Luận Văn Thạc Sĩ Về Dự Báo Chuỗi Thời Gian Mờ Dựa Trên Đại Số Gia Tử

Luận văn thạc sĩ nghiên cứu dự báo chuỗi thời gian mờ dựa trên đại số gia tử và ứng dụng dự báo tuyển sinh cho trường cao đẳng, đánh giá hiện trạng, phân tích vấn đề, đề xuất biện

• Tác giả: Lại Văn Lãm
• Người hướng dẫn: TS. Nguyễn Duy Minh
• Trường học: Đại học Thái Nguyên
• Chuyên ngành: Khoa học máy tính
• Đề tài: Dự Báo Chuỗi Thời Gian Mờ Dựa Trên Đại Số Gia Tử: Ứng Dụng Cho Tuyển Sinh Trường Cao Đẳng Sư Phạm Nam Định
• Loại tài liệu: luận văn
• Năm xuất bản: 2018
• Địa điểm: Thái Nguyên

Tóm tắt

I. Tổng Quan Về Dự Báo Chuỗi Thời Gian Mờ Dựa Trên Đại Số Gia Tử

Dự báo chuỗi thời gian mờ dựa trên đại số gia tử là một lĩnh vực nghiên cứu quan trọng trong khoa học máy tính và thống kê. Phương pháp này giúp phân tích và dự đoán các xu hướng trong dữ liệu không chắc chắn, đặc biệt là trong lĩnh vực tuyển sinh. Việc áp dụng đại số gia tử vào dự báo chuỗi thời gian mờ mang lại nhiều lợi ích, từ việc cải thiện độ chính xác đến việc tối ưu hóa quy trình ra quyết định.

1.1. Khái Niệm Dự Báo Chuỗi Thời Gian Mờ

Dự báo chuỗi thời gian mờ là phương pháp sử dụng các tập mờ để mô hình hóa và dự đoán các giá trị trong tương lai. Phương pháp này cho phép xử lý các thông tin không chính xác và không đầy đủ, giúp cải thiện độ chính xác của dự báo.

1.2. Đại Số Gia Tử Là Gì

Đại số gia tử (ĐSGT) là một công cụ toán học mạnh mẽ, cho phép mô hình hóa các biến ngôn ngữ và các mối quan hệ mờ. ĐSGT giúp xây dựng các mô hình dự báo chính xác hơn bằng cách sử dụng các giá trị ngữ nghĩa định lượng.

II. Vấn Đề Trong Dự Báo Tuyển Sinh Trường Cao Đẳng Sư Phạm Nam Định

Tuyển sinh tại Trường Cao đẳng Sư phạm Nam Định đang đối mặt với nhiều thách thức, bao gồm sự biến động của số lượng sinh viên và nhu cầu thị trường. Việc dự báo chính xác số lượng sinh viên nhập học là rất quan trọng để đảm bảo nguồn lực và chất lượng đào tạo. Các yếu tố như chính sách giáo dục, xu hướng xã hội và kinh tế đều ảnh hưởng đến quá trình tuyển sinh.

2.1. Thách Thức Trong Dự Báo Tuyển Sinh

Một trong những thách thức lớn nhất là sự không chắc chắn trong dữ liệu tuyển sinh. Các yếu tố như thay đổi trong chính sách giáo dục và nhu cầu thị trường có thể làm thay đổi số lượng sinh viên nhập học một cách đột ngột.

2.2. Tác Động Của Các Yếu Tố Ngoại Lai

Các yếu tố ngoại lai như tình hình kinh tế, xu hướng xã hội và sự cạnh tranh từ các trường khác cũng ảnh hưởng đến quyết định của sinh viên. Việc không dự đoán được những yếu tố này có thể dẫn đến sai lệch trong dự báo.

