Giải pháp dự báo chuỗi thời gian hiệu quả với hàm mũ làm trơn và mạng nơ ron

Kết hợp phương pháp làm trơn hàm mũ và mạng nơ ron giúp nâng cao độ chính xác trong dự báo dữ liệu chuỗi thời gian, ứng dụng hiệu quả trong phân tích dữ liệu.

• Người hướng dẫn: Th.S Nguyễn Hoài Lê
• Trường học: Đại học Sư Phạm Kỹ Thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Khoa học máy tính
• Đề tài: Kết hợp phương pháp làm trơn hàm mũ với mạng nơ ron để giải quyết bài toán dự báo dữ liệu chuỗi thời gian
• Loại tài liệu: Công trình nghiên cứu khoa học cấp trường
• Năm xuất bản: 2014
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• DANH SÁCH THÀNH VIÊN THAM GIA NGHIÊN CỨU ĐỀ TÀI
• DANH MỤC HÌNH ẢNH
• MỞ ĐẦU
• Đặt vấn đề
• Một số hướng giải quyết
• Bố cục của đề tài
• 1. CHƯƠNG 1: CƠ SỞ LÝ THUYẾT
• 1.1. Chuỗi tuần tự theo thời gian (Time series)
• 1.1.1. Các thành phần của chuỗi tuần tự theo thời gian
• 1.2. Tổng quan về mô hình dự báo một đại lượng
• 1.2.1. Mô hình nhân (Multiplicative model)
• 1.2.2. Mô hình cộng (Additive model)
• 1.3. Phương pháp làm trơn
• 1.3.1. Phương pháp trung bình dịch chuyển
• 1.3.2. Phương pháp làm trơn bằng hàm số mũ đơn giản
• 1.3.3. Phương pháp làm trơn hàm mũ bậc 3 (Mô hình Holt-Winters)
• 1.4. Tổng quan về Mạng nơ ron
• 1.4.1. Các khái niệm chung
• 1.4.2. Giải thuật huấn luyện mạng nơ ron (máy học)
• 2. CHƯƠNG 2: PHƯƠNG PHÁP GIẢI QUYẾT VẤN ĐỀ
• 2.1. Vấn đề tính toán cục bộ
• 2.2. Vấn đề hiệu quả tính toán
• 2.3. Vấn đề học
• 3. CHƯƠNG 3: HIỆN THỰC VÀ THỬ NGHIỆM
• KẾT LUẬN VÀ KIẾN NGHỊ
• Những kết quả đạt được của Đề tài
• Những hạn chế của Đề tài
• Hướng phát triển của Đề tài

Tóm tắt

I. Giới thiệu về dự báo chuỗi thời gian và mô hình kết hợp

Dự báo chuỗi thời gian là một lĩnh vực quan trọng trong phân tích dữ liệu, đặc biệt trong các ngành như tài chính, kinh tế và khoa học môi trường. Mô hình dự báo truyền thống như hàm mũ làm trơn thường được sử dụng để xử lý các thành phần tuyến tính trong dữ liệu. Tuy nhiên, dữ liệu thực tế thường chứa cả thành phần phi tuyến và bất thường, đòi hỏi các mô hình phức tạp hơn. Mạng nơ ron (ANN) là một mô hình phi tuyến mạnh mẽ, có khả năng xử lý các mẫu phức tạp trong dữ liệu. Nghiên cứu này đề xuất kết hợp hàm mũ làm trơn và mạng nơ ron để tăng độ chính xác trong dự báo chuỗi thời gian.

1.1. Vấn đề của mô hình tuyến tính

Hàm mũ làm trơn là một phương pháp dự báo hiệu quả cho các thành phần tuyến tính trong chuỗi thời gian. Tuy nhiên, nó không thể xử lý các thành phần phi tuyến và bất thường. Ví dụ, trong lĩnh vực tài chính, giá cổ phiếu thường chứa cả xu hướng dài hạn và biến động ngắn hạn. Mô hình tuyến tính như hàm mũ làm trơn thường bỏ qua các biến động này, dẫn đến dự báo không chính xác.

1.2. Ưu điểm của mạng nơ ron

Mạng nơ ron là một hệ thống nơ ron nhân tạo có khả năng học và dự đoán các mẫu phức tạp trong dữ liệu. Nó được sử dụng rộng rãi trong các bài toán như nhận dạng hình ảnh, xử lý ngôn ngữ tự nhiên và dự báo chuỗi thời gian. Tuy nhiên, mạng nơ ron đôi khi bỏ qua các thành phần tuyến tính trong dữ liệu, dẫn đến dự báo không hoàn chỉnh.

