CHƯƠNG 1: TỔNG QUAN VỀ DỰ BÁO CHUỖI THỜI GIAN Chương này nêu khái quát, hệ thống hóa cơ sở lý luận về vấn đề dự báo, đồng thời tập trung trình bày các nghiên cứu dự báo chuỗi thời gian và ứng dụng trong báo phụ tải điện đã được sử dụng. Tổng quan về dự báo Dự báo là khoa học và nghệ thuật tiên đoán các sự việc có thể sẽ xảy ra trong tương lai. Tính khoa học của dự báo thể hiện ở chỗ khi tiến hành dự báo người ta phải căn cứ trên các dữ liệu phản ánh tình hình thực tế trong quá khứ và hiện tại, căn cứ vào xu thế trên cơ sở khoa học để dự đoán những sự việc có thể sẽ xảy ra trong tương lai. Tính nghệ thuật trong dự báo thể hiện ở chỗ phải sử dụng tài phán đoán, kinh nghiệm trong những điều kiện thiếu thông tin hoặc nhu cầu của khách hàng biến động mạnh.
Từ những đặc điểm này cho thấy dự báo bao giờ cũng có sai số, chỉ ngẫu nhiên nếu chúng ta dự báo đúng hoàn toàn, tính chính xác của dự báo càng thấp khi thời gian dự báo càng dài. Các phương pháp dự báo cơ bản được phân thành hai loại cơ bản: các phương pháp định tính và định lượng, và việc lựa chọn loại thích hợp chủ yếu phụ thuộc vào dữ liệu có sẵn. Các phương pháp dự báo định tính mang tính chủ quan, sự kiện tương lai được dự đoán chủ quan dựa trên việc sử dụng ý kiến của các chuyên gia; tuy nhiên, chúng không hoàn toàn là phỏng đoán, nhưng chúng là các phương pháp tiếp cận có cấu trúc được phát triển để thu được các dự báo tốt mà không cần sử dụng dữ liệu lịch sử. Do đó, các phương pháp này hữu ích và được triển khai khi dữ liệu lịch sử không có sẵn hoặc khan hiếm.
Mặt khác, các phương pháp dự báo định lượng dựa trên toán học và công thức thống kê. Chúng được áp dụng khi có sẵn dữ liệu, nhưng phải thõa mãn hai điều kiện: thông tin về quá khứ có sẵn và giả định rằng một số các khía cạnh của mô hình trong quá khứ sẽ tiếp tục trong tương lai. Các phương pháp dự báo định lượng liên quan đến một loạt các phương pháp và mỗi phương pháp có các thuộc tính, độ chính xác và chi phí riêng phải được cân nhắc khi lựa chọn một Tng hp các án, khóa lun, tiu lun, chuyên và lun vn tt nghip i hc v các chuyên ngành: Kinh t, Tài Chính & Ngân Hàng, Công ngh thông tin document, khoa luan, tieu luan, 123 19 of 98. 9 phương pháp cụ thể trong các ngành cụ thể, cho các mục đích cụ thể.
Hầu hết các dự báo định lượng yêu cầu dữ liệu chuỗi thời gian được thu thập trong các khoảng thời gian đều đặn theo thời gian hoặc dữ liệu cắt ngang (dữ liệu được thu thập tại một thời điểm duy nhất). Các phương pháp dự báo Các phương pháp dự báo ban đầu hầu như hoàn toàn dựa theo phương pháp thống kê truyền thống nhưng với sự tiến bộ của khoa học hiện đại, các công nghệ dự báo đã phát triển đáng kể. Gần đây, các phương pháp dự báo dựa trên lý thuyết học máy là ngày càng trở nên phổ biến hơn trong dự báo. Phần sau đây giới thiệu và mô tả các phương pháp dự báo được sử dụng phổ biến nhất theo hai hướng sau: các mô hình thống kê và các mô hình hiện đại dựa trên máy học, khai phá dữ liệu và trí tuệ nhân tạo.
