miền dữ liệu phức tạp.

Đề xuất và khuyến nghị

Nhằm chuyển hóa các kết quả nghiên cứu thành các giải pháp ứng dụng thực tiễn trong công nghệ và kinh tế, các khuyến nghị chiến lược được đề xuất như sau:

• Chuẩn hóa quy trình tiền xử lý chuỗi phi tuyến: Các tổ chức công nghệ và viện nghiên cứu cần ứng dụng bộ công cụ tự động hóa tính toán AMI và FNN, đặt mục tiêu rút ngắn 40% thời gian cấu hình dữ liệu thô trong vòng 6 tháng triển khai dưới sự phụ trách của các kỹ sư dữ liệu (Data Engineers).
• Tích hợp mô hình vào hệ thống giao dịch tự động: Các ngân hàng thương mại và quỹ đầu tư tài chính nên triển khai thử nghiệm mô hình AE-BiLSTM vào hệ thống giao dịch thuật toán (Algorithmic Trading), hướng tới mục tiêu kiểm soát sai số dự báo tỷ giá dưới 2.0% theo ngày trong quý 3 năm 2024, do đội ngũ phân tích định lượng (Quant Analysts) chủ trì.
• Mở rộng kiến trúc dự báo đa bước thời gian: Nhóm nghiên cứu AI cần tiếp tục phát triển mô hình từ dự báo 1 bước sang chuỗi dự báo đa bước (5 đến 10 bước thời gian) kết hợp kỹ thuật không dùng dữ liệu thực hỗ trợ (without teacher forcing), nhằm duy trì độ trôi sai số dưới 5% trong giai đoạn 12 tháng tới.
• Tối ưu hóa tài nguyên tính toán cho hệ thống quan trắc: Các cơ quan khí tượng thủy văn cần tích hợp mô hình lai này cùng kỹ thuật tính toán song song trên GPU nhằm nâng cao tốc độ xử lý dự báo thời tiết và bức xạ mặt trời lên 25% trong giai đoạn 2024–2025.

Đối tượng nên tham khảo luận văn

Luận văn là tài liệu tham khảo học thuật và kỹ thuật giá trị cho 4 nhóm đối tượng chính:

• Học viên cao học và nghiên cứu sinh chuyên ngành Khoa học máy tính, Trí tuệ nhân tạo: Cung cấp cơ sở lý thuyết chuẩn mực về sự kết hợp giữa hệ động lực phi tuyến và Deep Learning, cùng phương pháp luận thực nghiệm mô hình lai hoàn chỉnh.
• Chuyên viên phân tích định lượng (Quant) và chuyên gia tài chính: Khai thác cấu trúc mô hình để nâng cao độ chính xác trong phân tích xu hướng tỷ giá ngoại hối (EUR/USD, AUD/USD) và dự báo rủi ro biến động giá chứng khoán.
• Kỹ sư AI và chuyên gia phát triển phần mềm: Tiếp cận phương pháp thiết kế mạng AutoEncoder kết hợp LSTM/Bi-LSTM mã nguồn mở nhằm tối ưu hóa pipeline trích xuất đặc trưng tự động cho chuỗi thời gian.
• Nhà nghiên cứu khí tượng, vật lý và môi trường: Ứng dụng giải thuật tái tạo không gian pha để phân tích và dự báo chu kỳ vệt đen mặt trời, lưu lượng mưa hoặc biến động thủy văn đô thị.

Câu hỏi thường gặp

• Tại sao cần kết hợp lý thuyết hỗn loạn vào mạng nơ-ron học sâu thay vì nạp trực tiếp chuỗi dữ liệu? Chuỗi thời gian hỗn loạn chứa các đặc tính phi tuyến nhạy cảm với điều kiện ban đầu. Tái tạo không gian pha giúp mở rộng một chiều dữ liệu thành không gian đa chiều tương đương, khôi phục đầy đủ quỹ đạo trạng thái động lực học. Việc này giúp mô hình giảm từ 15% đến 30% sai số RMSE so với khi nạp trực tiếp dữ liệu đơn biến vào mạng nơ-ron.

