Khai Phá Dữ Liệu Chuỗi Thời Gian: Phương Pháp và Ứng Dụng

Khai phá dữ liệu (Data Mining) chuỗi thời gian là quá trình khám phá tri thức từ cơ sở dữ liệu chuỗi thời gian. 62 trang · Đại học Đà Nẵng · 2012.

• Tác giả: Trần Thị Tân
• Người hướng dẫn: PGS. Trần Quốc Chiến
• Trường học: Đại học Đà Nẵng
• Chuyên ngành: Khoa Tin học
• Đề tài: Khai Phá Dữ Liệu Chuỗi Thời Gian
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2012
• Địa điểm: Đà Nẵng

Mục lục chi tiết

• LỜI NÓI ĐẦU
• LỜI CẢM ƠN
• NHẬN XÉT CỦA GIÁO VIÊN HƯỚNG DẪN
• NHẬN XÉT CỦA GIÁO VIÊN PHẢN BIỆN
• PHẦN MỞ ĐẦU
• 0.1. Lý do chọn đề tài
• 0.2. Mục đích nghiên cứu
• 0.3. Đối tượng nghiên cứu
• 0.4. Nhiệm vụ nghiên cứu
• 0.5. Phương pháp nghiên cứu
• 0.6. Bố cục luận văn
• 1. CHƯƠNG 1: TÌM HIỂU VỀ PHÂN TÍCH CHUỖI TUẦN TỰ THEO THỜI GIAN VÀ DỰ BÁO
• 1.1. CHUỖI TUẦN TỰ THEO THỜI GIAN
• 1.1.1. Định nghĩa
• 1.1.2. Các thành phần của chuỗi tuần tự theo thời gian
• 1.1.2.1. Thành phần xu hướng dài hạn
• 1.1.2.2. Thành phần mùa vụ
• 1.1.2.3. Thành phần chu kỳ
• 1.1.2.4. Thành phần bất thường
• 1.1.3. Mô hình hóa việc dự báo giá trị của đại lượng X
• 1.1.3.1. Mô hình nhân
• 1.1.3.2. Mô hình cộng
• 1.1.4. Các phương pháp làm trơn
• 1.1.4.1. Phương pháp trung bình dịch chuyển
• 1.1.4.2. Phương pháp làm trơn bằng hàm số mũ đơn giản
• 1.2. DỰ BÁO THEO CHUỖI THỜI GIAN
• 1.2.1. Khái niệm chung
• 1.2.1.1. Tiên đoán (Predicting)
• 1.2.1.2. Dự báo (Forecasting)
• 1.2.2. Phân loại dự báo
• 1.2.2.1. Dựa vào thời gian
• 1.2.2.2. Dựa theo kết quả
• 1.2.2.3. Dựa theo đối tượng nghiên cứu
• 1.2.3. Các bước dự báo
• 1.2.4. Các phương pháp dự báo thông dụng
• 1.2.4.1. Phương pháp giản đơn (naive method)
• 1.2.4.2. Phương pháp trung bình (average method)
• 1.2.4.3. Phương pháp làm trơn (smoothing method)
• 2. CHƯƠNG II: CƠ SỞ DỮ LIỆU CHUỖI THỜI GIAN
• 3. CHƯƠNG III: BÀI TOÁN VẬN DỤNG

Tóm tắt

I. Tổng Quan Về Khai Phá Dữ Liệu Chuỗi Thời Gian Là Gì

Khai phá dữ liệu (Data Mining) chuỗi thời gian là quá trình khám phá tri thức từ cơ sở dữ liệu chuỗi thời gian. Các kỹ thuật khai phá dữ liệu giúp chuyển đổi khối dữ liệu lớn thành thông tin và tri thức hữu dụng. Ứng dụng rộng lớn bao gồm phân tích thị trường, quản lý thương mại, hỗ trợ ra quyết định. Khai phá dữ liệu bao hàm một loạt các kỹ thuật nhằm phát hiện ra các thông tin có giá trị tiềm ẩn trong các tập dữ liệu lớn. Về bản chất, khai phá dữ liệu liên quan đến việc phân tích các dữ liệu và sử dụng các kỹ thuật để tìm ra các mẫu hình có tính chính quy trong tập dữ liệu. Khác với cơ sở dữ liệu tĩnh, cơ sở dữ liệu chuỗi thời gian chứa một tập bản ghi mà trong đó một số các thuộc tính hoặc sự kiện của chúng có liên quan đến nhãn thời gian. Trong cơ sở dữ liệu chuỗi thời gian, độ lớn thời gian là một phần không thể tách rời và cần được tính đến trong quá trình phân tích và khai phá dữ liệu. Trong nghiên cứu khoa học và kinh tế xã hội luôn có nhu cầu ghi nhận các sự kiện biến thiên của một đại lượng nào đó theo thời gian.

1.1. Định Nghĩa Chuỗi Thời Gian và Các Thành Phần

Chuỗi thời gian là một chuỗi các giá trị của một đại lượng nào đó được ghi nhận tuần tự theo thời gian. Các giá trị của chuỗi tuần tự theo thời gian của đại lượng X được kí hiệu Xi. Trong đó X1 là giá trị quan sát tại thời điểm đầu tiên, X2 là giá trị quan sát tại thời điểm thứ 2 và Xn là giá trị quan sát tại thời điểm n. Các nhà thống kê thường chia chuỗi tuần tự theo thời gian ra làm 4 thành phần: Thành phần xu hướng dài hạn, Thành phần mùa vụ, Thành phần chu kỳ, Thành phần bất thường.

1.2. Tại Sao Khai Phá Dữ Liệu Chuỗi Thời Gian Quan Trọng

Khai phá dữ liệu chuỗi thời gian quan trọng vì nó cho phép chúng ta hiểu rõ hơn về các xu hướng, mô hình và dị thường trong dữ liệu theo thời gian. Điều này có thể giúp chúng ta đưa ra các quyết định tốt hơn trong nhiều lĩnh vực, từ tài chính đến y tế. Các nghiên cứu khai phá trên cơ sở dữ liệu chuỗi thời gian đã có nhiều thành tựu trong các hoạt động kinh tế xã hội, giáo dục và cung cấp các thông tin dự báo trong tương lai.