Các mô hình thống kê Trong cách tiếp cận dự báo theo mô hình thống kê thì các nghiên cứu dự báo chuỗi thời gian theo mô hình ARIMA đơn giản hoặc SARIMA (ARIMA theo mùa) dựa theo phương pháp chuẩn Box-Jenkins được sử dụng một cách khá thường xuyên. Mô hình Tự hồi quy tích hợp trung bình trượt (ARIMA) Lê Huy Phúc và các đồng sự [4] đã nghiên cứu ứng dụng phương pháp lọc dữ liệu để đánh giá độ tin cậy của nguồn dữ liệu đầu vào nhằm nâng cao chất lượng dự báo phụ tải điện ngắn hạn trên lưới điện TP. Trong nghiên cứu, nhóm tác giả đã đề xuất áp dụng mô hình ARIMA và ANN để có sự đối chiếu (sau khi loại bỏ các yếu tố bất thường trong dữ liệu), kết quả cho thấy MAPE của mô hình ARIMA nhỏ hơn so với mô hình ANN, tương ứng 4,9% so với 5,87%. Huỳnh Tấn Nguyên và Nguyễn Văn Lượng [17] nghiên cứu này ứng dụng mô hình ARIMA trong dự báo chỉ số giá tiêu dùng CPI ở Việt Nam trong quý 2 năm 2016.
Số liệu được thu thập từ Tổng cục Thống kê Việt Nam giai đoạn tháng 1/2010 đến tháng 03/2016. Kết quả cho thấy mô hình ARIMA (2,1,1) là thích hợp cho việc Tng hp các án, khóa lun, tiu lun, chuyên và lun vn tt nghip i hc v các chuyên ngành: Kinh t, Tài Chính & Ngân Hàng, Công ngh thông tin document, khoa luan, tieu luan, 123 20 of 98. Kết quả dự báo CPI quý 2 năm 2016 lần lượt là 159.5476% cho kết quả dự báo CPI tốt và việc ứng dụng mô hình ARIMA đã được thực hiện ở một số nghiên cứu trên thế giới. Trịnh Thị Phan Lan [18] sử dụng mô hình trong hình chuyển động tự hồi quy ARIMA để tìm ra mô hình tốt cho việc dự báo biến động tỷ giá tại Việt Nam.
Kết quả nghiên cứu cho thấy, mô hình SARIMA cho kết quả dự báo tốt nhất trong các mô hình được nghiên cứu. Sai số trong mô hình không lớn cho thấy, có thể sử dụng mô hình SARIMA để dự báo tỷ giá trong tương lai. Nghiêm Phúc Hiếu [19] sử dụng phương pháp Box-Jenkins để xây dựng mô hình ARIMA theo mùa (hay còn gọi là SARIMA - Seasonal Autoregressive Integrated Moving Average) nhằm dự báo lượng khách quốc tế đến Việt Nam dựa trên số liệu công bố hàng tháng của Tổng cục Du lịch Việt Nam. Nghiên cứu cũng đưa ra dự báo thử nghiệm về lượng khách quốc tế đến Việt Nam những tháng cuối năm 2017 với mức độ sai số chấp nhận được từ 1.
Lê Nhị Bảo Ngọc và các đồng sự [20] sử dụng mô hình SARIMA để dự báo giá giao lên tàu (FOB) thực tôm sú ngắn hạn với nguồn số liệu là chuỗi giá tôm sú có kích cỡ 30-40 con/kg theo thời gian từ tháng 1/2011 đến tháng 12/2016. Kết quả nghiên cứu khẳng định mô hình là phù hợp để giải thích được sự biến động giá FOB thực của tôm sú trong giai đoạn nói trên. Đồng thời, mô hình dự báo rất đáng tin cậy, giá trị thực của tháng 1 trong năm 2017 nằm trong khoảng tin cậy 95% và gần bằng với giá trị dự báo với điểm sai số dự báo nhỏ. Mô hình phân rã Ý tưởng của mô hình phân rã là chuỗi thời gian có thể được phân tách thành ba thành phần: xu hướng (hướng dài hạn), theo mùa (có hệ thống, chuyển động liên quan đến lịch) và bất thường (biến động không hệ thống, ngắn hạn).