II. Phương pháp kết hợp hàm mũ làm trơn và mạng nơ ron

Nghiên cứu này đề xuất kết hợp hàm mũ làm trơn và mạng nơ ron để tận dụng ưu điểm của cả hai phương pháp. Hàm mũ làm trơn được sử dụng để xử lý các thành phần tuyến tính, trong khi mạng nơ ron xử lý các thành phần phi tuyến và bất thường. Phương pháp này giúp tăng độ chính xác trong dự báo chuỗi thời gian, đặc biệt khi dữ liệu chứa cả xu hướng dài hạn và biến động ngắn hạn.

2.1. Quy trình thực hiện

Quy trình bao gồm các bước: (1) Làm trơn dữ liệu bằng hàm mũ bậc ba (Triple Exponential Smoothing) để loại bỏ nhiễu và xác định xu hướng. (2) Sử dụng mạng nơ ron để dự đoán các thành phần phi tuyến và bất thường. (3) Kết hợp kết quả từ hai phương pháp để tạo ra dự báo cuối cùng. Phương pháp này đã được thử nghiệm trên các bộ dữ liệu thực tế và cho kết quả chính xác hơn so với việc sử dụng riêng lẻ từng phương pháp.

2.2. Tối ưu hóa mô hình

Để tối ưu hóa mô hình, nghiên cứu sử dụng các kỹ thuật học sâu như backpropagation để huấn luyện mạng nơ ron. Các tham số của hàm mũ làm trơn như alpha và beta được điều chỉnh để phù hợp với đặc điểm của dữ liệu. Kết quả cho thấy mô hình kết hợp đạt độ chính xác cao hơn so với các mô hình truyền thống.

III. Kết quả thực nghiệm và ứng dụng

Nghiên cứu đã thử nghiệm mô hình kết hợp trên các bộ dữ liệu chuỗi thời gian thực tế, bao gồm dữ liệu tài chính và thời tiết. Kết quả cho thấy mô hình này đạt độ chính xác cao hơn so với các phương pháp truyền thống như ARIMA và mạng nơ ron đơn thuần. Đặc biệt, mô hình kết hợp hiệu quả trong việc dự báo các biến động ngắn hạn và xu hướng dài hạn.

3.1. Đánh giá hiệu quả

Mô hình kết hợp đã được đánh giá thông qua các chỉ số như Mean Absolute Error (MAE) và Root Mean Squared Error (RMSE). Kết quả cho thấy mô hình này giảm đáng kể sai số so với các phương pháp truyền thống. Điều này chứng tỏ hiệu quả của việc kết hợp hàm mũ làm trơn và mạng nơ ron trong dự báo chuỗi thời gian.

3.2. Ứng dụng thực tế

Mô hình này có thể được áp dụng trong nhiều lĩnh vực như dự báo giá cổ phiếu, dự báo thời tiết và quản lý chuỗi cung ứng. Ví dụ, trong lĩnh vực tài chính, mô hình giúp dự đoán chính xác hơn các biến động ngắn hạn của giá cổ phiếu, hỗ trợ các quyết định đầu tư hiệu quả.

Nội dung chính

Kết Hợp Hàm Mũ Làm Trơn Và Mạng Nơ-ron Trong Dự Báo Dữ Liệu Chuỗi Thời Gian: Hướng Tiếp Cận Lai Hiệu Quả Cho Bài Toán Thủy Văn Và Tài Chính

---

Tóm tắt nghiên cứu (200-250 từ)

• Câu hỏi nghiên cứu chính: Làm thế nào để nâng cao độ chính xác trong dự báo dữ liệu chuỗi thời gian phi tuyến phức tạp khi dữ liệu thực tế luôn đan xen đồng thời các thành phần xu hướng dài hạn, tính chu kỳ mùa vụ và các biến động bất thường?
• Tổng quan phương pháp tiếp cận: Đề tài nghiên cứu cấp trường (Mã số: T2013-44) do Th.S Nguyễn Hoài Lê làm chủ nhiệm tại Trường Đại học Sư phạm Kỹ thuật TP.HCM đã đề xuất một mô hình lai (Hybrid Architecture) tích hợp hai kỹ thuật: phương pháp làm trơn hàm mũ bậc 3 (Triple Exponential Smoothing / Holt-Winters) đóng vai trò là bộ tiền xử lý và lọc nhiễu dữ liệu, kết hợp cùng mạng nơ-ron nhân tạo truyền thẳng nhiều lớp (Multilayer Feedforward Neural Network - ANN) được tối ưu hóa bằng giải thuật lan truyền ngược (Backpropagation) để tiến hành dự báo.
• Kết quả then chốt: Thử nghiệm trên tập dữ liệu thực tế về lưu lượng nước tại Nhà máy Thủy điện Hòa Bình chứng minh rằng mô hình tích hợp đạt độ chính xác dự báo lên tới 92%, vượt trội rõ rệt so với mức 87% khi sử dụng mạng nơ-ron độc lập trên dữ liệu thô.
• Ý nghĩa thực tiễn: Nghiên cứu mở ra hướng đi tối ưu chi phí tính toán, nâng cao hiệu quả phân tích chuỗi thời gian cho các hệ thống giám sát thủy văn, dự báo tải năng lượng và quản trị rủi ro tài chính.