II. Thách Thức Trong Xử Lý Dữ Liệu Chuỗi Thời Gian Hiện Nay

Việc ứng dụng công nghệ thông tin vào các hoạt động kinh tế xã hội đã tạo nên các cơ sở dữ liệu khổng lồ. Để khai thác các thông tin hữu ích từ nguồn dữ liệu to lớn này một cách hiệu quả chúng ta cần những công cụ kỹ thuật thích hợp. Các kỹ thuật truyền thống đã không thể khai thác được những thông tin hữu ích mà cơ sở dữ liệu mang lại, thường thì các thông tin do những kỹ thuật cũ không đưa được các thông tin có thể trợ giúp hiệu quả cho quá trình ra quyết định. Trong những năm gần đây nhiều nhà khoa học đã đề xuất những phương pháp, kỹ thuật mới nhằm phân tích hiệu quả trên các cơ sở dữ liệu để tìm kiếm các thông tin tiềm ẩn, tuy rất ít so với khối lượng dữ liệu, nhưng rất quan trọng trong việc trợ giúp ra quyết định. Khám phá tri thức từ trong cơ sở dữ liệu chuỗi thời gian được nghiên cứu, phát triển trong những năm gần đây và thu hút nhiều sự quan tâm của các nhà khoa học lẫn nhiều nhà quản lý.

2.1. Khó Khăn Khi Xử Lý Dữ Liệu Chuỗi Thời Gian Lớn

Dữ liệu chuỗi thời gian thường có kích thước rất lớn, gây khó khăn cho việc xử lý và phân tích. Các phương pháp truyền thống có thể không đủ khả năng để xử lý lượng dữ liệu này một cách hiệu quả. Cần có các kỹ thuật và công cụ chuyên dụng để giải quyết vấn đề này.

2.2. Vấn Đề Với Dữ Liệu Chuỗi Thời Gian Bị Thiếu Hoặc Nhiễu

Dữ liệu chuỗi thời gian thường bị thiếu hoặc chứa nhiều nhiễu, ảnh hưởng đến độ chính xác của các phân tích và dự báo. Cần có các phương pháp tiền xử lý dữ liệu để làm sạch và điền vào các giá trị bị thiếu. Các phương pháp làm trơn (Smoothing methods) có thể giúp giảm nhiễu.

2.3. Yêu Cầu Về Tính Thời Gian Thực Trong Phân Tích

Trong nhiều ứng dụng, việc phân tích dữ liệu chuỗi thời gian cần được thực hiện trong thời gian thực để đưa ra các quyết định kịp thời. Điều này đòi hỏi các thuật toán và hệ thống phải có khả năng xử lý dữ liệu nhanh chóng và hiệu quả.

III. Phương Pháp Phân Tích Chuỗi Thời Gian Hiệu Quả Nhất

Có nhiều phương pháp phân tích chuỗi thời gian, mỗi phương pháp có ưu điểm và nhược điểm riêng. Việc lựa chọn phương pháp phù hợp phụ thuộc vào đặc điểm của dữ liệu và mục tiêu phân tích. Các phương pháp phổ biến bao gồm mô hình ARIMA, mô hình LSTM, và các phương pháp làm trơn. Các phương pháp làm trơn được đề cập trong chương này gồm phương pháp trung bình dịch chuyển và phương pháp làm trơn bằng hàm số mũ.

3.1. Mô Hình ARIMA Ưu Điểm và Ứng Dụng Thực Tế

Mô hình ARIMA (Autoregressive Integrated Moving Average) là một phương pháp thống kê phổ biến để dự báo chuỗi thời gian. Nó có khả năng mô hình hóa các thành phần tự tương quan và trung bình trượt trong dữ liệu. Mô hình ARIMA thường được sử dụng trong dự báo kinh tế, tài chính và các lĩnh vực khác.

3.2. Mô Hình LSTM Giải Pháp Cho Dữ Liệu Phi Tuyến Tính

Mô hình LSTM (Long Short-Term Memory) là một loại mạng nơ-ron hồi quy (RNN) được thiết kế để xử lý dữ liệu chuỗi thời gian phi tuyến tính. LSTM có khả năng học các phụ thuộc dài hạn trong dữ liệu, làm cho nó phù hợp với các ứng dụng như dự báo giá cổ phiếu và phân tích ngôn ngữ tự nhiên.

3.3. Các Phương Pháp Làm Trơn Đơn Giản và Dễ Áp Dụng

Các phương pháp làm trơn như trung bình trượt và làm trơn hàm mũ là các phương pháp đơn giản và dễ áp dụng để giảm nhiễu trong dữ liệu chuỗi thời gian. Chúng có thể được sử dụng để làm nổi bật các xu hướng và mô hình cơ bản trong dữ liệu.

IV. Ứng Dụng Khai Phá Dữ Liệu Chuỗi Thời Gian Trong Kinh Doanh

Khai phá dữ liệu chuỗi thời gian có nhiều ứng dụng trong kinh doanh, từ dự báo nhu cầu đến phát hiện gian lận. Các kỹ thuật này có thể giúp các doanh nghiệp đưa ra các quyết định thông minh hơn và cải thiện hiệu quả hoạt động. Các báo cáo tài chính mà ta thấy hằng ngày trên báo chí, ti vi hay Internet về các chỉ số chứng khoán, tỷ giá tiền tệ, chỉ số tăng cường hay chỉ số tiêu dùng đều là những thể hiện rất thực tế của chuỗi thời gian.

4.1. Dự Báo Nhu Cầu và Quản Lý Hàng Tồn Kho

Dự báo nhu cầu là một ứng dụng quan trọng của khai phá dữ liệu chuỗi thời gian trong kinh doanh. Bằng cách phân tích dữ liệu bán hàng trong quá khứ, các doanh nghiệp có thể dự đoán nhu cầu trong tương lai và quản lý hàng tồn kho một cách hiệu quả hơn.

4.2. Phát Hiện Gian Lận Trong Giao Dịch Tài Chính

Khai phá dữ liệu chuỗi thời gian có thể được sử dụng để phát hiện gian lận trong các giao dịch tài chính. Bằng cách phân tích các mẫu giao dịch bất thường, các tổ chức tài chính có thể xác định và ngăn chặn các hoạt động gian lận.

4.3. Phân Tích Hành Vi Khách Hàng và Cá Nhân Hóa Dịch Vụ

Phân tích hành vi khách hàng là một ứng dụng khác của khai phá dữ liệu chuỗi thời gian trong kinh doanh. Bằng cách phân tích dữ liệu về hành vi mua sắm và tương tác của khách hàng, các doanh nghiệp có thể cá nhân hóa dịch vụ và cải thiện trải nghiệm khách hàng.