Mô hình phân rã thông thường chia thành 2 loại: Mô hình cộng và Mô hình nhân Tng hp các án, khóa lun, tiu lun, chuyên và lun vn tt nghip i hc v các chuyên ngành: Kinh t, Tài Chính & Ngân Hàng, Công ngh thông tin document, khoa luan, tieu luan, 123 21 of 98. 11 Trong mô hình cộng, chuỗi thời gian quan sát (Ot) được coi là tổng của ba thành phần độc lập: theo mùa St, xu hướng Tt và bất thường It: Ot = Tt + St + It (1.1) Trong mô hình nhân, chuỗi thời gian quan sát (Ot) được biểu thị như là tích của các thành phần xu hướng Tt, theo mùa St và bất thường It: Ot = Tt × St × It (1.2) Gần đây, các nghiên cứu dự báo chuỗi thời gian phi tuyến theo mô hình cộng (Additive Model) trong đó các xu thế phi tuyến khớp với tính thời vụ hàng năm, hàng tuần và hàng ngày, cộng với các ảnh hưởng ngày lễ cũng được sử dụng cho hiệu quả tốt. Taylor và Benjamin Letham [12] đã giới thiệu phương pháp phân tích chuỗi thời gian theo mô hình cộng bằng thuật toán Facebook Prophet trong dự báo số sự kiện trên Facebook. Huỳnh Trọng Thưa và các đồng sự [13] đã công bố kết quả nghiên cứu sử dụng thuật toán phân tích chuỗi thời gian Facebook Prophet trong dự báo hoạt động đầu tư ở Khu Công nghệ cao TP.
Zar Zar Oo và Sabai Phyu [14] sử dụng thuật toán Prophet để dự báo nhiệt độ ở tỉnh Myintkyina, Myanmar cho kết quả tốt so với các phương pháp truyền thống. Toni Toharudin và các đồng sự [15] đã công bố báo cáo so sánh kết quả dự báo nhiệt độ không khí hàng ngày trong 5 năm ở Bandung, Taiwan giữa 2 mô hình dự báo bởi LSTM và Facebook Prophet; Các kết quả cho thấy rằng, Prophet cho kết quả tốt hơn đối với nhiệt độ tối đa, trong khi LSTM cho kết quả tốt hơn đối với nhiệt độ tối thiểu; Tuy nhiên, sự khác biệt về giá trị của RMSE không quá lớn đáng kể. Emir Žunić và các đồng sự [16] đề xuất bộ khung ứng dụng thuật toán Prophet trong dự báo doanh số bán hàng trong thực tế để dự báo doanh số hằng tháng, hằng quý sắp tới. Cách tiếp cận dự báo theo mô hình thống kê, đặc biệt là mô hình dự báo chuỗi thời gian có ưu thế trong dự báo chuỗi thời gian khi mà xu thế, tính mùa vụ được thể hiện rõ ràng.
Tng hp các án, khóa lun, tiu lun, chuyên và lun vn tt nghip i hc v các chuyên ngành: Kinh t, Tài Chính & Ngân Hàng, Công ngh thông tin document, khoa luan, tieu luan, 123 22 of 98. Các mô hình hiện đại dựa trên máy học, khai phá dữ liệu và trí tuệ nhân tạo Các mô hình thống kê truyền thống còn hạn chế và đôi khi có thể dẫn đến các giải pháp không đạt yêu cầu. Các lý do là khối lượng tính toán quá lớn dẫn đến tiêu tốn nhiều thời gian để đạt kết quả và độ phức tạp của các mẫu dữ liệu phi tuyến. Do đó, máy học và các kỹ thuật dựa trên trí tuệ nhân tạo cung cấp một giải pháp thay thế đầy hứa hẹn và hấp dẫn.
Thuật toán Mạng neural nhân tạo (ANN) Lei Guo và các đồng sự [10] áp dụng mô hình mạng neural LSTM (Long Short Term Memory) để dự báo phụ tải điện ngắn hạn. Mạng LSTM được xây dựng theo hai hướng, một giờ và một tuần, tương ứng. Mô hình dự đoán trong một giờ là đạt yêu cầu với MAPE 2. Mô hình dự đoán của một tuần không hiệu quả (MAPE 7.03%) do thời gian dự báo quá dài và được cải thiện (MAPE 5.