---

Bối cảnh và tầm quan trọng (300-350 từ)

Trong kỷ nguyên số, dự báo chuỗi thời gian (Time Series Forecasting) giữ vai trò hạt nhân trong việc ra quyết định chiến lược trên nhiều lĩnh vực then chốt như khí tượng thủy văn, điều phối lưới điện thông minh, quản lý chuỗi cung ứng và đầu tư tài chính. Một chuỗi dữ liệu thời gian thực tế thường được cấu thành từ 4 thành phần phức tạp:

1. Xu thế dài hạn (Trend component - $T_t$): Thể hiện xu hướng tăng hoặc giảm liên tục theo thời gian.
2. Tính mùa vụ (Seasonal component - $S_t$): Các biến động lặp lại theo chu kỳ cố định (ngày, tháng, quý).
3. Tính chu kỳ (Cyclical component - $C_t$): Sự dao động có tính chu kỳ nhưng độ dài mỗi chu kỳ lớn hơn một năm.
4. Thành phần bất thường / Nhiễu (Irregular component - $I_t$): Các đột biến ngẫu nhiên không có quy luật do biến cố ngoại cảnh.

       Chuỗi Thời Gian Thực Tế (Phức Tạp & Nhiễu)
   Thành Phần Tuyến Tính             Thành Phần Phi Tuyến
   (Xu hướng + Mùa vụ)               (Tương tác ẩn + Biến động ngẫu nhiên)
 Mô hình Holt-Winters               Mạng Nơ-ron Nhân Tạo
 (Làm trơn & Khử nhiễu)             (Học sâu & Ánh xạ phi tuyến)
             Dự Báo Chính Xác Cao (92%)

Khoảng trống nghiên cứu (Research Gap)

Các phương pháp thống kê cổ điển như mô hình làm trơn hàm mũ đơn giản hay ARIMA tuy có chi phí tính toán thấp, dễ hiểu nhưng lại bị giới hạn bởi giả định tuyến tính, không thể bao quát được các biến động phi tuyến bất thường. Ngược lại, các mô hình học máy hiện đại như mạng nơ-ron nhân tạo (ANN) tuy rất mạnh trong việc nắm bắt các quy luật phi tuyến nhưng lại dễ bị đánh lừa bởi nhiễu, rơi vào điểm cực tiểu cục bộ (Local Minima), hoặc bỏ qua các cấu trúc xu thế tuyến tính sẵn có của chuỗi dữ liệu.

Tính cấp thiết và tác động tiềm năng

Sự kết hợp giữa phương pháp làm trơn hàm mũ bậc 3 và mạng nơ-ron giải quyết triệt để sự đánh đổi giữa độ phức tạp tính toán và độ chính xác dự báo. Việc ứng dụng mô hình này vào bài toán dự báo thủy văn (điển hình là hồ thủy điện Hòa Bình) có ý nghĩa sống còn trong việc điều tiết nguồn nước, phòng chống lũ lụt hạ du và tối đa hóa hiệu suất phát điện quốc gia.

---

Methodology và tiếp cận khoa học (350-400 từ)

Nghiên cứu áp dụng quy trình thực nghiệm khoa học gồm hai giai đoạn liên kết chặt chẽ:

 [Dữ liệu chuỗi gốc] 
 [Tầng 1: Tiền Xử Lý với Holt-Winters]
   • Làm trơn mức độ (Level)
   • Bóc tách xu thế (Trend: α = 0.5)
   • Bóc tách mùa vụ (Seasonality)
   • Khử thành phần bất thường (Irregular Noise)
 [Dữ liệu làm trơn tối ưu]
 [Tầng 2: Mạng Nơ-ron Truyền Thẳng (ANN)]
   • Kiến trúc: 3 nút Input - 2 nút Hidden - 1 nút Output
   • Hàm kích hoạt: Sigmoid f(x) = 1 / (1 + e^(-x))
   • Thuật toán học: Lan truyền ngược (Backpropagation)
   • Số vòng lặp: 1000 epochs
 [Kết quả dự báo đầu ra chính xác cao]

1. Tầng Tiền Xử Lý: Mô hình Holt-Winters (Triple Exponential Smoothing)

Phương pháp làm trơn hàm mũ bậc 3 tính toán liên tục các giá trị quá khứ dựa trên trung bình có trọng số suy giảm theo hàm mũ. Hệ phương trình được áp dụng:

$$F_t = \alpha X_t + (1 - \alpha)(F_{t-1} + T_{t-1})$$

$$T_t = \beta (F_t - F_{t-1}) + (1 - \beta) T_{t-1}$$

Trong đó:

• $X_t$: Giá trị quan sát thực tế tại thời điểm $t$.
• $F_t$: Giá trị dự báo được làm trơn tại thời điểm $t$.
• $T_t$: Thành phần xu thế được làm trơn tại thời điểm $t$.
• $\alpha, \beta \in (0, 1)$: Hằng số làm trơn mức độ và xu thế.