V. Nghiên Cứu Mới Về Khai Phá Dữ Liệu Chuỗi Thời Gian

Các nghiên cứu khai phá trên cơ sở dữ liệu chuỗi thời gian đã có nhiều thành tựu trong các hoạt động kinh tế xã hội, giáo dục. Và cung cấp các thông tin dự báo trong tương lai. Trên cơ sở tìm hiểu tổng quan về cơ sở dữ liệu chuỗi thời gian. Em mong rằng qua khóa luận này, em sẽ tìm hiểu một số phương pháp mới cho việc phân tích, khám phá tri thức từ cơ sở dữ liệu chuỗi thời gian để tạo điều kiện cho việc hệ thống hóa quá trình tích lũy thông tin thống kê và áp dụng vào việc dự báo hành vi cho đối tượng theo chuỗi thời gian.

5.1. Các Thuật Toán Mới Cho Phân Cụm Chuỗi Thời Gian

Các thuật toán phân cụm chuỗi thời gian mới đang được phát triển để tìm ra các nhóm chuỗi thời gian tương tự nhau. Điều này có thể giúp chúng ta hiểu rõ hơn về các mô hình và xu hướng trong dữ liệu.

5.2. Ứng Dụng Học Sâu Trong Dự Báo Chuỗi Thời Gian

Học sâu đang được áp dụng rộng rãi trong dự báo chuỗi thời gian, với các mô hình như LSTM và Transformer cho thấy kết quả đầy hứa hẹn. Các mô hình này có khả năng học các phụ thuộc phức tạp trong dữ liệu và đưa ra các dự báo chính xác.

5.3. Khai Phá Dữ Liệu Chuỗi Thời Gian Trong IoT và Dữ Liệu Cảm Biến

Khai phá dữ liệu chuỗi thời gian đang được sử dụng để phân tích dữ liệu từ các thiết bị IoT và cảm biến. Điều này có thể giúp chúng ta giám sát sức khỏe của máy móc, dự đoán các sự cố và tối ưu hóa hiệu suất.

VI. Tương Lai Của Khai Phá Dữ Liệu Chuỗi Thời Gian Là Gì

Khai phá dữ liệu chuỗi thời gian sẽ tiếp tục phát triển và đóng vai trò quan trọng trong nhiều lĩnh vực. Với sự phát triển của công nghệ và sự gia tăng của lượng dữ liệu, chúng ta có thể mong đợi những tiến bộ đáng kể trong các kỹ thuật và ứng dụng của khai phá dữ liệu chuỗi thời gian.

6.1. Tích Hợp Khai Phá Dữ Liệu Chuỗi Thời Gian Với AI và Học Máy

Việc tích hợp khai phá dữ liệu chuỗi thời gian với AI và học máy sẽ mở ra những khả năng mới trong việc phân tích và dự báo dữ liệu. Các hệ thống AI có thể tự động học các mô hình từ dữ liệu chuỗi thời gian và đưa ra các quyết định thông minh.

6.2. Phát Triển Các Công Cụ và Nền Tảng Khai Phá Dữ Liệu Chuỗi Thời Gian

Sẽ có sự phát triển của các công cụ và nền tảng khai phá dữ liệu chuỗi thời gian dễ sử dụng và mạnh mẽ hơn. Điều này sẽ giúp các nhà phân tích và nhà khoa học dữ liệu thực hiện các phân tích phức tạp một cách dễ dàng hơn.

6.3. Ứng Dụng Rộng Rãi Trong Các Lĩnh Vực Mới Nổi

Khai phá dữ liệu chuỗi thời gian sẽ được ứng dụng rộng rãi trong các lĩnh vực mới nổi như y tế, năng lượng và giao thông thông minh. Điều này sẽ giúp chúng ta giải quyết các vấn đề phức tạp và cải thiện chất lượng cuộc sống.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Sự phát triển của công nghệ thông tin trong các hoạt động kinh tế, xã hội và giáo dục đã dẫn đến sự hình thành của các kho dữ liệu có quy mô lớn. Các kỹ thuật quản trị và phân tích cơ sở dữ liệu truyền thống bộc lộ hạn chế trong việc trích xuất các tri thức tiềm ẩn phục vụ quá trình hỗ trợ ra quyết định. Bối cảnh này thúc đẩy sự phát triển của lĩnh vực Phát hiện tri thức và Khai phá dữ liệu (KDD – Knowledge Discovery and Data Mining), một hướng tiếp cận ra đời từ cuối thập niên 1980 (được định nghĩa bởi Fayyad, Piatetsky-Shapiro và Smyth vào năm 1989).

Khác với cơ sở dữ liệu tĩnh, cơ sở dữ liệu chuỗi thời gian (Time Series) chứa các tập bản ghi gắn liền với nhãn thời gian, trong đó yếu tố thời gian là một thuộc tính không thể tách rời trong quá trình phân tích. Xuất phát từ nhu cầu theo dõi sự biến thiên của các đại lượng theo thời gian và ứng dụng dự báo trong giáo dục, khóa luận tập trung nghiên cứu đề tài "Khai phá dữ liệu chuỗi thời gian".

Khóa luận xác định các mục tiêu nghiên cứu cụ thể như sau:

1. Tìm hiểu về phương pháp phân tích chuỗi tuần tự theo thời gian và dự báo.
2. Tìm hiểu về cơ sở dữ liệu chuỗi thời gian.
3. Tìm hiểu về kỹ thuật khám phá tri thức trên cơ sở dữ liệu chuỗi thời gian.
4. Áp dụng vào bài toán cụ thể: khám phá tri thức trên cơ sở dữ liệu điểm học sinh, sau đó thực hiện dự báo kết quả học tập của học sinh trong các giai đoạn tiếp theo.

Nhiệm vụ nghiên cứu tương ứng được phân định theo 4 nội dung:

1. Nắm vững phương pháp phân tích chuỗi tuần tự theo thời gian và cách thức dự báo.
2. Hệ thống hóa các khái niệm và đặc trưng của cơ sở dữ liệu chuỗi thời gian.
3. Phân tích các phương pháp khám phá tri thức và kỹ thuật khai phá trên cơ sở dữ liệu chuỗi thời gian.
4. Thực nghiệm mô hình dự báo kết quả học tập của học sinh dựa trên dữ liệu điểm số thực tế.

