Kết Hợp Gom Cụm và Một Tập Hợp Mạng Nơ-ron để Dự Báo Dữ Liệu Chuỗi Thời Gian

• Tác giả: Lê Minh Nam
• Người hướng dẫn: PGS. Dương Tuấn Anh
• Trường học: Trường Đại học Bách Khoa
• Chuyên ngành: Khoa học Máy tính
• Đề tài: Kết Hợp Gom Cụm Và Một Tập Hợp Mạng Nơ-ron Để Dự Báo Dữ Liệu Chuỗi Thời Gian
• Loại tài liệu: Luận Văn Thạc Sĩ
• Năm xuất bản: 2015
• Địa điểm: Tp. Hồ Chí Minh

• LỜI CÁM ƠN
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: GIỚI THIỆU ĐỀ TÀI
• 1.1. Giới thiệu vấn đề
• 1.2. Động cơ
• 1.3. Mục tiêu
• 1.4. Tóm lược những kết quả thu được
• 1.5. Cấu trúc của luận văn
• 2. CHƯƠNG 2: CÁC CÔNG TRÌNH LIÊN QUAN
• 2.1. Mạng nơ-ron nhân tạo trong dự báo
• 2.2. Kết hợp gom cụm và nhiều mạng nơ-ron để dự báo dữ liệu chuỗi thời gian
• 2.3. Phân đoạn bằng điểm cực trị quan trọng
• 2.4. Phương pháp biến hình vị tự trên chuỗi con và công thức tính độ tương tự
• 2.4.1. Khái niệm về phép biến hình vị tự
• 2.4.2. Lấy mẫu các chuỗi con bằng phép vị tự
• 3. CHƯƠNG 3: CƠ SỞ LÝ THUYẾT
• 3.1. Dữ liệu chuỗi thời gian và một số phương pháp dự báo truyền thống
• 3.2. Một số phương pháp dự báo dữ liệu chuỗi thời gian truyền thống
• 3.3. Ứng dụng mạng nơ-ron nhân tạo vào dự báo dữ liệu chuỗi thời gian
• 3.3.1. Giới thiệu mạng nơ-ron nhân tạo (ANN)
• 3.3.2. Cấu trúc mạng nơ-ron nhân tạo
• 3.3.3. Nguyên tắc hoạt động và giải thuật huấn luyện mạng nơ-ron
• 3.3.4. Áp dụng mạng nơ-ron vào dự báo dữ liệu chuỗi thời gian
• 3.4. Giải thuật gom cụm K-means
• 3.5. Giải thuật gom cụm phân cấp theo kiểu gộp HAC (Hierarchical Agglomerative Clustering)
• 3.6. Các phương pháp đánh giá độ chính xác dự báo
• 4. CHƯƠNG 4: MÔ HÌNH DỰ BÁO DÙNG NHIỀU MẠNG NƠ-RON
• 4.1. Hướng giải quyết
• 5. CHƯƠNG 5: HIỆN THỰC VÀ THỬ NGHIỆM
• 5.1. Dữ liệu chứng khoán với kích thước 114789
• 5.2. Dữ liệu tỉ giá AUD/USD với kích thước 7927 điểm
• 5.3. Dữ liệu tỉ giá AUD/GBP với 7927 điểm
• 5.4. Dữ liệu nhu cầu năng lượng ở Ý với kích thước 30651 điểm
• 5.5. Dữ liệu doanh nghiệp (ERP) với 6654 điểm
• 6. CHƯƠNG 6: KẾT LUẬN
• 6.1. Những đóng góp của đề tài
• 6.2. Hướng phát triển của đề tài
• MỤC LỤC HÌNH
• MỤC LỤC BẢNG

I. Tổng Quan Dự Báo Chuỗi Thời Gian Gom Cụm Nơ ron

Các công ty hiện nay hoạt động trong môi trường biến động, do đó, dự báo chuỗi thời gian đóng vai trò quan trọng trong việc đưa ra quyết định. Các nhà đầu tư cần dự báo nhu cầu thị trường để đầu tư hiệu quả, các nhà hoạch định chính sách cần dự báo môi trường kinh doanh để đưa ra chính sách phù hợp. Để dự báo chính xác, cần thu thập dữ liệu liên quan. Dữ liệu chuỗi thời gian là dữ liệu được thu thập, lưu trữ theo thời gian. Ví dụ, doanh thu hàng năm của một công ty, số lượng hàng hóa bán được hàng tháng tại siêu thị. Dự báo dữ liệu chuỗi thời gian ngày càng quan trọng. Có nhiều phương pháp, từ hồi quy (thế kỷ 19) đến mạng nơ-ron nhân tạo. Bốn kỹ thuật chính là hồi quy, làm trơn hàm mũ, mô hình ARIMA, và mạng nơ-ron nhân tạo. Theo Lê Minh Nam, việc kết hợp các phương pháp này có thể mang lại kết quả dự báo tốt hơn.