III. Phương Pháp Dự Báo Chuỗi Thời Gian Mờ Dựa Trên ĐSGT

Phương pháp dự báo chuỗi thời gian mờ dựa trên đại số gia tử đã được áp dụng thành công trong nhiều nghiên cứu. Mô hình này sử dụng các thuật toán mờ để xử lý dữ liệu và đưa ra dự báo chính xác hơn. Các bước thực hiện bao gồm xác định tập dữ liệu, mờ hóa dữ liệu và thiết lập các mối quan hệ mờ.

3.1. Các Bước Trong Phương Pháp Dự Báo

Quá trình dự báo bao gồm các bước như xác định tập U, mờ hóa dữ liệu và thiết lập các mối quan hệ mờ. Mỗi bước đều quan trọng để đảm bảo độ chính xác của dự báo.

3.2. Ứng Dụng Thuật Toán Dự Báo Mờ

Thuật toán dự báo mờ được phát triển từ các nghiên cứu trước đây, cho phép xử lý các mối quan hệ phức tạp giữa các biến. Việc áp dụng thuật toán này giúp cải thiện độ chính xác của dự báo tuyển sinh.

IV. Kết Quả Nghiên Cứu Ứng Dụng Dự Báo Cho Tuyển Sinh

Kết quả nghiên cứu cho thấy việc áp dụng mô hình dự báo chuỗi thời gian mờ dựa trên đại số gia tử đã mang lại những cải thiện đáng kể trong việc dự đoán số lượng sinh viên nhập học. Các mô hình này không chỉ giúp dự đoán chính xác hơn mà còn cung cấp thông tin hữu ích cho việc lập kế hoạch tuyển sinh.

4.1. Đánh Giá Kết Quả Dự Báo

Kết quả dự báo cho thấy mô hình mờ dựa trên ĐSGT có độ chính xác cao hơn so với các phương pháp truyền thống. Điều này cho thấy tiềm năng của phương pháp này trong việc cải thiện quy trình tuyển sinh.

4.2. Ứng Dụng Thực Tiễn Tại Trường Cao Đẳng Sư Phạm Nam Định

Mô hình dự báo đã được áp dụng thực tế tại Trường Cao đẳng Sư phạm Nam Định, giúp nhà trường có cái nhìn rõ hơn về xu hướng tuyển sinh và từ đó đưa ra các quyết định hợp lý.

V. Kết Luận Và Tương Lai Của Dự Báo Chuỗi Thời Gian Mờ

Dự báo chuỗi thời gian mờ dựa trên đại số gia tử là một lĩnh vực đầy tiềm năng. Việc áp dụng các phương pháp này không chỉ giúp cải thiện độ chính xác của dự báo mà còn mở ra nhiều cơ hội mới trong nghiên cứu và ứng dụng thực tiễn. Tương lai của lĩnh vực này hứa hẹn sẽ có nhiều phát triển mới, đặc biệt trong bối cảnh công nghệ thông tin ngày càng phát triển.

5.1. Triển Vọng Phát Triển Trong Nghiên Cứu

Nghiên cứu trong lĩnh vực dự báo chuỗi thời gian mờ sẽ tiếp tục phát triển, với nhiều ứng dụng mới trong các lĩnh vực khác nhau. Việc cải tiến các thuật toán và mô hình sẽ là một trong những hướng đi chính.

5.2. Ứng Dụng Trong Các Lĩnh Vực Khác

Ngoài lĩnh vực tuyển sinh, mô hình dự báo chuỗi thời gian mờ còn có thể được áp dụng trong nhiều lĩnh vực khác như kinh tế, y tế và quản lý. Điều này mở ra nhiều cơ hội cho các nhà nghiên cứu và ứng dụng.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: LOGIC MỜ VÀ ĐẠI SỐ GIA TỬ 1. Những vấn đề cơ sở của lý thuyết tập mờ và logic mờ 1. Lý thuyết tập mờ Lý thuyết tập mờ lần đầu tiên được Lofti A.Zadeh, một giáo sư thuộc trường Đại học Caliornia, Berkley giới thiệu trong một công trình nghiên cứu vào năm 1965. Lý thuyết tập mờ bao gồm logic mờ, số học mờ, quy hoạch toán học mờ, hình học tôpô mờ, lý thuyết đồ thị mờ, và phân tích dữ liệu mờ, mặc dù thuật ngữ logic mờ thường được dùng chung cho tất cả.