Đối tượng nghiên cứu của đề tài gồm hai thành phần chính: cơ sở dữ liệu chuỗi thời gian nói chung và việc khám phá tri thức trên cơ sở dữ liệu điểm học sinh nhằm dự báo kết quả học tập tiếp theo. Phạm vi nghiên cứu về mặt dữ liệu thực nghiệm được giới hạn trong bảng điểm tổng kết 4 học kỳ (lớp 10 và lớp 11) của 30 học sinh thuộc hai lớp 10A1 và 11A1 tại Trường THPT Nguyễn Thị Minh Khai (huyện Đức Thọ, tỉnh Hà Tĩnh), khóa học 2007 – 2010.

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng nội dung dựa trên các khung lý thuyết, mô hình toán học và phương pháp khai phá dữ liệu sau:

• Khung khái niệm chuỗi thời gian: Chuỗi thời gian $X = (x_1, x_2, \dots, x_n)$ là tập hợp $n$ giá trị của một biến thực được ghi nhận tuần tự trên các khoảng thời gian bằng nhau. Các khái niệm liên quan bao gồm dãy con (subsequence) chiều dài $m$, hàm đại diện $x(t)$, hàm xấp xỉ tuyến tính $\beta(t) = \alpha t + \beta$ với hệ số góc $\alpha$ đóng vai trò là đặc trưng khuynh hướng, và khái niệm "sự kiện" (event) khi có sự biến đổi đặc trưng giữa hai đoạn liên tiếp.
• Mô hình cấu trúc chuỗi thời gian: Phân rã chuỗi thời gian thành 4 thành phần: xu hướng dài hạn ($T_t$), mùa vụ ($S_t$), chu kỳ ($C_t$), và bất thường ($I_t$). Hai mô hình toán học cơ bản được sử dụng gồm mô hình nhân ($X_t = T_t \times S_t \times C_t \times I_t$) và mô hình cộng ($X_t = T_t + S_t + C_t + I_t$).
• Độ đo tương đồng chuỗi thời gian: Đánh giá khoảng cách giữa các chuỗi thông qua ba độ đo:
  1. Khoảng cách Euclide: Tính toán khoảng cách hình học trực tiếp giữa hai vector cùng chiều dài $n$.
  2. Chuẩn hóa chuỗi thời gian (Zero-mean Normalization): Khử sai khác về biên độ bằng cách trừ giá trị trung bình $E_x$, sau đó tính khoảng cách Euclide trên chuỗi đã chuẩn hóa.
  3. Dãy con chung dài nhất (Longest Common Subsequence - LCS): Phương pháp do Vlachos và cộng sự đề xuất năm 2004, cho phép so khớp các chuỗi con tương đồng và bỏ qua các điểm dị biệt hoặc nhiễu.
• Phương pháp gom cụm (Clustering): Sử dụng hàm chi phí gom cụm ($m_C$) và hai thuật toán phân hoạch chính:
  1. Thuật toán K-Means: Phân hoạch tập dữ liệu thành $k$ cụm dựa trên khoảng cách tới các điểm trọng tâm (centroid), với độ phức tạp thuật toán là $O(knl)$ (với $k$ là số cụm, $n$ là số phần tử, $l$ là số vòng lặp).
  2. Thuật toán Greedy: Gom cụm dựa trên số cụm $k$ và ngưỡng bán kính nhóm $d$ xác định trước.
• Mô hình hồi quy theo thời gian (Linear Regression): Xây dựng phương trình xu thế tuyến tính $\hat{Y} = a + bt$. Khóa luận áp dụng kỹ thuật đổi biến thời gian đối xứng sao cho tổng chỉ số thời gian triệt tiêu ($\sum t = 0$), từ đó tính nhanh các hệ số hồi quy theo công thức: $$a = \frac{\sum y}{n}, \quad b = \frac{\sum yt}{\sum t^2}$$
• Nguồn dữ liệu nghiên cứu: Dữ liệu thứ cấp thu thập từ sổ điểm học tập thực tế của 30 học sinh tại Trường THPT Nguyễn Thị Minh Khai, Hà Tĩnh.

Nội dung chính theo từng chương

Chương I: Tìm hiểu về phân tích chuỗi tuần tự theo thời gian và dự báo (Time series Analysis and Forecoasting)

Chương I trình bày tổng quan lý thuyết về chuỗi thời gian và các kỹ thuật dự báo thống kê cổ điển. Tác giả phân tích chi tiết bốn thành phần cấu thành chuỗi thời gian: xu hướng dài hạn (thể hiện bằng đường thẳng hoặc đường cong trơn), mùa vụ (biến thiên lặp lại trong vòng một năm), chu kỳ (biến động lặp lại với chu kỳ trên một năm) và bất thường (các biến cố ngẫu nhiên không thể dự đoán trước).

Các phương pháp làm trơn số liệu (Smoothing methods) được phân tích nhằm giảm thiểu tác động của yếu tố mùa vụ và bất thường:

• Phương pháp trung bình dịch chuyển (Moving Average): Thay thế giá trị $X_t$ bằng trung bình của $(2m+1)$ điểm lân cận.
• Phương pháp làm trơn bằng hàm số mũ đơn giản (Simple Exponential Smoothing): Do Brown đề xuất năm 1954 theo phương trình $F_{t+1} = \alpha X_t + (1-\alpha) F_t$, với hằng số làm trơn $0 \le \alpha \le 1$. Tác giả đưa ra kinh nghiệm chọn $\alpha = \frac{2}{n+1}$ và thực nghiệm tính toán trên bộ dữ liệu doanh số (CA) của công ty Z trong 22 quý (5,5 năm) để so sánh giữa hai tham số $\alpha = 0,3$ và $\alpha = 0,6$, sử dụng chỉ số sai số độ lệch tuyệt đối trung bình (MAD).

Tham số làm trơn	Đặc điểm ứng xử với dữ liệu	Đánh giá sai số qua chỉ số MAD
$\alpha = 0,3$	Trọng số phân bổ đều hơn về quá khứ, phù hợp chuỗi có tính ổn định cao	Mức độ điều chỉnh theo biến động thực tế chậm hơn
$\alpha = 0,6$	Chú trọng các quan sát gần nhất, thích hợp chuỗi biến động không ổn định	Bám sát các đỉnh biến động của chuỗi doanh số qua 22 quý

Chương này cũng phân loại dự báo theo thời gian (ngắn hạn dưới 3 năm, dài hạn từ 5 năm trở lên), theo dạng kết quả (dự báo điểm, dự báo khoảng) và xác lập quy trình dự báo 4 bước: Thu thập số liệu $\to$ Xử lý sơ bộ (chia tập dữ liệu thành nhóm đầu và nhóm kiểm tra) $\to$ Lựa chọn phương pháp và xây dựng mô hình $\to$ Thực hiện dự báo và phân tích sai số.