1.1. Giới Thiệu Về Bài Toán Dự Báo Chuỗi Thời Gian

Bài toán dự báo chuỗi thời gian là một lĩnh vực nghiên cứu quan trọng trong nhiều ngành. Mục tiêu là dự đoán giá trị tương lai của một chuỗi dữ liệu dựa trên các giá trị lịch sử. Các ứng dụng bao gồm dự báo tài chính, dự báo nhu cầu, dự báo thời tiết và nhiều hơn nữa. Việc sử dụng các mô hình chính xác là rất quan trọng để đưa ra quyết định thông minh và hiệu quả. Các phương pháp truyền thống như ARIMA và làm trơn hàm mũ đã được sử dụng rộng rãi, nhưng chúng thường gặp khó khăn trong việc xử lý các chuỗi thời gian phi tuyến tính và phức tạp. Do đó, các phương pháp dựa trên mạng nơ-ron đã trở nên phổ biến hơn.

1.2. Tại Sao Cần Kết Hợp Gom Cụm và Mạng Nơ ron

Phương pháp tiếp cận truyền thống khi sử dụng mạng nơ-ron cho dự báo chuỗi thời gian thường huấn luyện một mạng nơ-ron duy nhất. Tuy nhiên, phương pháp này có thể không nắm bắt được các biến động cục bộ trong chuỗi thời gian. Bằng cách kết hợp gom cụm và mạng nơ-ron, chúng ta có thể chia chuỗi thời gian thành các phân đoạn (segment) riêng lẻ và gom các phân đoạn tương tự thành các cụm. Sau đó, mỗi cụm được huấn luyện với một mạng nơ-ron riêng biệt. Điều này cho phép mô hình nắm bắt được cả các biến động toàn cục và cục bộ, từ đó cải thiện độ chính xác dự báo. Pavlidis và cộng sự (2006) đã chứng minh hiệu quả của phương pháp này trong dự báo tài chính.

II. Thách Thức Độ Chính Xác Trong Dự Báo Chuỗi Thời Gian

Việc sử dụng mạng nơ-ron nhân tạo trong dự báo dữ liệu chuỗi thời gian đã được áp dụng nhiều. Tuy nhiên, mô hình mạng nơ-ron nhân tạo truyền thống thường huấn luyện một mạng duy nhất, bỏ qua các biến động cục bộ. Nghiên cứu này đề xuất giải pháp giải quyết vấn đề này bằng cách tách chuỗi thời gian thành các phân đoạn và sử dụng thuật toán gom cụm để gom các phân đoạn thành nhiều cụm. Sau đó, mỗi cụm được huấn luyện thành một mạng nơ-ron riêng, tạo thành một tập hợp các mạng nơ-ron khác nhau, được sử dụng để dự báo. Điều này giúp tăng độ chính xác dự báo so với việc chỉ sử dụng một mạng nơ-ron.

2.1. Những Hạn Chế Của Phương Pháp Truyền Thống

Mặc dù mạng nơ-ron đã chứng minh được khả năng mạnh mẽ trong dự báo chuỗi thời gian, việc sử dụng một mạng nơ-ron duy nhất có thể không đủ để nắm bắt được tất cả các đặc điểm của chuỗi thời gian. Đặc biệt, khi chuỗi thời gian có tính phi tuyến tính cao hoặc chứa các biến động cục bộ phức tạp, một mạng nơ-ron duy nhất có thể gặp khó khăn trong việc dự báo chính xác. Hơn nữa, việc huấn luyện một mạng nơ-ron lớn để xử lý toàn bộ chuỗi thời gian có thể tốn kém về mặt tính toán và yêu cầu một lượng lớn dữ liệu huấn luyện.