Tầng này loại bỏ thành công các giá trị gai nhiễu bất thường, biến đổi chuỗi dữ liệu thô thành chuỗi dữ liệu mượt mà giữ nguyên cấu trúc động học cơ bản.

2. Tầng Dự Báo: Mạng Nơ-ron Đa Lớp Truyền Thẳng (ANN)

Dữ liệu sau khi làm trơn được nạp vào mạng nơ-ron nhân tạo với cấu hình:

• Tầng nhập (Input Layer): 3 nơ-ron đại diện cho các bước trễ thời gian liền kề ($X_{t-1}, X_{t-2}, X_{t-3}$).

• Tầng ẩn (Hidden Layer): 2 nơ-ron xử lý với hàm kích hoạt phi tuyến Sigmoid:

  $$f(y) = \frac{1}{1 + e^{-y}}$$

• Tầng xuất (Output Layer): 1 nơ-ron cho ra giá trị dự báo tại thời điểm $t$.

• Giải thuật huấn luyện: Lan truyền ngược (Backpropagation) kết hợp phân tích các quy tắc học nâng cao:

  • Quy tắc Delta cơ bản: Dựa trên Gradient Descent để cập nhật trọng số:

    $$\Delta w = -\epsilon \cdot \frac{\partial E}{\partial w}$$

  • Quy tắc Momentum: Tích hợp động lượng để vượt qua vùng trũng phẳng:

    $$c_m = -\mu c_{m-1} - \mu \epsilon d_m$$

  • Quy tắc Delta-bar-Delta: Thích nghi hóa hệ số học riêng biệt cho từng trọng số, giúp tăng tốc độ hội tụ gấp 10 lần so với Delta truyền thống.

Độ tin cậy và kiểm chứng thực nghiệm

Toàn bộ thuật toán được lập trình trên ngôn ngữ Java, vận hành trên phần cứng tiêu chuẩn (Intel Core i7, 8GB RAM, Windows 8). Bộ dữ liệu kiểm thử bao gồm hơn 560 điểm đo lưu lượng nước thực tế tại Thủy điện Hòa Bình.

---

Phát hiện chính và kết quả thực nghiệm (400-450 từ)

Nghiên cứu mang lại những kết quả định lượng rõ ràng, chứng minh tính ưu việt của mô hình lai so với các phương pháp truyền thống:

1. Khử nhiễu bất thường vượt trội

Hình ảnh phân tích dữ liệu trước và sau khi làm trơn hàm mũ bậc 3 với tham số $\alpha = 0.5$ cho thấy: Các dao động đột ngột và nhiễu ngẫu nhiên trong chuỗi lưu lượng nước gốc đã được làm phẳng một cách tối ưu. Điều này ngăn chặn việc mạng nơ-ron học nhầm các ngoại lệ thống kê (overfitting vào nhiễu).

2. Cải thiện nhảy vọt về độ chính xác dự báo (MSE)

Thực nghiệm so sánh giữa hai mô hình với cùng cấu hình mạng (3-2-1, Sigmoid, 1000 epochs) mang lại kết quả:

Chỉ số đánh giá	Mạng Nơ-ron Độc Lập (Dữ liệu gốc)	Mô hình Lai (Holt-Winters + ANN)	Mức độ cải thiện
Cấu hình mạng	3 Input - 2 Hidden - 1 Output	3 Input - 2 Hidden - 1 Output	Đồng nhất
Số vòng lặp (Epochs)	1.000 vòng	1.000 vòng	Đồng nhất
Hàm kích hoạt	Sigmoid	Sigmoid	Đồng nhất
Độ chính xác tương đối	87%	92%	+5% tuyệt đối
Mức độ giảm sai số	Sai số còn cao do nhiễu	Sai số giảm thiểu rõ rệt	Giảm ~38.5% lỗi sai

Độ Chính Xác Dự Báo Giữa Hai Phương Pháp (%)
                      ANN Gốc       Holt-Winters + ANN

3. Khắc phục hạn chế của thuật toán Lan truyền ngược

Phân tích mặt cong sai số (Error Surface) cho thấy: Khi dữ liệu đầu vào chứa nhiều thành phần tuyến tính bất đối xứng, vector Gradient thường di chuyển zigzag và hội tụ rất chậm. Khi chuỗi thời gian được làm trơn bởi Holt-Winters, mặt lỗi trở nên đơn giản hơn, giúp giải thuật Gradient Descent nhanh chóng tiếp cận đáy vực sai số cực tiểu toàn cục (Global Minima) mà không bị mắc kẹt tại các cực tiểu địa phương (Local Minima).