Hệ thống các phương pháp dự báo thông dụng được tác giả khảo sát gồm:

1. Phương pháp giản đơn (Naive): Gồm 4 biến thể (gán giá trị gần nhất $F_{t+1} = X_t$, bổ sung thành phần xu hướng $F_{t+1} = X_t + (X_t - X_{t-1})$, tính theo tỷ lệ $F_{t+1} = X_t \times (X_t / X_{t-1})$, và tích hợp cả yếu tố mùa vụ lẫn xu hướng dựa trên dữ liệu cùng kỳ năm trước).
2. Phương pháp trung bình: Trung bình giản đơn và trung bình dịch chuyển $n$ quan sát.
3. Phương pháp tự hồi quy (Autoregressive - AR): Mô hình AR bậc 1, bậc 2 và bậc $p$.

Chương II: Cơ sở dữ liệu chuỗi thời gian

Chương II tập trung vào các kỹ thuật biểu diễn dữ liệu và khai phá tri thức trên cơ sở dữ liệu chuỗi thời gian. Quá trình KDD trên chuỗi thời gian được chia thành hai giai đoạn chính: Tiền xử lý dữ liệu và Khai phá dữ liệu.

Giai đoạn tiền xử lý thực hiện phân đoạn chuỗi thời gian theo các cửa sổ trượt có độ rộng cố định, thực hiện gom cụm các dãy con để chuyển đổi cơ sở dữ liệu chuỗi thời gian gốc thành cơ sở dữ liệu các mẫu đặc trưng (hoặc cơ sở dữ liệu các sự kiện). Giai đoạn khai phá tiếp theo sẽ trích xuất các luật kết hợp theo thời gian, tiêu biểu là dạng luật $A \xrightarrow{T} B$ ("Nếu mẫu A xuất hiện thì mẫu B sẽ xuất hiện sau khoảng thời gian $T$") hoặc dạng luật định vị thời điểm cụ thể ("Nếu A xuất hiện tại $T_1$ thì B xuất hiện tại $T_2$").

Nội dung trọng tâm của chương là phân tích các độ đo tương đồng và thuật toán gom cụm:

• Phân tích ưu nhược điểm của khoảng cách Euclide, phương pháp chuẩn hóa chuỗi và độ đo LCS.
• Trình bày chi tiết thuật toán gom cụm K-Means: khởi tạo $k$ tâm ngẫu nhiên, gán đối tượng vào cụm gần nhất, cập nhật lại tọa độ trọng tâm và lặp lại cho đến khi các cụm không thay đổi.

Thuật toán gom cụm	Cơ chế phân hoạch	Tham số đầu vào	Ưu điểm và hạn chế nêu trong văn bản
K-Means	Phân hoạch tập dữ liệu thành $k$ nhóm xoay quanh các điểm trọng tâm đại diện	Số cụm $k$ (nguyên dương cố định)	Đơn giản, dễ cài đặt; tuy nhiên phụ thuộc vào việc chọn $k$ và chi phí tính toán lớn khi dữ liệu tăng
Greedy	Tìm kiếm tuần tự và gom các điểm vào nhóm nếu khoảng cách nhỏ hơn ngưỡng bán kính	Số nhóm $k$ và bán kính nhóm $d$	Phù hợp khi đã biết trước bán kính cụm $d$; khoảng cách giữa hai trọng tâm tối thiểu là $d$

Chương II cung cấp bài toán thực nghiệm từng bước của K-Means trên tập dữ liệu mẫu gồm 4 đối tượng A(1,1), B(2,1), C(4,3), D(5,4) với $k=2$. Qua 3 bước lặp tính toán các ma trận khoảng cách $D_0, D_1, D_2$ và cập nhật tâm $c_1, c_2$, thuật toán hội tụ và phân hoạch thành 2 nhóm: Nhóm 1 gồm {A, B} và Nhóm 2 gồm {C, D}.

Chương III: Bài toán vận dụng – Sử dụng mô hình hồi quy theo thời gian để dự báo kết quả học tập của học sinh trong tương lai

Chương III vận dụng lý thuyết đã nghiên cứu vào việc giải quyết bài toán thực tế trong lĩnh vực giáo dục. Tác giả chỉ ra rằng công tác đánh giá học sinh truyền thống thường mang tính cảm tính, cào bằng qua điểm trung bình tĩnh mà chưa phản ánh được tiến trình phát triển năng lực của học sinh qua thời gian.

Để mô hình hóa, điểm số học tập của từng học sinh qua các học kỳ được xem như một chuỗi thời gian độc lập. Bộ dữ liệu gồm 30 học sinh với điểm tổng kết của 4 học kỳ liên tiếp: HK I, HK II (lớp 10) và HK III, HK IV (lớp 11). Với $n=4$ mốc thời gian, tác giả gán các chỉ số thời gian đối xứng là $t \in {-3, -1, 1, 3}$ để thỏa mãn điều kiện $\sum t = 0$, giúp đơn giản hóa việc tính toán các tham số $a$ và $b$ trong phương trình hồi quy tuyến tính $\hat{Y} = a + bt$.

Mã học sinh	HK I ($t=-3$)	HK II ($t=-1$)	HK III ($t=1$)	HK IV ($t=3$)	Phương trình hồi quy xu thế $\hat{Y}$	Điểm xấp xỉ $\hat{Y}_1$	Điểm xấp xỉ $\hat{Y}_2$	Điểm xấp xỉ $\hat{Y}_3$	Điểm xấp xỉ $\hat{Y}_4$
A101	8,2	8,3	8,4	8,1	$\hat{Y} = 8,25 - 0,01t$	8,28	8,26	8,24	8,22
A102	8,5	8,7	8,9	8,6	$\hat{Y} = 8,675 + 0,025t$	8,60	8,65	8,70	8,75
A103	7,9	8,0	8,1	8,0	$\hat{Y} = 8,00 + 0,02t$	7,94	7,98	8,02	8,06
A104	8,5	8,7	8,8	8,8	$\hat{Y} = 8,70 + 0,05t$	8,55	8,65	8,75	8,85
A105	8,0	8,2	8,3	8,5	$\hat{Y} = 8,25 + 0,08t$	8,01	8,17	8,33	8,49
A106	6,5	6,8	7,0	6,6	$\hat{Y} = 6,60 + 0,025t$	6,525	6,575	6,625	6,675
A107	8,8	9,1	9,1	9,2	$\hat{Y} = 9,05 + 0,06t$	8,87	8,99	9,11	9,23
A108	8,0	8,2	8,2	8,2	$\hat{Y} = 8,15 + 0,03t$	8,06	8,12	8,18	8,24

Phương trình hồi quy cho phép xác định rõ xu hướng học tập của từng cá nhân: học sinh A101 có hệ số $b = -0,01$ thể hiện chiều hướng giảm sút nhẹ, trong khi học sinh A105 có hệ số $b = +0,08$ cho thấy mức độ tiến bộ nhanh nhất trong nhóm khảo sát.