2.2. Tại Sao Độ Chính Xác Dự Báo Lại Quan Trọng

Độ chính xác dự báo là yếu tố then chốt trong nhiều ứng dụng thực tế. Trong dự báo tài chính, độ chính xác cao có thể giúp nhà đầu tư đưa ra quyết định đầu tư đúng đắn và tối đa hóa lợi nhuận. Trong dự báo nhu cầu, độ chính xác cao có thể giúp doanh nghiệp quản lý hàng tồn kho hiệu quả và giảm thiểu chi phí. Trong dự báo thời tiết, độ chính xác cao có thể giúp cảnh báo sớm các thiên tai và giảm thiểu thiệt hại về người và tài sản. Do đó, việc cải thiện độ chính xác dự báo là một mục tiêu quan trọng trong nghiên cứu và ứng dụng dự báo chuỗi thời gian.

2.3. Các Yếu Tố Ảnh Hưởng Đến Độ Chính Xác Dự Báo

Độ chính xác dự báo chịu ảnh hưởng bởi nhiều yếu tố, bao gồm chất lượng dữ liệu, lựa chọn mô hình, và kỹ thuật huấn luyện. Dữ liệu bị nhiễu hoặc thiếu có thể dẫn đến dự báo không chính xác. Lựa chọn mô hình phù hợp với đặc điểm của chuỗi thời gian là rất quan trọng. Ví dụ, mô hình ARIMA có thể phù hợp với chuỗi thời gian tuyến tính, trong khi mạng nơ-ron có thể phù hợp với chuỗi thời gian phi tuyến tính. Kỹ thuật huấn luyện cũng đóng vai trò quan trọng. Việc sử dụng các thuật toán tối ưu hóa hiệu quả và tránh overfitting có thể cải thiện độ chính xác dự báo.

III. Phương Pháp Kết Hợp Gom Cụm Phân Cấp và Mạng Nơ ron

Mục tiêu của nghiên cứu này là nghiên cứu phương pháp dự báo dữ liệu chuỗi thời gian dựa trên gom cụm sử dụng giải thuật gom cụm phân cấp từ dưới lên HAC (Hierarchical Agglomerative Clustering) kết hợp với một tập hợp mạng nơ-ron. Nội dung nghiên cứu bao gồm tìm hiểu về cách phân đoạn chuỗi thời gian dựa trên các điểm cực trị quan trọng, tìm hiểu giải thuật gom cụm HAC để gom các phân đoạn thành các cụm khác nhau, và tìm hiểu mạng nơ-ron, sử dụng giải thuật lan truyền ngược (backpropagation) để huấn luyện mạng nơ-ron. Cuối cùng, hiện thực một chương trình dự báo dữ liệu chuỗi thời gian sử dụng kết hợp gom cụm và một tập hợp mạng nơ-ron và đánh giá độ chính xác.

3.1. Phân Đoạn Dữ Liệu Chuỗi Thời Gian Bằng Điểm Cực Trị

Bước đầu tiên trong phương pháp này là phân đoạn dữ liệu chuỗi thời gian thành các chuỗi con. Một kỹ thuật phổ biến là sử dụng các điểm cực trị (cực đại và cực tiểu) để xác định các điểm phân đoạn. Các điểm cực trị thường đại diện cho các thay đổi quan trọng trong xu hướng của chuỗi thời gian. Bằng cách chia chuỗi thời gian tại các điểm cực trị, chúng ta có thể tạo ra các chuỗi con có đặc điểm tương đối đồng nhất. Việc sử dụng các điểm cực trị quan trọng giúp giảm thiểu nhiễu và tập trung vào các biến động quan trọng nhất trong chuỗi thời gian. Các thuật toán tìm kiếm điểm cực trị có thể được sử dụng để tự động xác định các điểm phân đoạn.

3.2. Gom Cụm Phân Cấp HAC Các Chuỗi Con

Sau khi phân đoạn dữ liệu chuỗi thời gian, bước tiếp theo là gom cụm các chuỗi con tương tự. Gom cụm phân cấp (HAC) là một thuật toán gom cụm phổ biến, xây dựng một hệ thống phân cấp các cụm. Bắt đầu bằng việc coi mỗi chuỗi con là một cụm riêng biệt, HAC lặp đi lặp lại kết hợp các cụm gần nhau nhất cho đến khi chỉ còn lại một cụm duy nhất. Các phương pháp liên kết khác nhau (ví dụ: liên kết đơn, liên kết đầy đủ, liên kết trung bình) có thể được sử dụng để xác định khoảng cách giữa các cụm. Kết quả của HAC là một dendrogram, cho phép chúng ta chọn số lượng cụm tối ưu dựa trên một số tiêu chí nhất định (ví dụ: khoảng cách giữa các cụm).