• Vai trò chính của mạng AutoEncoder trong kiến trúc lai là gì? Mạng AutoEncoder hoạt động như một công cụ học không giám sát nhằm nén không gian pha nhiều chiều vào một không gian tiềm ẩn cô đọng tại tầng mã hóa. Quá trình này giúp loại bỏ nhiễu hỗn loạn hiệu quả và trích xuất các đặc trưng tiềm ẩn chất lượng cao, giúp sai số MAPE của mô hình đạt dưới 0.12% trên dữ liệu mô phỏng.

• Làm thế nào để xác định chính xác độ trễ thời gian và số chiều nhúng? Độ trễ $\tau$ được xác định thông qua độ đo thông tin tương hỗ trung bình (AMI) tại điểm cực tiểu cục bộ đầu tiên để tránh hiện tượng mất kết nối thông tin (chẳng hạn chọn $\tau = 10$ thay vì 62 trên tập Lorenz). Số chiều nhúng $m$ được xác định bằng giải thuật lân cận gần nhất giả (FNN) khi tỷ lệ điểm lân cận giả tiệm cận mức 0%.

• Khi nào nên sử dụng Bi-LSTM thay vì mạng LSTM tiêu chuẩn trong bài toán dự báo? Mạng Bi-LSTM phát huy ưu thế vượt trội khi xử lý các chuỗi dữ liệu tài chính như tỷ giá ngoại tệ nhờ khả năng học phụ thuộc hai chiều theo cả chiều tiến và lùi của thời gian. Đối với các dữ liệu chu kỳ vật lý như vệt đen mặt trời, LSTM tiêu chuẩn vẫn là lựa chọn tối ưu về tốc độ huấn luyện và độ chính xác.

• Mô hình có khả năng ứng dụng thực tế trên những loại dữ liệu nào? Mô hình đã được kiểm chứng thành công trên 8 tập dữ liệu đa dạng gồm mô phỏng vật lý (Lorenz, Rossler, Mackey-Glass), tỷ giá ngoại hối (AUD/USD, EUR/USD), dữ liệu thiên văn (vệt đen mặt trời) và giá cổ phiếu doanh nghiệp (IBM), với sai số MAPE thực tế luôn duy trì dưới 2.55%.

Kết luận

• Nghiên cứu đã xây dựng thành công mô hình lai kết hợp tái tạo không gian pha từ lý thuyết hỗn loạn, mạng AutoEncoder trích xuất đặc trưng không giám sát và mạng LSTM/Bi-LSTM dự báo chuỗi thời gian một bước.
• Kiểm chứng thực nghiệm toàn diện trên 8 bộ dữ liệu mẫu (4 tập mô phỏng toán học và 4 tập thực tế), khẳng định tính ổn định và khả năng tổng quát hóa cao của giải pháp.
• Đạt độ chính xác dự báo vượt trội với sai số MAPE dưới 0.12% trên dữ liệu tổng hợp và dưới 2.55% trên các chuỗi dữ liệu tài chính, thiên văn thực tế.
• Chứng minh vai trò đột phá của bộ mã hóa AutoEncoder trong việc tự động lọc nhiễu và nén đặc trưng ẩn từ không gian pha đa chiều.
• Đề ra lộ trình nghiên cứu tiếp theo trong giai đoạn 2024–2025: Mở rộng kiến trúc sang bài toán dự báo đa bước thời gian và tích hợp cơ chế Attention cho chuỗi thời gian đa biến.

Để tiếp cận toàn bộ phương pháp luận chi tiết, cấu trúc giải thuật và kết quả thực nghiệm chuyên sâu, hãy tải và tham khảo ngay toàn văn công trình nghiên cứu luận văn thạc sĩ này nhằm ứng dụng vào các bài toán phân tích chuỗi thời gian phức tạp của bạn.