Kết quả và đóng góp

Khóa luận đạt được các kết quả cụ thể sau:

• Hệ thống hóa lý thuyết: Tổng hợp toàn diện các phương pháp xử lý chuỗi thời gian, từ các mô hình thống kê dự báo (làm trơn số mũ Brown, trung bình dịch chuyển, tự hồi quy AR) đến các kỹ thuật khai phá dữ liệu hiện đại (đo khoảng cách Euclide, LCS, chuẩn hóa chuỗi và thuật toán gom cụm K-Means, Greedy).
• Thực nghiệm tính toán: Xây dựng thành công phương trình hồi quy xu thế cá thể hóa cho 30 học sinh thuộc Trường THPT Nguyễn Thị Minh Khai. Kết quả tính toán chỉ ra sự khác biệt về độ dốc biến thiên (hệ số $b$ dao động từ $-0,01$ đến $+0,08$) giữa các học sinh có cùng mức điểm trung bình tĩnh.
• Đề xuất giải pháp: Đưa ra phương thức tiếp cận mới cho công tác quản lý giáo dục: chuyển đổi sổ điểm định kỳ thành cơ sở dữ liệu chuỗi thời gian, áp dụng mô hình toán học để ngoại suy kết quả học tập trong tương lai nhằm giảm thiểu tính cảm tính trong đánh giá học lực.
• Đóng góp của đề tài: Khóa luận đã bước đầu kết nối lý thuyết khai phá chuỗi thời gian với bài toán đánh giá giáo dục phổ thông, chỉ ra tính khả thi của việc sử dụng các mô hình chuỗi thời gian thay thế cho các phương pháp thống kê tĩnh truyền thống.

Hạn chế và hướng nghiên cứu tiếp

Dựa trên phạm vi và nội dung văn bản, đề tài có các hạn chế và hướng mở sau:

• Hạn chế:
  • Quy mô dữ liệu thực nghiệm còn hẹp, mới thực hiện trên 30 học sinh thuộc một trường THPT trong phạm vi 4 học kỳ.
  • Phần bài toán vận dụng ở Chương III mới triển khai mô hình hồi quy tuyến tính đơn biến theo thời gian, chưa kết hợp thử nghiệm thuật toán gom cụm K-Means hoặc trích xuất luật kết hợp $A \xrightarrow{T} B$ trên tập dữ liệu điểm số như khung lý thuyết đã xây dựng ở Chương II.
• Hướng nghiên cứu tiếp:
  • Mở rộng tập dữ liệu điểm số trên quy mô nhiều khối lớp, nhiều trường học với chuỗi thời gian dài hơn.
  • Ứng dụng đầy đủ các kỹ thuật gom cụm chuỗi thời gian và khai phá luật liên kết thời gian để phân nhóm các mẫu học tập đặc trưng và dự báo đa chiều hơn.

Giá trị tham khảo

Khóa luận là tài liệu tham khảo phù hợp cho sinh viên, học viên ngành Sư phạm Tin học, Khoa học Máy tính, Hệ thống Thông tin và Công nghệ Thông tin đang nghiên cứu về khai phá dữ liệu chuỗi thời gian. Tài liệu cũng có giá trị tham khảo đối với cán bộ quản lý giáo dục muốn tìm hiểu phương pháp định lượng trong theo dõi tiến trình học tập của học sinh.

Các nội dung có giá trị tham khảo cao trong khóa luận gồm:

• Phần tổng quan các công thức dự báo giản đơn, làm trơn số mũ và tính toán chỉ số MAD trong Chương I.
• Quy trình từng bước thực thi thuật toán K-Means với ma trận khoảng cách cụ thể trong Chương II.
• Phương pháp đặt biến thời gian triệt tiêu ($\sum t = 0$) để thiết lập phương trình hồi quy dự báo xu thế trong Chương III.

Câu hỏi thường gặp

1. Kỹ thuật đặt biến thời gian đối xứng $\sum t = 0$ trong Chương III được thiết lập như thế nào với chuỗi 4 học kỳ?
Với $n=4$ học kỳ (số quan sát chẵn), tác giả gán thứ tự thời gian $t$ lần lượt là các giá trị đối xứng qua gốc tọa độ: $t_1 = -3$, $t_2 = -1$, $t_3 = 1$, $t_4 = 3$. Tổng các giá trị thời gian bằng 0 ($\sum t = -3 - 1 + 1 + 3 = 0$) và tổng bình phương $\sum t^2 = (-3)^2 + (-1)^2 + 1^2 + 3^2 = 20$, giúp loại bỏ thành phần liên đới trong công thức tính và xác định trực tiếp hệ số chặn $a = \frac{\sum y}{4}$ và hệ số góc $b = \frac{\sum yt}{20}$.

2. Thuật toán K-Means trong Chương II đạt điều kiện dừng sau bao nhiêu bước lặp trên ví dụ 4 loại thuốc?
Thuật toán K-Means trong ví dụ minh họa thực hiện qua 8 bước tính toán (3 lần phân nhóm). Tại bước 8, ma trận phân nhóm $G_2$ trùng khớp hoàn toàn với ma trận $G_1$ từ vòng lặp trước đó ($G_2 = G_1$), cho thấy không còn sự dịch chuyển nhóm của bất kỳ đối tượng nào, thuật toán dừng lại và phân chia thành 2 nhóm ổn định: Nhóm 1 {A, B} và Nhóm 2 {C, D}.

3. Khóa luận nêu ưu điểm nổi bật nào của độ đo LCS so với khoảng cách Euclide thông thường?
Độ đo dãy con chung dài nhất (LCS) do Vlachos và cộng sự đề xuất (2004) có ưu điểm trực quan và cho phép bỏ qua những điểm bất thường (nhiễu hoặc đột biến cục bộ) khi so sánh hai chuỗi thời gian. Trong khi đó, khoảng cách Euclide yêu cầu hai chuỗi phải có độ dài bằng nhau và rất nhạy cảm với sự dịch chuyển biên độ hoặc độ trễ thời gian.