4. Tính toán cục bộ và độ phức tạp tuyến tính

Nghiên cứu chứng minh rằng tính toán cục bộ của giải thuật Backpropagation trong mô hình này có độ phức tạp chỉ là hàm tuyến tính của số lượng trọng số $O(W)$. Điều này cho phép chương trình chạy mượt mà, phản hồi tức thời ngay trên phần cứng thông thường mà không cần đến các cụm máy chủ GPU đắt đỏ.

---

Đóng góp khoa học và giá trị ứng dụng (250-300 từ)

Đóng góp về mặt lý thuyết (Theoretical Contributions)

Nghiên cứu củng cố cơ sở lý luận về kiến trúc mô hình lai (Hybrid Modeling) trong khoa học dữ liệu: Chứng minh rằng việc chia tách một chuỗi thời gian phức tạp thành các thành phần tuyến tính (xử lý bằng giải tích hàm mũ) và phi tuyến (xử lý bằng máy học kết nối) luôn mang lại hiệu năng cao hơn việc sử dụng một mô hình đơn lẻ.

       ĐÓNG GÓP TOÀN DIỆN CỦA ĐỀ TÀI

Đổi mới về mặt phương pháp luận (Methodological Innovations)

• Thiết lập khung tiền xử lý dữ liệu chuẩn hóa sử dụng hàm mũ bậc 3 với tham số tối ưu hóa $\alpha, \beta$, giúp giảm tải gánh nặng tính toán cho mạng nơ-ron.
• Phân tích chuyên sâu về sự hội tụ, đặc tính mặt lỗi và so sánh cơ chế học thích nghi Delta-bar-Delta đối với dữ liệu chuỗi thời gian thực tế tại Việt Nam.

Khả năng ứng dụng thực tiễn (Practical Applications)

• Vận hành Thủy điện: Dự báo chính xác lưu lượng nước về hồ Hòa Bình giúp điều tiết xả lũ chủ động trong mùa mưa bão và trữ nước phục vụ phát điện vào mùa khô.
• Kinh tế & Tài chính: Ứng dụng để dự báo giá vàng, tỷ giá ngoại hối, chỉ số chứng khoán (VN-Index) và doanh thu định kỳ của doanh nghiệp.

---

Đối tượng quan tâm và lợi ích cụ thể (200-250 từ)

Nghiên cứu mang lại giá trị thiết thực cho nhiều nhóm đối tượng chuyên môn:

• Nhà nghiên cứu Khoa học Dữ liệu & AI: Tiếp cận một tài liệu tham khảo chất lượng về cách kết hợp giữa giải tích thống kê truyền thống và mạng nơ-ron nhân tạo, làm tiền đề mở rộng sang các kiến trúc sâu hơn như LSTM, GRU hay Transformer.
• Kỹ sư Thủy văn & Quản lý Năng lượng: Sở hữu giải pháp dự báo dòng chảy đáng tin cậy, hỗ trợ xây dựng kế hoạch vận hành an toàn cho các công trình hồ đập thủy điện.
• Chuyên gia Phân tích Tài chính & Kinh doanh: Ứng dụng quy trình làm trơn Holt-Winters và ANN để xây dựng các công cụ dự báo doanh số bán hàng, dự báo biến động giá cả thị trường với độ nhiễu thấp.
• Sinh viên & Giảng viên ngành CNTT: Tài liệu học thuật chuẩn mực, cung cấp đầy đủ từ cơ sở toán học (đạo hàm ma trận, vector gradient, chuỗi đạo hàm riêng) đến mã nguồn và chương trình demo thực thi trên Java.

---

Các câu hỏi thường gặp (FAQ) (250-300 từ)

1. Phát hiện quan trọng nhất của đề tài là gì?

Điểm mấu chốt là việc sử dụng phương pháp làm trơn hàm mũ bậc 3 (Holt-Winters) làm bước tiền xử lý giúp loại bỏ nhiễu bất thường, qua đó nâng độ chính xác dự báo của mạng nơ-ron từ 87% lên 92% trên tập dữ liệu lưu lượng nước hồ thủy điện Hòa Bình.

2. Phương pháp tiếp cận này có gì đặc biệt so với mô hình ARIMA-ANN?

So với ARIMA, phương pháp làm trơn hàm mũ bậc 3 có chi phí tính toán thấp hơn, thuật toán đơn giản, dễ cài đặt và đặc biệt hiệu quả với các bài toán dự báo ngắn hạn có chứa cả xu thế lẫn tính mùa vụ mà không đòi hỏi quá nhiều giả định khắt khe về tính dừng (Stationarity).

3. Kết quả của nghiên cứu có thể khái quát hóa (Generalize) cho dữ liệu khác không?

Hoàn toàn có thể. Cấu trúc lai này thích ứng tốt với bất kỳ chuỗi thời gian nào có đồng thời thành phần xu hướng và mùa vụ như: chỉ số giá tiêu dùng (CPI), lưu lượng giao thông, điện năng tiêu thụ, doanh số bán lẻ hàng tháng.

4. Đâu là những hạn chế và hướng phát triển tiếp theo của nghiên cứu?