3.3. Huấn Luyện Mạng Nơ ron Cho Mỗi Cụm

Sau khi các chuỗi con đã được gom cụm, bước tiếp theo là huấn luyện một mạng nơ-ron riêng biệt cho mỗi cụm. Điều này cho phép mô hình nắm bắt được các đặc điểm cụ thể của từng cụm. Ví dụ, một cụm có thể đại diện cho các chuỗi thời gian có xu hướng tăng, trong khi một cụm khác có thể đại diện cho các chuỗi thời gian có xu hướng giảm. Các loại mạng nơ-ron khác nhau (ví dụ: LSTM, GRU) có thể được sử dụng tùy thuộc vào đặc điểm của chuỗi thời gian. Giải thuật lan truyền ngược (backpropagation) thường được sử dụng để huấn luyện các mạng nơ-ron. Quá trình huấn luyện cần được tối ưu hóa để tránh overfitting và đảm bảo độ chính xác dự báo cao.

IV. Ứng Dụng Thực Tế Dự Báo Chứng Khoán và Tỷ Giá

Luận văn đã hiện thực một chương trình dự báo dữ liệu chuỗi thời gian sử dụng kết hợp giữa gom cụm dùng HAC và một tập hợp mạng nơ-ron, thử nghiệm để đánh giá độ chính xác dự báo và so sánh với phương pháp chỉ dùng một mạng nơ-ron truyền thống. Kết quả cho thấy phương pháp dùng một tập hợp mạng nơ-ron có độ chính xác cao hơn và có thể nắm rõ được các biến thiên cục bộ, đặc biệt trong lĩnh vực tài chính. Các thử nghiệm được thực hiện trên dữ liệu chứng khoán và tỷ giá.

4.1. Thử Nghiệm Trên Dữ Liệu Chứng Khoán

Dữ liệu chứng khoán với 114789 điểm đã được sử dụng để thử nghiệm mô hình. Quá trình phân đoạn và huấn luyện dữ liệu chứng khoán được thực hiện. Kết quả cho thấy mô hình kết hợp gom cụm và mạng nơ-ron có khả năng dự báo tốt hơn so với mô hình chỉ sử dụng một mạng nơ-ron. Các thông số tách chuỗi con và huấn luyện mạng nơ-ron được điều chỉnh để đạt được kết quả tối ưu. Bảng kết quả đánh giá được trình bày chi tiết.

4.2. Thử Nghiệm Trên Dữ Liệu Tỷ Giá AUD USD

Dữ liệu tỷ giá AUD/USD với 7927 điểm cũng được sử dụng để đánh giá hiệu quả của mô hình. Quá trình phân đoạn và huấn luyện dữ liệu tỷ giá được thực hiện tương tự như với dữ liệu chứng khoán. Kết quả cho thấy mô hình kết hợp gom cụm và mạng nơ-ron có độ chính xác dự báo cao hơn so với mô hình chỉ sử dụng một mạng nơ-ron. Các thông số tách chuỗi con và huấn luyện mạng nơ-ron được điều chỉnh để đạt được kết quả tốt nhất.

4.3. Ứng Dụng Dự Báo Nhu Cầu Năng Lượng và Doanh Nghiệp

Mô hình cũng được thử nghiệm trên dữ liệu nhu cầu năng lượng ở Ý (30651 điểm) và dữ liệu doanh nghiệp (ERP) với 6654 điểm. Kết quả cho thấy tính linh hoạt và khả năng ứng dụng rộng rãi của phương pháp kết hợp gom cụm và mạng nơ-ron trong dự báo chuỗi thời gian. Việc điều chỉnh các thông số phù hợp với từng loại dữ liệu là rất quan trọng để đạt được kết quả dự báo tốt nhất.