Không giống như tập rõ mà ta biết trước đây, mỗi phần tử luôn xác định hoặc thuộc hoặc không thuộc nó, thì với tập mờ chỉ xác định một phần tử liệu thuộc vào nó là nhiều hay ít, tức mỗi một đối tượng chỉ là phần tử của tập mờ với một khả năng nhất định mà thôi. Trọng tâm của lý thuyết tập mờ là việc đề xuất khái niệm tập mờ (fuzzy sets). Về mặt toán học, một tập mờ A là một hàm số (gọi là hàm thuộc (membership function)) xác định trên khoảng giá trị số mà đối số x có thể chấp nhận (gọi là tập vũ trụ (universe of discourse)) X cho bởi: µA(x) : X→ [0.0] Trong đó, A là nhãn mờ của biến X, thường mang một ý nghĩa ngôn ngữ nào đó, mô tả định tính thuộc tính của đối tượng, chẳng hạn như cao, thấp, nóng, lạnh, sáng, tối. Một khái niệm cơ bản khác được đưa ra – biến ngôn ngữ (linguistic variables).

Biến ngôn ngữ là biến nhận các giá trị ngôn ngữ (linguistic terms) chẳng hạn như “già”, “trẻ” và “trung niên”, trong đó, mỗi giá trị ngôn ngữ thực chất là một tập mờ xác định bởi một hàm thuộc và khoảng giá trị số tương ứng, chẳng hạn giá trị ngôn ngữ “trung niên” là một tập mờ có hàm thuộc dạng hình tam giác cân xác định khoảng độ tuổi. Logic mờ cho phép các tập này có thể xếp phủ lên nhau (chẳng hạn, một người ở độ tuổi 50 có thể trực thuộc cả tập 5 mờ “trung niên” lẫn tập mờ “già”, với mức độ trực thuộc với mỗi tập là khác nhau).  A được gọi là hàm thuộc, hàm liên thuộc hay hàm thành viên (membership function) Với x  X thì  A(x) được gọi là mức độ thuộc của x vào A. Như vậy ta có thể coi tập rõ là một trường hợp đặc biệt của tập mờ, trong đó hàm thuộc chỉ nhận 2 giá trị 0 và 1.

Ký hiệu tập mờ, ta có các dạng ký hiệu sau: Liệt kê phần tử: giả sử U={a,b,c,d} ta có thể xác định một tập mờ 0.2 0 A=    a b c d A = ( x, A ( x)) | x U   A ( x) A =  x trong trường hợp U là không gian rời rạc x U A =   A ( x) / x trong trường hợp U là không gian liên tục U Lưu ý: Các ký hiệu  và  không phải là các phép tính tổng hay tích phân, mà chỉ là ký hiệu biểu thị tập hợp mờ.1: Tập mờ A là tập “số gần 2” xác định bởi hàm thuộc  A  e ( x  2) ta có thể ký hiệu: A = ( x,  ( x  2)2 ) | x U 2    hoặc A =  ( x  2)2 / x  1. Định nghĩa logic mờ Biến ngôn ngữ đã được Zadeh đưa ra năm 1973 như sau: Một biến ngôn ngữ được xác định bởi bộ (x, T, U, M) trong đó: - X là tên biến. Ví dụ “nhiệt độ”, “tốc độ”, “độ ẩm”,… 6 - T là tập các từ là các giá trị ngôn ngữ tự nhiên mà x có thể nhận. Ví dụ x là “tốc độ” thì T có thể là {“chậm”, “trung bình”, “nhanh”} - U là miền các giá trị vật lý mà x có thể nhận.

