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

Tài liệu nghiên cứu Luận văn khai phá dữ liệu chuỗi thời gian, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên sâu về .

• 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.

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.