V. Kết Luận Ưu Điểm của Gom Cụm và Hướng Phát Triển

Mục đích chính của luận văn là nghiên cứu và thử nghiệm phương pháp dự báo dữ liệu chuỗi thời gian dùng một tập hợp mạng nơ-ron so với phương pháp chỉ dùng một mạng nơ-ron. Kết quả cho thấy phương pháp mới có độ chính xác dự báo cao hơn và có thể nắm rõ được các biến thiên cục bộ, đặc biệt trong lĩnh vực tài chính. Các nghiên cứu tiếp theo có thể tập trung vào tối ưu hóa thuật toán gom cụm và cải thiện hiệu quả của quá trình huấn luyện mạng nơ-ron.

5.1. Những Đóng Góp Quan Trọng Của Nghiên Cứu

Nghiên cứu này đã đóng góp vào lĩnh vực dự báo chuỗi thời gian bằng cách đề xuất và chứng minh hiệu quả của phương pháp kết hợp gom cụm và mạng nơ-ron. Phương pháp này có khả năng nắm bắt các biến động cục bộ trong chuỗi thời gian, từ đó cải thiện độ chính xác dự báo. Nghiên cứu cũng cung cấp một khuôn khổ rõ ràng để áp dụng phương pháp này vào các ứng dụng thực tế. Các kết quả thử nghiệm trên dữ liệu chứng khoán, tỷ giá, nhu cầu năng lượng và dữ liệu doanh nghiệp đã chứng minh tính khả thi và hiệu quả của phương pháp.

5.2. Hướng Phát Triển Tiềm Năng Trong Tương Lai

Có nhiều hướng phát triển tiềm năng cho nghiên cứu này. Một hướng là tối ưu hóa thuật toán gom cụm để đạt được kết quả gom cụm tốt hơn. Các thuật toán gom cụm khác nhau (ví dụ: DBSCAN, SOM) có thể được khám phá. Một hướng khác là cải thiện hiệu quả của quá trình huấn luyện mạng nơ-ron. Các kỹ thuật regularization và dropout có thể được sử dụng để tránh overfitting. Việc sử dụng các kiến trúc mạng nơ-ron tiên tiến (ví dụ: Transformer) cũng có thể cải thiện độ chính xác dự báo. Ngoài ra, nghiên cứu có thể được mở rộng để áp dụng vào các lĩnh vực khác, chẳng hạn như dự báo thời tiết và dự báo y tế.

Tổng quan nghiên cứu

Dự báo dữ liệu chuỗi thời gian là một lĩnh vực quan trọng trong khoa học máy tính và các ngành kinh tế, tài chính, quản lý doanh nghiệp. Theo ước tính, các công ty và tổ chức ngày càng phụ thuộc vào khả năng dự báo chính xác các biến động trong dữ liệu chuỗi thời gian để đưa ra quyết định hiệu quả, giảm thiểu rủi ro và tối ưu hóa nguồn lực. Chuỗi thời gian là tập hợp các quan sát được thu thập theo các khoảng thời gian đều đặn, ví dụ như doanh thu hàng tháng, tỷ giá ngoại tệ, hay nhu cầu năng lượng. Mục tiêu nghiên cứu của luận văn là phát triển một phương pháp dự báo dữ liệu chuỗi thời gian dựa trên sự kết hợp giữa kỹ thuật gom cụm phân cấp (Hierarchical Agglomerative Clustering - HAC) và một tập hợp mạng nơ-ron nhân tạo (Artificial Neural Networks - ANN) nhằm nâng cao độ chính xác dự báo so với phương pháp truyền thống chỉ sử dụng một mạng nơ-ron duy nhất.

Phạm vi nghiên cứu tập trung vào các dữ liệu chuỗi thời gian thực tế như dữ liệu chứng khoán với kích thước 114,789 điểm, tỷ giá AUD/USD và AUD/GBP với 7,927 điểm mỗi loại, nhu cầu năng lượng tại Ý với 30,651 điểm, và dữ liệu doanh nghiệp ERP với 6,654 điểm. Thời gian nghiên cứu kéo dài từ tháng 1 đến tháng 6 năm 2015 tại Trường Đại học Bách Khoa, Đại học Quốc gia TP. Hồ Chí Minh. Ý nghĩa của nghiên cứu được thể hiện qua việc cải thiện độ chính xác dự báo, đặc biệt trong các lĩnh vực tài chính và kinh tế, giúp các nhà đầu tư và hoạch định chính sách có cơ sở vững chắc hơn trong việc ra quyết định.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên ba nền tảng lý thuyết chính:

1. Mạng nơ-ron nhân tạo (Artificial Neural Networks - ANN): Mạng nơ-ron truyền thẳng nhiều lớp (Feedforward Neural Networks) được sử dụng với giải thuật huấn luyện lan truyền ngược (Backpropagation). ANN có khả năng xấp xỉ các hàm phi tuyến, phù hợp với dữ liệu chuỗi thời gian có tính phi tuyến và biến động phức tạp. Các đơn vị sigmoid được dùng làm hàm kích hoạt, giúp mạng học được các đặc trưng phức tạp của dữ liệu.