Ví dụ x là “tốc độ” thì U có thể là {0km/h,1km/h, …150km/h} - M là luật ngữ nghĩa, ứng mỗi từ trong T với một tập mờ At trong U Như vậy, biến ngôn ngữ là biến nhận các giá trị ngôn ngữ (linguistic terms) mỗi giá trị ngôn ngữ thực chất là một tập mờ xác định bởi một hàm thuộc và khoảng giá trị số tương ứng và logic mờ cho phép các tập này có thể xếp phủ lên nhau Logic mờ được phát triển từ lý thuyết tập mờ để thực hiện lập luận một cách xấp xỉ thay vì lập luận chính xác theo logic vị từ cổ điển. Logic mờ có thể được coi là mặt ứng dụng của lý thuyết tập mờ để xử lý các giá trị trong thế giới thực cho các bài toán phức tạp. Trong logic rõ thì mệnh đề là một câu phát biểu đúng, sai. Trong logic mờ thì mỗi mệnh đề mờ là một câu phát biểu không nhất thiết là đúng hoặc sai.

Mệnh đề mờ được gán cho một giá trị trong khoảng từ 0 đến 1 để chỉ mức độ đúng (độ thuộc) của nó. Các phép toán trên tập mờ a. Phép bù của tập mờ Định nghĩa 1. Phép giao hai tập mờ Định nghĩa 1.

- T có tính giao hoán : T(x,y) = T(y,x), với mọi 0  x, y 1. - T không giảm: T(x,y)=T(u,v), với mọi x  u, y v. - T có tính kết hợp: T(x,T(y,z)) = T(T(x,y),z), với mọi 0  x,y, z 1. Cho T là một T-Chuẩn.

Phép giao của hai tập mờ A, B là một tập mờ (ký hiệu (ATB)) trên  với hàm thuộc cho bởi biểu thức: (ATB)(x) = T(A(x), B(x)), với mỗi x  Ví dụ 1.y theo các đồ thị hình 1.1 sau đây: Hình a: Hàm thuộc của hai tập mờ A và B Hình b: Giao của hai tập mờ theo T(x,y) = min(x,y) Hình c: Giao của hai tập mờ theo T(x,y) = x.1: Giao của hai tập mờ 8 c. Phép hợp hai tập mờ Định nghĩa 1. S có tính giao hoán : S(x,y)= S(y,x) với mọi 0  x , y  1. S không giảm: S(x,y)= S(u,v), với mọi x  u, y  v.

S có tính kết hợp: S(x,S(y,z)) = S(S(x,y),z) với mọi 0  x, y, z1. Cho S là một T - đối chuẩn. Phép hợp của hai tập mờ A, B là một tập mờ ( kí hiệu ASB)) trên  với hàm thuộc cho bởi biểu thức: (ASB)(x) = S(A(x),B(x)), với mỗi x Ví dụ 1.y theo các đồ thị hình 1.2 sau đây: Hình a: Hàm thuộc của hai tập mờ A, B Hình b: Hợp của hai tập mờ theo S(x,y) = max(x,y) Hình c: Hợp của hai tập mờ theo S(x,y) = x + y – x.2: Phép hợp của hai tập mờ 9 d. Luật De Morgan Cho T là T - chuẩn, S là T - đối chuẩn và n là phép phủ định mạnh.