Hạn chế hiện tại là đề tài mới thử nghiệm chuyên sâu trên một tập dữ liệu thủy văn. Hướng phát triển tiếp theo là tự động hóa việc tinh chỉnh các siêu tham số ($\alpha, \beta$, số nơ-ron ẩn) bằng giải thuật di truyền (GA) và thử nghiệm trên nhiều tập dữ liệu đa ngành.

5. Tại sao mạng nơ-ron độc lập lại đạt kết quả kém hơn mô hình lai?

Vì mạng nơ-ron thuần túy thường có xu hướng phức tạp hóa bài toán khi tiếp nhận dữ liệu thô nhiều nhiễu, dễ rơi vào bẫy cực tiểu cục bộ hoặc bỏ qua các quy luật tuyến tính hiển nhiên vốn được giải quyết rất tốt bởi mô hình hàm mũ.

---

Kết luận (150 từ)

Công trình nghiên cứu khoa học "Kết hợp phương pháp làm trơn hàm mũ với mạng nơ-ron để giải quyết bài toán dự báo dữ liệu chuỗi thời gian" (Mã số: T2013-44) của tác giả Th.S Nguyễn Hoài Lê đã chứng minh tính hiệu quả và tính khả thi vượt trội của phương pháp tiếp cận lai. Bằng việc kết hợp hài hòa năng lực bóc tách xu thế của mô hình Holt-Winters và khả năng học quy luật phi tuyến của mạng nơ-ron truyền thẳng, đề tài đã giải quyết xuất sắc bài toán dự báo lưu lượng thủy văn với độ chính xác đạt 92%.

Đây là nền tảng kỹ thuật vững chắc, mở ra tiềm năng ứng dụng rộng rãi trong chuyển đổi số ngành tài nguyên nước, năng lượng và phân tích tài chính. Các đơn vị nghiên cứu và doanh nghiệp có thể kế thừa mô hình này để tích hợp vào các hệ thống dự báo thời gian thực phục vụ sản xuất và quản trị thông minh.

Trích đoạn nội dung tài liệu

CHƯƠNG 1 CƠ SỞ LÝ THUYÉT Chương này sẽ trình bày tổng quan về bài toán dự báo dữ liệu chuỗi thời gian, phương pháp làm trơn hàm mũ và mô hình mạng nơ ron đa lớp truyền thẳng sử dụng cho bài toán dự báo dữ liệu. Chuỗi tuần tự theo thời gian( Time series) : 1. Dinh nghĩa: - Chudi tuần tự theo thời gian là một chuỗi các gía trị của một đại lượng nào đó được ghỉ nhận tuần tự theo thời gian. Ví dụ: Số lượng hàng bán được trong 12 tháng của một công ty.

- Các gia trị của chuễi tuần tự theo thời gian của đại lượng X được ký hiệu XỊ, Xạ,. Xạ, với Xụ, là gia trị quan sát của X ở thời điểm t. Các thành phần của chuỗi tuần tự theo thời gian : Các nhà thống kê thường chia chuỗi tuần tự theo thời gian ra làm 4 thành phần: Thanh phan xu hung dai han (Long-term trend component) Thanh phan mia (Seasonal component) Thành phần chu ky (Cyclical component) Thành phần bất thudng (Irregular component) 1. Thành phần xu hướng dài han: Thành phần này dùng để chỉ xu hướng tăng giảm của đại lượng X trong khoảng thời gian dài.

Về mặt đồ thị thành phần này có thể diễn tả bằng một đường thẳng hay bằng một đường cong tròn Xu hướng giảm theo thời gian Hình 2 : Thành phân xu hướng dài hạn 1. Thành phần mùa: Thành phần này chỉ sự thay đỗi của đại lượng X theo các mùa trong năm hoặc có thể theo các tháng trong năm. Ví dụ: - Lượng tiêu thụ chất đốt sẽ tăng vào mùa đông và sẽ giảm vào mùa hè. Ngược lại lượng tiêu thụ xăng sẽ tăng vào mùa hè và giảm vào mùa đông - Lượng tiêu thụ đồ dùng học tập sẽ tăng vào mùa khai trường Chất dot Thay đổi theo mùa Xu hướng tăng theo thời gian ( 6 12 6 12 6 12 Hình 3 : Thành phân mùa 1.

Thành phần chu kỳ: Thanh phan nay chỉ thay đổi của đại lượng X theo chu kỳ. Sự khác biệt của thành phần này so với thành phần mùa là chu kỳ của nó dài hơn một năm. Để đánh 4 gía thành phần chu kỳ các gía trị của chuỗi tuần tự theo thời gian sẽ được quan sát hằng năm. Ví dụ: Lượng dòng chảy đến hỗ chứa Trị An từ năm 1959 đến 1985 Q (m2) 1959 1960 Jog; — Hn) Hình 4: Thành phân chu kỳ 1.