2. Giải thuật gom cụm phân cấp từ dưới lên (Hierarchical Agglomerative Clustering - HAC): HAC là phương pháp gom cụm không giám sát, bắt đầu với mỗi phân đoạn dữ liệu là một cụm riêng biệt, sau đó liên tục gộp các cụm gần nhau nhất dựa trên khoảng cách Euclid cải tiến. Phương pháp này giúp phân loại các chuỗi con có đặc điểm tương tự thành các nhóm, từ đó huấn luyện mạng nơ-ron riêng biệt cho từng cụm.

3. Phân đoạn chuỗi thời gian dựa trên điểm cực trị quan trọng: Kỹ thuật này xác định các điểm cực đại và cực tiểu quan trọng trong chuỗi thời gian để tách chuỗi thành các phân đoạn con có thể chồng lấn nhau (overlap). Việc phân đoạn này giúp nắm bắt được các biến động cục bộ trong dữ liệu, điều mà các mô hình dự báo truyền thống thường bỏ qua.

Các khái niệm chính bao gồm: chuỗi thời gian, điểm cực trị quan trọng, phân đoạn (segment), mạng nơ-ron nhân tạo, giải thuật lan truyền ngược, gom cụm phân cấp, và phép biến hình vị tự (homothetic transformation) để chuẩn hóa chiều dài các chuỗi con.

Phương pháp nghiên cứu

Nguồn dữ liệu được sử dụng bao gồm các tập dữ liệu thực tế đa dạng: chứng khoán (114,789 điểm), tỷ giá ngoại tệ AUD/USD và AUD/GBP (7,927 điểm mỗi loại), nhu cầu năng lượng tại Ý (30,651 điểm), và dữ liệu doanh nghiệp ERP (6,654 điểm). Cỡ mẫu lớn và đa dạng giúp đánh giá tính tổng quát của phương pháp.

Phương pháp nghiên cứu gồm các bước chính:

• Phân đoạn chuỗi thời gian: Sử dụng giải thuật xác định điểm cực trị quan trọng với hệ số nén R để tách chuỗi thành các phân đoạn con có thể chồng lấn.

• Chuẩn hóa chuỗi con: Áp dụng phép biến hình vị tự để lấy mẫu lại các chuỗi con về cùng chiều dài, bảo toàn hình dạng dữ liệu nhằm chuẩn bị cho bước gom cụm.

• Gom cụm phân cấp (HAC): Gom các chuỗi con chuẩn hóa thành các cụm dựa trên khoảng cách Euclid cải tiến, xác định số lượng cụm phù hợp để huấn luyện mạng nơ-ron.

• Huấn luyện mạng nơ-ron: Mỗi cụm được huấn luyện thành một mạng nơ-ron riêng biệt sử dụng giải thuật lan truyền ngược với hệ số học và hệ số quán tính được điều chỉnh phù hợp.

• Dự báo: Xác định cụm gần nhất với đoạn dữ liệu cần dự báo, sử dụng mạng nơ-ron tương ứng để dự báo điểm tiếp theo trong chuỗi thời gian.

Phương pháp phân tích bao gồm đánh giá độ chính xác dự báo qua các chỉ số sai số chuẩn (RMSE, MAE) và so sánh với phương pháp truyền thống chỉ dùng một mạng nơ-ron duy nhất. Timeline nghiên cứu kéo dài từ tháng 1 đến tháng 6 năm 2015, với các giai đoạn thu thập dữ liệu, phát triển mô hình, huấn luyện và thử nghiệm.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Độ chính xác dự báo được cải thiện rõ rệt: Phương pháp kết hợp gom cụm và tập hợp mạng nơ-ron đạt sai số RMSE giảm khoảng 15-20% so với phương pháp chỉ sử dụng một mạng nơ-ron truyền thống trên các tập dữ liệu chứng khoán và tỷ giá ngoại tệ.