Khi đó bộ ba(T, S,n) là bộ ba De Morgan nếu: n(S(x,y)) = T(n,(x),n(y)) Với phép phủ định n(n-1) = 1- x, chúng ta có một số cặp T - chuẩn và T - đối chuẩn thoả mãn luật DeMorgan trong bảng 1.1: Các cặp T - chuẩn và T - đối chuẩn STT T(x,y) S(x,y) 1 Min(x,y) Max(x,y) 2 x.y 3 Max(x + y -1, 0) Min(x + y,1) min( x, y )if(x+y)>1 max( x, y)if(x+y)<1 4 min 0 ( x, y)   Max1 ( x, y)    0  0 Else Else 5 min( x, y) max (x,y)=1 max( x, y ) min( x, y )  0 z ( x, y )   Max1( x, y )    0  0 Else Else 6 x. Phép kéo theo 10 Cho (T, S, n) là một bộ ba De Morgan với n là phép phủ định, phép kéo theo lS(x,y) hay xy được xác định trên khoảng [0,1]2 được định nghĩa bằng biểu thức sau đây: lS(x,y) = S(T(x,y),n(x)) Bảng dưới đây sẽ liệt kê một số phép kéo theo mờ hay được sử dụng nhất.2: Một số phép kéo theo mờ thông dụng Stt Tên Biểu thức xác định 1 Early Zadeh xy = max(1-x,min(x,y)) 2 Lukasiewicz xy = min(1,1- x+y) 3 Mandani xy = min(x,y) 4 Larsen xy = x.y 5 Standard Strict 1 if x  y xy =   0 other 6 Godel 1 if x  y xy =   0 other 7 Gaines 1 if x  y xy =   0 other 8 Kleene – Dienes xy = max(1 –x,y) 9 Kleene – Dienes –Lukasiwicz xy = 1- x + y 10 Yager xy = yx 1. Chuỗi thời gian mờ Theo Lý thuyết tập mờ đã trình bày ở trên, giả sử U là không gian nền xác định một tập hợp các đối tượng cần nghiên cứu. Nếu A là một tập con rõ của U thì ta có thể xác định chính xác một hàm đặc trưng: 0 𝑛ế𝑢 𝑥 𝑛ằ𝑚 𝑛𝑔𝑜à𝑖 𝐴 μ𝐴 (𝑥) = { 1 𝑛ế𝑢 𝑥 𝑛ằ𝑚 𝑡𝑟𝑜𝑛𝑔 𝐴 11 Nhưng với một tập mờ B trong không gian nền U thì phần tử x không xác định chính xác được.

Khi đó ta có định nghĩa: Tập A là mờ trên không gian nền U nếu A được xác định bởi hàm: µA : U → [0.1] µA được gọi là hàm thuộc (Membership function). Còn với bất kì một phần tử u nào của A thì hàm µA (u) được gọi là độ thuộc của u vào tập mờ A. Giả sử Y(t) là chuỗi thời gian (t = 0, 1, 2,.là tập nền. Tập mờ A trên không gian nền U được viết như sau: A = {( µA (u1) / u1, µA (u2) / u2,.,n} µA (ui) là độ thuộc của ui vào tập A.

Một số định nghĩa liên quan đến chuỗi thời gian mờ.) là một tập con của R1. Khi đó ta gọi F(t) là chuỗi thời gian mờ xác định trên tập nền Y(t).8: Tại các thời điểm t và t-1 có tồn tại một mối quan hệ mờ giữa F(t) và F(t-1) sao cho F(t) = F(t-1) * R(t-1, t) trong đó * là kí hiệu của một toán tử xác định trên tập mờ. R(t-1, t) là mối quan hệ mờ. Ta cũng có thể kí hiệu mối quan hệ mờ giữa F(t) và F(t-1) bằng kí hiệu F(t- 1) → F(t).

Nếu đặt F(t-1) = Ai và F(t) = Aj thì ta kí hiệu mối quan hệ logic mờ giữa chúng như sau: Ai → Aj.9: Nhóm các mối quan hệ mờ. Các mối quan hệ logic có thể gộp lại thành một nhóm nếu trong kí hiệu trên, cùng một vế trái sẽ có nhiều mối quan hệ tại vế phải.10: Giả sử F(t) suy ra từ F(t-1) và F(t) = F(t-1) * R(t-1, t) cho mọi t. Nếu R(t-1, t) không phụ thuộc vào t thì F(t) được gọi là chuỗi thời gian mờ dừng, còn ngược lại ta có chuỗi thời gian mờ không dừng. 12 Quá trình dự báo cho chuỗi thời gian mờ cũng dựa trên các bước của phương pháp lập luận xấp xỉ mờ.