Thành phần bất thường: Thành phần này dùng để chỉ những sự thay đối bất thường của các gía trị trong chuỗi tuần tự theo thời gian. Sự thay đổi này không thể dự đoán bằng các số liệu kinh nghiệm trong qúa khử, về mặt bản chất này không có tính chu kỳ. Tổng quan về mô hình đự báo một đại lượng Dự báo là khả năng nhận thức được sự vận động của các đổi tượng nghiên cứu trong tương lai dựa trên sự phân tích chuỗi thông tin quá khứ và hiện tại. Cho đến nay, nhu cầu dự báo đã trở nên hết sức cần thiết ở mỗi lĩnh vực.

Mô hình nhân ( Muluplicative model) : X=T, *¥5*C *1 X,: Gia trị của đại lượng X ở thời điểm t Tị: Gia trị của thành phần xu hướng ở thời điểm t. Tt có cùng đơn vi voi Xt S,, Cy, Ip: là các hệ số đánh gia ảnh hưởng của các thành phần mùa, thành phần chu kỳ và thành phần bất kỳ đến gía trị của X ở thời điểm t. Trong thực tế việc xác định I: rất khỏ khăn nên thường được bỏ qua, khi đó: Xt=Tt * St *Ct 1. Mô hình cộng (Additive model) : Xt= Tt+ St + Ct + lt X¿: Gia trị của đại lượng X ở thời điểm t.„ Sự, Cc, ly: Gia trị của thành phần xu hướng, mùa, chu kỳ và bất thường ở thời điểm t.

Trong thực tế, để dự báo gia tri cha đại lượng X ta có thể phối hợp cả 2 loại mô hình trên. Phương pháp làm trơn Trong một số chuỗi tuần tự theo thời gian thành phần mùa và thành phần bắt thường thay đổi quá lớn làm cho việc xác định thành phần xu hướng và thành phần chu kỳ gặp nhiều khó khăn. Sự thay đổi lớn này có thể được giảm nhỏ bằng các phương pháp làm trơn. Các phương pháp làm trơn được đề cập ở phần này gồm phương pháp trung bình dịch chuyển và phương pháp làm trơn bằng hàm số mũ.

Phương pháp trung bình dịch chuyến : Nội dung của phương pháp này là thay thế gía trị quan sát X, bằng gia trị trung bình của chính nó với m gía trị trước nó và m gía trịsau nó. Nghĩa là thay X, bằng X*t, với: X *+ =_ ÄX,u+Ä 1m t=m+l tutK, 4X ‡+m~l + X tem 2m+l X*t : là gía trị trung bình dịch chuyển của (2m+L) điểm Ví dụ: Nếu m =2, ta có gia trị trung bình trượt của Š điểm được tính theo công thức: + X,+X_ +X, +X tH +X t 5 Nếu t=3 x’, _ X,+X,+X,+K,+X, 5 1. Phương pháp làm trơn bằng hàm số mũ đơn giản : Phương pháp làm trơn hàm số mũ tiến hành dựa trên việc xem xét một cách liên tục các gía trị của quá khứ, dựa trên trung bình có trọng số của chuỗi dữ liệu. Trong phương pháp này trọng số có gía trị càng nhỏ khi nó cảng cách xa thời điểm đự báo.