2. Khả năng nắm bắt biến động cục bộ tốt hơn: Việc phân đoạn chuỗi thời gian dựa trên điểm cực trị quan trọng giúp mô hình nhận diện và dự báo chính xác các biến động nhỏ trong dữ liệu, điều mà mô hình truyền thống thường bỏ qua.

3. Hiệu quả trên nhiều loại dữ liệu khác nhau: Phương pháp được thử nghiệm trên dữ liệu chứng khoán (114,789 điểm), tỷ giá AUD/USD và AUD/GBP (7,927 điểm), nhu cầu năng lượng Ý (30,651 điểm), và dữ liệu doanh nghiệp ERP (6,654 điểm) đều cho kết quả dự báo chính xác hơn, với mức cải thiện từ 10% đến 25% tùy loại dữ liệu.

4. Tính khả thi và ổn định của mô hình: Mạng nơ-ron huấn luyện theo từng cụm cho thấy sự hội tụ nhanh hơn và ổn định hơn so với huấn luyện một mạng lớn cho toàn bộ dữ liệu, giảm thiểu hiện tượng rơi vào cực tiểu cục bộ.

Thảo luận kết quả

Nguyên nhân chính của sự cải thiện độ chính xác là do phương pháp gom cụm phân loại các phân đoạn chuỗi con có đặc điểm tương tự, từ đó huấn luyện các mạng nơ-ron chuyên biệt cho từng cụm, giúp mô hình nắm bắt được các biến động cục bộ và phi tuyến trong dữ liệu. So với các nghiên cứu trước đây chỉ sử dụng một mạng nơ-ron duy nhất hoặc gom cụm không phân đoạn dựa trên các đặc trưng khác, phương pháp này tận dụng điểm cực trị quan trọng để phân đoạn dữ liệu, tạo ra các chuỗi con có ý nghĩa hơn về mặt đặc trưng.

Kết quả cũng cho thấy việc áp dụng phép biến hình vị tự để chuẩn hóa chiều dài chuỗi con giúp duy trì hình dạng dữ liệu, tránh sai lệch trong quá trình gom cụm và huấn luyện mạng. Các biểu đồ so sánh sai số dự báo giữa hai phương pháp minh họa rõ ràng sự vượt trội của mô hình kết hợp gom cụm và tập hợp mạng nơ-ron.

Ý nghĩa của kết quả này là mở ra hướng phát triển các mô hình dự báo chuỗi thời gian phức tạp hơn, có khả năng ứng dụng rộng rãi trong tài chính, kinh tế, quản lý năng lượng và các lĩnh vực khác cần dự báo chính xác dữ liệu biến động theo thời gian.

Đề xuất và khuyến nghị

1. Triển khai mô hình dự báo đa mạng nơ-ron trong các hệ thống tài chính: Các tổ chức tài chính nên áp dụng phương pháp gom cụm phân đoạn kết hợp mạng nơ-ron để nâng cao độ chính xác dự báo biến động thị trường, giảm thiểu rủi ro đầu tư. Thời gian triển khai dự kiến trong vòng 6-12 tháng, do các đơn vị phân tích dữ liệu và phát triển phần mềm thực hiện.

2. Phát triển phần mềm dự báo chuỗi thời gian tích hợp kỹ thuật phân đoạn và gom cụm: Các công ty công nghệ nên xây dựng các công cụ hỗ trợ dự báo dựa trên phương pháp này, giúp người dùng dễ dàng áp dụng cho nhiều loại dữ liệu khác nhau. Mục tiêu đạt được sản phẩm thử nghiệm trong 9 tháng.

3. Đào tạo và nâng cao năng lực cho chuyên gia phân tích dữ liệu: Các trường đại học và trung tâm đào tạo cần cập nhật kiến thức về mạng nơ-ron và kỹ thuật gom cụm phân cấp trong chương trình giảng dạy, giúp sinh viên và chuyên gia nắm bắt công nghệ mới. Khuyến nghị tổ chức các khóa học chuyên sâu trong 1 năm tới.

4. Mở rộng nghiên cứu ứng dụng cho các lĩnh vực khác: Nghiên cứu tiếp tục áp dụng phương pháp cho các lĩnh vực như y tế, dự báo thời tiết, quản lý chuỗi cung ứng để đánh giá tính hiệu quả và điều chỉnh mô hình phù hợp. Thời gian nghiên cứu mở rộng dự kiến 1-2 năm.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành Khoa học Máy tính, Trí tuệ nhân tạo: Luận văn cung cấp kiến thức sâu sắc về ứng dụng mạng nơ-ron và kỹ thuật gom cụm trong dự báo chuỗi thời gian, hỗ trợ phát triển các đề tài nghiên cứu liên quan.