Trích đoạn nội dung tài liệu

Chương 1 - Giới thiệu vấn đề: trình bày một cách tổng quan về tình hình nghiên cứu bài toán dự báo chuỗi thời gian từ cổ điển cho đến hiện tại. Qua đó, đề xuất một cách tiếp cận mới để có thể cải thiện hiệu quả dự báo cho chuỗi thời gian hỗn loạn. • Chương 2 - Cơ sở lý thuyết: trình bày những cơ sở lý thuyết quan trọng bao gồm lý thuyết hỗn loạn, phương pháp xác định độ trễ, số chiều nhúng. Giải thích cơ chế hoạt động của mạng LSTM, mạng AutoEn- coder.

• Chương 3 - Các công trình liên quan: nêu lên, xem xét một số các công trình liên quan, phân tích ưu điểm và hạn chế. Từ đó làm động lực đề xuất cách tiếp cận của đề tài. • Chương 4 - Phương pháp đề xuất: trình bày cụ thể hơn cách tiếp cận đề xuất, đó là kết hợp lý thuyết hỗn loạn để có thể lấy được nhiều thông tin nhất từ chuỗi thời gian hỗn loạn, sau đó sử dụng mạng AutoEnder rút trích đặc trưng rồi dùng những đặc trưng đó để tiếp tục huấn luyện bộ dự báo bằng mạng LSTM. • Chương 5 - Hiện thực và kết quả thực nghiệm: trình bày chi tiết hơn phần hiện thực và kết quả thực nghiệm trên tám bộ dữ liệu khác nhau.

• Chương 6 - Kết luận: sẽ đưa ra một số kết luận, phân tích ưu và nhược điểm, đồng thời cũng nên lên một số hướng nghiên cứu khả thi. CƠ SỞ LÝ THUYẾT Chương 2 Cơ sở lý thuyết Chương này sẽ trình bày một số kiến thức quan trọng được sử dụng trong luận văn, bao gồm những nội dung: chuỗi thời gian và tính chất hỗn loạn, phương pháp tái tạo không gian pha, nguyên lý hoạt động của mạng Long Short-Term Memory (LSTM), mạng AutoEncoder và một số độ đo đánh giá được dùng trong công trình này.1 Chuỗi thời gian có tính hỗn loạn Dữ liệu chuỗi (sequence data) là một chuỗi dữ liệu có các phần tử (thường là số nguyên/thực) nối tiếp nhau, có tính thứ tự và phụ thuộc lẫn nhau. Nghĩa là thứ tự xuất hiện trước sau trong chuỗi có tính ý nghĩa, nếu thay đổi sẽ làm mất đi tính chất vốn có của chuỗi. Dữ liệu chuỗi thời gian (time-series data) là một dạng của dữ liệu chuỗi khi được gán thêm thông tin về thời gian.

Ví dụ: dữ liệu giá cổ phiếu theo ngày, tỉ giá ngoại tệ, thời gian mặt trời mọc theo ngày, dữ liệu lượng mưa tại một khu vực được thu thập theo ngày/tháng. Tựu trung lại, hai tính chất quan trọng của dữ liệu chuỗi, đặc biệt là dữ liệu chuỗi thời gian cần quan tâm khi giải quyết các bài toán liên quan so với dữ liệu khác, như hình ảnh hay dạng cấu trúc: 6 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT • Chiều dài không cố định • Thông tin có thứ tự, phụ thuộc, có liên hệ với nhau Chuỗi thời gian có tính hỗn loạn là chuỗi dữ liệu được sinh ra từ sự chuyển động tất định của một hệ phi tuyến. Trong đó, các quy luật hấp dẫn xác định nên quỹ đạo hệ thống tạo nên một tập con phức tạp với số chiều lớn được gọi là một vùng hấp thu bất thường (strange attractor).

Một hệ thống hỗn loạn có tính chất nhạy cảm với điều kiện khởi tạo, dữ liệu ban đầu sẽ chuyển động, thay đổi theo hàm mũ ở những bước sau theo thời gian. Do đó, việc dự báo trên chuỗi thời gian có tính hỗn loạn vẫn là một thách thức. Một số chuỗi thời gian có tính hỗn loạn: • Hệ thống Lorenz: Sự chuyển động của các điểm dữ liệu của hệ thống Lorenz được biểu diễn bằng 3 phương trình vi phân ở công thức 2. Với a, b, c lần lượt là các tham số của phương trình.