4. Dữ liệu thực nghiệm của công ty Z trong Chương I được sử dụng nhằm mục đích gì?
Dữ liệu doanh số 22 quý (5,5 năm) của công ty Z được tác giả sử dụng để minh họa phương pháp làm trơn hàm mũ đơn giản của Brown (1954), so sánh độ thích ứng của chuỗi dự báo khi thay đổi hằng số làm trơn $\alpha$ giữa hai giá trị $\alpha = 0,3$ và $\alpha = 0,6$.

5. Kết quả phương trình hồi quy của học sinh A101 và A105 phản ánh xu hướng học tập khác nhau ra sao?
Học sinh A101 có phương trình $\hat{Y} = 8,25 - 0,01t$ với hệ số góc $b = -0,01 < 0$, biểu thị xu hướng điểm số suy giảm nhẹ qua các kỳ. Ngược lại, học sinh A105 có phương trình $\hat{Y} = 8,25 + 0,08t$ với hệ số góc $b = +0,08 > 0$, biểu thị xu thế tiến bộ rõ rệt qua 4 học kỳ.

Kết luận

Khóa luận "Khai phá dữ liệu chuỗi thời gian" của tác giả Trần Thị Tân đã hệ thống hóa cơ sở lý thuyết về phân tích, gom cụm và khám phá tri thức trên dữ liệu chuỗi thời gian. Đề tài đã vận dụng mô hình hồi quy xu thế tuyến tính để xử lý bảng điểm 4 học kỳ của 30 học sinh Trường THPT Nguyễn Thị Minh Khai (Hà Tĩnh), chứng minh tính khả thi của việc mô hình hóa kết quả học tập thành chuỗi thời gian. Công trình cung cấp tài liệu tham khảo có cấu trúc rõ ràng về mặt phương pháp luận thống kê và khai phá dữ liệu ứng dụng trong giáo dục.

Trích đoạn nội dung tài liệu

CHƯƠNG I: TÌM HIỂU VỀ PHÂN TÍCH CHUỖI TUẦN TỰ THEO THỜI GIAN VÀ DỰ BÁO ( Time series Analysis and Forecoasting) 1. CHUỖI TUẦN TỰ THEO THỜI GIAN ( Time series) 1. Định nghĩa - Chuỗi tuần tự theo thời gian là một chuỗi các giá trị của một đại lượng nào đó được ghi nhận tuần tự theo thời gian. Các giá trị của chuỗi tuần tự theo thời gian của đại lượng X được kí hiệu Xi.

Trong đó X1 là giá trị quan sát tại thời điểm đầu tiên, X2 là giá trị quan sát tại thời điểm thứ 2 và Xn là giá trị quan sát tại thời điểm n. Ví dụ:  Số lượng hàng bán được trong 12 tháng của một công ty.  Điểm của học sinh theo các kỳ học hoặc năm học Các báo cáo tài chính mà ta thấy hằng ngày trên báo chí, ti vi hay Internet về các chỉ số chứng khoán, tỷ giá tiền tệ, chỉ số tăng cường hay chỉ số tiêu dùng đều là những thể hiện rất thực tế của chuỗi thời gian. 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: - Thành phần xu hướng dài hạn (long-term trend component) - Thành phần mùa vụ(Seasonal component) - Thành phần chu kỳ (Cyclical component) - Thành phần bất thường (irregular component) a.

Thành phần xu hướng dài hạn: 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 trơn (Smooth curve). Thành phần mùa vụ: Thành phần này chỉ sự thay đổi của đại lượng X theo các mùa trong năm (có thể theo các tháng trong năm). Ví dụ: - Lượng tiêu thụ điện sẽ tăng vào mùa hè và giảm vào mùa đông - Lượng tiêu thụ đồ dùng học tập sẽ tăng vào mùa khai trường và giảm vào mùa nghỉ hè c.

Thành phần chu kỳ: Thành phần này 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 giá thành phần chu kỳ các giá trị của chuỗi tuần tự theo thời gian sẽ được quan sát hàng năm. - 11- Ví dụ: Lượng dòng chảy đến hồ chứa Trị An từ năm 1959 đến 1985 d.

Thành phần bất thường: Thành phần này dùng để chỉ những sự thay đổi bất thường của các giá trị trong chuỗi tuần tự theo thời gian. Sự thay đổi này không thể dự đoán bằng các số liệu kinh nghiệm trong quá khứ, về mặt bản chất này không có tính chu kỳ. Mô hình hóa việc dự báo giá trị của đại lượng X a. Mô hình nhân: ( Multiplicative model) Xt = Tt * St * Ct* It Trong đó: Xt: Giá trị của đại lượng X ở thời điểm t Tt: Giá trị của thành phần xu hướng ở thời điểm t.

Tt có cùng đơn vị với Xt St, Ct, It: là các hệ số đánh giá ảnh hưởng của các thành phần mùa vụ, thành phần chu kỳ và thành phần bất kỳ đến giá trị của X ở thời điểm t. Trong thực tế việc xác định It rất khó khăn nên thường được bỏ qua, khi đó: Xt = Tt * St * Ct b. Mô hình cộng: (Additive model) Xt = Tt + St + Ct + It Xt: Giá trị của đại lượng X ở thời điểm t Tt, St, Ct, It: Giá trị của thành phần xu hướng, thành phần mùa vụ, thành phần chu kỳ và thành phần bất thường ở thời điểm t. - 12- Trong thực tế, để dự báo giá trị của đại lượng X ta có thể phối hợp cả 2 loại mô hình trên.