Với ý nghĩa trên ta có: Xi = aX +(I-a) 0X + (1-0) a Xa + (1-0) a Xi +.„ Trong đó: 0<œ <1 a: hang số làm trơn (Smoothing Constant) Ví dụ: Bảng số liệu sau đây cho thấy số lượng máy tính được bán ra của cửa hàng trong 24 tháng vừa qua. STT Tháng Số liệu quan sát | Số trungbinh | Số trung bình băng PP 1 Xt tugt 5 thang X",|_lam won ham mii X, 2 năm trước _— '! ! Một 21 21.0 2 Hai 20 20,0 3 Ba 19 | „ 184 19,8 4 Tu 18 17,2 18.9 5 Năm 14 yr 17,6 16,5 6 Sau 15s 19,4 15,8 7 Bay 22 20,8 189 8 Tám 28 23,0 23.5 9 Chin 25 25,0 24,3 10 Mười 25 24,6 247 1 Mười Một -135 24,0 24,9 12 Mười Hai 20 24,0 22,5 ] năm trước 13 Một 5 , 23,8 23,8 14 Hai 25 244 24,4 15 Ba 24 27,6 242 16 Tư 28 290 26,1 17 Nam 36 29,0 310 18 Sau 32 28,8 31,5 19 Bay 25 27,6 283 20 Tám 2 25,0 25,7 21 Chin 22 23,0 23,8 22 Mười 23 23,4 23,4 23 Mười một 22 22,7 24 Mười hai 2? 249 1. Phương pháp làm trơn hàm mũ bậc 3 (Mô hình Holt-Winters): Trong mô hình Holt-Winters ,phương pháp làm trơn hàm mũ được áp dụng cả thành phần mùa và thành phần xu thế của số liệu. Mô hình được biểu thị bởi hệ phương trình sau đây : F¿ =ứ%,+(1—8)(Ft-+ +T:—+) Trong đó : T, =BCFp- Fra) t+ Q-B) Tra Với § thuộc ]0;1[ hằng số làm trơn xu thế (chọn) T,: Xu thế được làm trơn tại thời điểm t F,: Du bao voi ham mi tai thoi diémt Các bước thự hiện mô hình Holt-Winters như sau .Tính toán các giá trị F và T được thực hiện từ thời điểm t =2 : Fạ=*z Tạ =Xz —X%ị Fà = 3s+ (1 — #)(F¿ + T; ) T; = BŒs—F¿) + (1— B)T2 F¿; =x¿+(1— đ)(F;¿_¡ + T1) T, = BCR, — Fra) + A -B) Tia Giá trị đự báo trong mô hình Holt-Winters được xác định bởi : Fiz = Fe tT Frag = Fy, + 27, F,,: Gia tri da lam tron theo phuong phap Holt — Winters + Tổng quát giá trị dự báo cho chu kỳ thứ k: Foie =F, + kT, Thang 1 2 3 4 5 6 7 8 9 10 "HH 12 Năm | 48 | 4 | 55 | 156 | 231 | 233 | 314 | 46 | 461 | 419 | 455 | 53.9 | 22? 3 Vidu: Doanh thu của một công ty theo tháng của những năm gần đây được ghi nhận như sau : Dùng mô hình Holt — Winters để dự báo cho các tháng 12/năm 3 ,tháng 1,2,3/năm 4.5 Ta có: F¿ = xạ = 4 Tz =X —X, = 4-4.8) =0 Tiếp tục cho đến Fạs, Tạs Với ø= 07 và §=0.8 11 THU VIEN TRUONG †›HSPKT sxe 005476 | x 136.7 Giá trị dự báo cho các tháng kế tiếp : Fyg = Fag +15 = 1529+2.3 Fag = Fag + 3Tag = 152.7 Fạo = Fag + 5Tag = 152.

Tổng quan về Mạng nơ ron 1. Các khái niệm chung Mang no ron nhan tao (Artificial Neural Network- ANN) 1a mé hinh xt ly thông tin được mô phỏng dựa trên hoạt động của hệ thống thần kinh của sinh vật, bao gồm số lượng lớn các nơ ron được gắn kết để xử lý thông tin. ANN giống như bộ não con người, được học bởi kinh nghiệm thông qua huấn luyện, có khả năng lưu giữ những kinh nghiệm hiểu biết - trỉ thức và sử dụng những tri thức đỏ trong việc dự đoán các dữ liệu chưa biết. Các ứng dụng của mạng nơ ron được sử dựng trong rất nhiều lĩnh vực như điện, điện tử, kinh tế, quân sự,.

để giải quyết các bài toán có độ phức tạp và đồi hỏi có độ chính xác cao như điều khiển tự động, khai phá dữ liệu, nhận dạng. Kiến trúc chung của một ANN gồm 3 thành phần đó là tang nhập - z/ layer , ting 4n - hidden layer va tang xuat - output layer (xem Hình 1. Trong đó, 12 tang ấn bao gồm các no ron nhận đữ liệu nhập từ các nơ ron ở ting nhập trước đó và chuyển đổi các dữ liệu nhập này cho các tầng xử lý tiếp theo. Trong một ANN có thể có nhiễu tầng ẩn.

(Go) = processing element (Nguồn: bis.vn) Hình 5: Minh họa về kiến trúc Mạng nơ ron. Đơn vị xử lí - processing elements (PE): Các PE của ANN gọi là nơ ron, mỗi nơ ron nhận các dữ liệu nhập xử lý chúng và cho ra một kết quả xuất duy nhất. Kết quả xử lý của một nơ ron có thể làm dữ liệu nhập cho các nơ ron khác.2 minh họa qui trình xử lý thông tin của một mạng nơ ron. Weights Inputs: 1 —e) * Output wo Neuron j ¥ > " ey =wX UT —$ Summations Transfer function Hình 6: Qui trình xử lí théng tin của một ANN Dữ liệu nhập - inputs: Mỗi đữ liệu nhập tương ứng với 1 thuộc tính (attribute) của mẫu dữ liệu (patterns).

Ví dụ như trong ứng dụng của ngân hàng xem xét có chấp nhận cho khách hãng vay tiền hay không thì mỗi đữ liệu nhập là một thuộc tính của khách hàng như thu nhập, nghề nghiệp, tuổi, số con,. 13 Dữ liệu xuất - output: Két quả của một ANN là một giải pháp cho một vấn đề, ví đụ như với bài toán xem xét chấp nhận cho khách hàng vay tiền hay không thì đữ liệu xuất là yes (cho vay) hoặc no (không cho vay).