2. Chuyên gia phân tích dữ liệu và nhà khoa học dữ liệu: Các chuyên gia có thể áp dụng phương pháp để cải thiện độ chính xác dự báo trong các dự án thực tế, đặc biệt trong lĩnh vực tài chính và kinh tế.

3. Nhà quản lý và hoạch định chính sách: Thông tin dự báo chính xác giúp đưa ra các quyết định chiến lược về đầu tư, quản lý rủi ro và phát triển kinh tế xã hội.

4. Doanh nghiệp và tổ chức tài chính: Các doanh nghiệp có thể ứng dụng mô hình để dự báo nhu cầu thị trường, biến động giá cả, từ đó tối ưu hóa hoạt động kinh doanh và nâng cao hiệu quả cạnh tranh.

Câu hỏi thường gặp

1. Phương pháp gom cụm phân cấp (HAC) khác gì so với K-means?
   HAC là phương pháp gom cụm phân cấp từ dưới lên, bắt đầu với mỗi điểm dữ liệu là một cụm riêng và liên tục gộp các cụm gần nhau nhất, không cần xác định trước số cụm. Trong khi đó, K-means yêu cầu xác định số cụm trước và có thể rơi vào điểm tối ưu cục bộ do khởi tạo ngẫu nhiên.

2. Tại sao phải phân đoạn chuỗi thời gian dựa trên điểm cực trị quan trọng?
   Phân đoạn dựa trên điểm cực trị giúp tách chuỗi thành các phần có biến động cục bộ rõ ràng, từ đó mô hình có thể học và dự báo chính xác hơn các biến động nhỏ mà mô hình toàn cục thường bỏ qua.

3. Giải thuật lan truyền ngược (Backpropagation) hoạt động như thế nào?
   Backpropagation là thuật toán huấn luyện mạng nơ-ron nhiều lớp bằng cách tính sai số đầu ra, sau đó lan truyền ngược sai số này để cập nhật trọng số theo phương pháp giảm độ dốc, giúp mạng học được mối quan hệ giữa đầu vào và đầu ra.

4. Phép biến hình vị tự có vai trò gì trong nghiên cứu?
   Phép biến hình vị tự chuẩn hóa chiều dài các chuỗi con mà không làm biến dạng hình dạng dữ liệu, giúp các chuỗi con có thể so sánh và gom cụm chính xác hơn.

5. Phương pháp này có thể áp dụng cho dữ liệu phi tuyến không?
   Có, mạng nơ-ron nhân tạo với hàm kích hoạt sigmoid có khả năng xấp xỉ các hàm phi tuyến, do đó phương pháp này phù hợp với cả dữ liệu tuyến tính và phi tuyến trong chuỗi thời gian.

Kết luận

• Phương pháp kết hợp gom cụm phân cấp và tập hợp mạng nơ-ron nhân tạo nâng cao đáng kể độ chính xác dự báo dữ liệu chuỗi thời gian so với phương pháp truyền thống.
• Việc phân đoạn chuỗi thời gian dựa trên điểm cực trị quan trọng giúp mô hình nắm bắt biến động cục bộ hiệu quả.
• Áp dụng phép biến hình vị tự giúp chuẩn hóa dữ liệu, tăng hiệu quả gom cụm và huấn luyện mạng.
• Kết quả thử nghiệm trên nhiều tập dữ liệu thực tế đa dạng cho thấy tính khả thi và ổn định của phương pháp.
• Đề xuất triển khai ứng dụng trong các lĩnh vực tài chính, kinh tế, năng lượng và mở rộng nghiên cứu cho các lĩnh vực khác trong tương lai.

Để tiếp tục phát triển, các nhà nghiên cứu và chuyên gia phân tích dữ liệu nên áp dụng và thử nghiệm phương pháp này trên các bộ dữ liệu mới, đồng thời phát triển các công cụ phần mềm hỗ trợ tự động hóa quy trình dự báo. Hành động ngay hôm nay để nâng cao năng lực dự báo và ra quyết định chính xác hơn trong môi trường kinh doanh và quản lý hiện đại.