Các phương pháp làm trơn: (Smoothing methods) Trong một số chuỗi tuần tự theo thời gian thành phần mùa vụ và thành phần bất 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 trong chương này gồm phương pháp trung bình dịch chuyển và phương pháp làm trơn bằng hàm số mũ. Phương pháp trung bình dịch chuyển: (Trung bình trượt – Moving average) Nội dung của phương pháp này là thay thế giá trị quan sát Xt bằng giá trị trung bình của chính nó với m giá trị trước nó và m giá trị sau nó.

m 1 Nghĩa là thay Xt bằng X*t,với: Xt* =  2m  1 i  m Xt  j X t m  X t m1 .  X t m1  X t m X*t = 2m  1 X*t : là giá trị trung bình dịch chuyển của (2m+1) điểm Ví dụ : Nếu m = 2, ta có giá trị trung bình trượt của 5 điểm được tính theo công thức: X t 2  X t 1  X t  X t 1  X t 2 X*t = 5 X1  X 2  X 3  X 4  X 5 Nếu t = 3 ta có : X*3 = 5 b. Phương pháp làm trơn bằng hàm số mũ đơn giản: (Simple exponential smoothing method) Phương pháp làm trơn bằng hàm mũ giản đơn được Brown xây dựng năm 1954 Ft+1 = α Xt + (1-α) Ft - 13- Ft+1 :giá trị dự báo ở thời điểm t+1 Ft :giá trị dự báo ở thời điểm t Xt :giá trị quan sát ở thời điểm t  là hằng số làm trơn (1≤ α ≤1) trong số của các quan sát riêng biệt của dãy số thời gian. Với  =1 thì theo phương trình dự báo.

Giá trị dự báo bằng giá trị thực tế ở thời kỳ ngay liền trước (Yt+1) và các mức độ trước đó không được tính đến. Với  = 0 theo phương trình dự báo. Giá trị dự báo bằng giá trị dự báo ở thời kỳ trước và giá trị thực tế ở thời kỳ ngay liền trước không được tính đến. Nếu  được chọn càng lớn thì các mức độ càng mới sẽ càng được chú ý, thích hợp với chuỗi thời gian không có tính ổn định cao.

Ngược lại, nếu  được chọn càng nhỏ thì các mức độ càng cũ sẽ càng được chú ý, thích hợp với chuỗi thời gian có tính ổn định cao. Do đó, phải dựa vào đặc điểm biến động của hiện tượng qua thời gian và kinh nghiệm nghiên cứu để lựa chon  cho phù hợp. Nói chung, giá trị  tốt nhất là giá trị làm cho tổng bình phương sai số dự đoán nhỏ nhất. Theo kinh nghiệm của các nhà dự báo thì  thích hợp cho vận phương pháp làm trơn hàm mũ có thể được chọn bằng.

2  n : độ dài chuỗi thời gian n 1 Nếu như một số phương pháp dự đoán thống kê đã đề cập ở trên coi giá trị thông tin của các mức độ trong dãy số thời gian là như nhau, phương pháp làm trơn hàm mũ lại coi giá trị thông tin của mỗi mức độ là tăng dần kể từ đầu dãy số cho đến cuối dãy số. Vì trên thực tế ở những thời gian khác nhau thì hiện tượng nghiên cứu chịu sự tác động của những nhân tố khác nhau và cường độ không giống nhau. Các mức độ ngày càng mới (ở cuối dãy số thời gian) càng cần phải được chú ý đến nhiều hơn so với các mức độ cũ ( ở đầu dãy số). Hay nói cách khác, mức độ càng xa so với thời điểm hiện tại thì càng ít giá trị thông tin, do đó càng ít ảnh hưởng đến mức độ dự đoán Ví dụ : Doanh số (CA) của một công ty Z trong vòng 5.5 năm gần đây được ghi lại trong bảng số liệu sau.

Kết quả làm trơn số liệu CA bằng phương pháp số mũ với - 14- lần lượt 1 = 0.6 được trình bày trong bảng sau : Làm trơn với Làm trơn với Qúy CA (tỷ VNĐ)  = 0.3 1 20 20 20 2 30 26,00 23,00 3 35 33 31,5 4 50 33,62 42,56 5 23 30,43 30,82 6 36 32,10 33,93 7 40 34,47 37,57 8 70 45,13 57,03 9 30 40,59 40,81 10 40 40,41 40,32 11 50 43,29 46,13 12 75 52,80 63,45 13 32 46,56 44,58 14 40 44,59 41,83 15 55 47,72 49,73 16 78 56,80 66,69 17 35 50,26 47,68 18 43 48,08 44,87 19 60 51,66 53,95 20 80 60,16 69,58 21 45 55,61 54,83 22 50 53,93 51,93 - 15- Sai số dự báo = nhu cầu - dự báo Thông số dùng để đánh giá hằng số san bằng là độ lệch tuyệt đối trung bình MAD (Mean Absolute Deviation) n  nhucauthucte  nhucaudubao MAD  i 1 n 1. DỰ BÁO THEO CHUỖI THỜI GIAN 1. Khái niệm chung : Dự báo là khả năng nhận thức được sự vận động của các đối tượng nghiên cứu trong tương lai dựa trên sự phân tích chuỗi thông tin quá khứ và hiện tại. Dự báo là một khoa học và nghệ thuật tiên đoán những sự việc sẽ xảy ra trong tương lai, trên cơ sở phân tích khoa học về các dữ liệu đã thu thập được.

Dự báo có thể là một dự đoán chủ quan hoặc trực giác về tương lai. Nhưng để cho dự báo được chính xác hơn, người ta cố loại trừ những tính chủ quan của người dự báo. Cho đến nay, nhu cầu dự báo đã trở nên hết sức cần thiết ở mỗi lĩnh vực trong đời sống kinh tế, xã hội, văn hóa, giáo dục….  Bản chất các khái niệm liên quan đến dự báo: a.

Tiên đoán (Predicting) Đoán trước sự vận động của đối tượng nghiên cứu trong tương lai. Đó là kết quả nhận thức chủ quan của con người dựa trên một số cơ sở nhất định. Có thể nêu mức độ tiên đoán ở 3 khía cạnh.  Tiên đoán không tưởng: Đó là những tiên đoán không có cơ sở khoa học, chỉ dựa trên những mối liên hệ không tưởng thiếu căn cứ.

 Tiên đoán kinh nghiệm: Đó là những tiên đoán dựa trên chuỗi thông tin lịch sử. Mức độ ít nhiều có cơ sở khách quan, tuy nhiên có nhược điểm là loại tiên đoán này không giải thích được xu thế vận động của đối tượng nghiên cứu và đa số dừng lại ở bước định tính. - 16-  Tiên đoán khoa học: Đó là tiên đoán dựa trên phân tích mối liên hệ qua lại giữa các đối tượng nghiên cứu và phương pháp xử lý thông tin khoa học nhằm phát hiện tính quy luật của đối tượng b. Dự báo (Forecasting) Dự báo là tiên đoán khoa học mang tính xác suất và tính phương án trong khoảng thời gian hữu hạn về tương lai phát triển của đối tượng nghiên cứu.