Khai Phá Xu Hướng Tuần Tự Trong Dữ Liệu Chuỗi Thời Gian

LỜI CÁM ƠN

LỜI CAM ĐOAN

1. CHƯƠNG 1: GIỚI THIỆU DE TÀI

1.1. Giới thiệu vẫn đề

1.2. Mục tiêu dé tải

1.3. Pham Vi G6 ôn hố.4 Y nghĩa dé tai.5 Cấu trúc luận VAN

2. CHƯƠNG 2: CƠ SO LY THUYẾT

2.1. Dir li8u ChUG: thoi QIAN

2.2. Xử lý dữ liệu chuỗi thời gian

2.2.1. Chuẩn hóa dit liệu (Data Normalization)

2.3. Khai phá mẫu tuần tự phố biến

2.3.1. Một số khái niệm thường gap trong khai phá mẫu tuần tự pho biến

2.3.2. Phương pháp thu giảm số chiều xấp xỉ gộp từng đoạn PAA (Piecewise Aggregate ADDTOXIITAfION)

2.3.3. Phương pháp biến đối chuỗi thời gian sang dạng kí tự SAX (Symbolic Aggregate ADDTOXIITAfION)

2.3.4. Phương pháp biến đối chuỗi thời gian sang dạng kí hiệu khuynh hướng

2.3.5. Đại số quan hệ thời gian Allen

2.3.6. Generic Dictionary trong C#

3. CHƯƠNG 3: CAC CÔNG TRÌNH NGHIÊN CỨU LIÊN QUAN

3.1. Các phương pháp tìm motif trong dữ liệu chuỗi thời gian

3.1.1. Phương pháp tìm motif đối với cơ sở dữ liệu chuỗi thời gian lớn

3.1.2. Phương pháp tìm motif dựa trên MÌDL

3.2. Một số giải thuật khai phá mẫu phổ biến

3.2.1. Giải thuật FP-Growth

3.2.2. Giải thuật ŒSTP

3.2.3. Giải thuật Prefix ŠpaIn

3.3. Một số công trình liên quan khác về khai phá mẫu trên dữ liệu chuỗi thời gian

4. CHƯƠNG 4: HƯỚNG TIẾP CÁN GIẢI QUYẾT VẤN ĐỀ

4.1. Giải thuật Brute Force

4.2. Giải thuật dựa trên cấu trúc cây

4.3. Quá trình khai phá mẫu xu hướng tuần tự liên đối tượng trên cơ sở dữ liệu chuỗi thời gian

4.3.1. Giai đoạn chuyển đổi sang chuỗi thời gian khuynh hướng

4.3.2. Giai đoạn tìm các chuỗi con phổ biến từ chuỗi thời gian khuynh hướng

4.3.3. Giai đoạn khai phá mẫu xu hướng tuần tự phổ biến liên đối tượng

5. CHƯƠNG 5: THỰC NGHIỆM

5.1. Tiền xử lý dữ liệu

5.2. Lưu trữ dữ liệu

5.3. Mô tả thực nghiệm

5.3.1. Thực nghiệm cố định

5.3.2. Thực nghiệm cố định chiều dài chuỗi thời gian

5.3.3. Thực hiện kiểm tra số lượng kết hợp được yêu cầu cao ra

5.3.4. Thực hiện kiểm tra số ứng viên của hai giải thuật

6. CHƯƠNG 6: KẾT LUẬN

6.1. Đóng góp của luận văn

6.2. Hướng phát triển trong tương lai

TÀI LIỆU THAM KHẢO

I. Giới thiệu về dữ liệu chuỗi thời gian

Dữ liệu chuỗi thời gian hiện nay xuất hiện phổ biến trong nhiều lĩnh vực như tài chính, y học, địa chất và khí hậu. Khai phá dữ liệu từ các chuỗi thời gian giúp các nhà phân tích và quản lý có cái nhìn sâu sắc hơn về các mối quan hệ mang yếu tố thời gian giữa các đối tượng. Việc phân tích chuỗi thời gian không chỉ giúp phát hiện các mẫu xu hướng mà còn hỗ trợ trong việc ra quyết định. Theo Frawley và W.J (1991), khai phá tri thức trong các cơ sở dữ liệu là một quá trình không đơn giản, nhằm tìm ra các mẫu có tính hợp lệ và mang ý nghĩa. Điều này đặc biệt quan trọng trong lĩnh vực đầu tư chứng khoán, nơi mà việc áp dụng các kỹ thuật khai phá dữ liệu có thể giúp dự đoán sự biến động giá của cổ phiếu.

1.1 Tầm quan trọng của dữ liệu chuỗi thời gian

Dữ liệu chuỗi thời gian có vai trò quan trọng trong việc phân tích và dự đoán các xu hướng trong tương lai. Các nhà nghiên cứu đã chỉ ra rằng, việc khai thác thông tin từ dữ liệu này có thể giúp phát hiện các mẫu và xu hướng tiềm ẩn. Phân tích dữ liệu chuỗi thời gian cho phép các nhà đầu tư và nhà phân tích có được cái nhìn tổng quan về các biến động trong thị trường, từ đó đưa ra các quyết định đầu tư chính xác hơn. Việc sử dụng các phương pháp như ARIMA hay mạng nơ-ron trong phân tích dữ liệu chứng khoán đã chứng minh được hiệu quả của chúng trong việc dự đoán giá cổ phiếu.

II. Các phương pháp khai phá mẫu xu hướng tuần tự

Luận văn đề xuất hai giải thuật để khai phá mẫu xu hướng tuần tự liên đối tượng từ tập dữ liệu chuỗi thời gian. Giải thuật đầu tiên là giải thuật brute-force, sử dụng phương pháp vét cạn để tìm kiếm các mẫu. Giải thuật thứ hai là giải thuật dựa trên cấu trúc cây, giúp tối ưu hóa quá trình tìm kiếm và phân tích. Cả hai giải thuật đều được xây dựng dựa trên hướng tiếp cận lặp từng mức từ dưới lên, nhằm xử lý vấn đề bùng nổ tổ hợp trong quá trình phân tích. Kết quả thực nghiệm cho thấy giải thuật dựa trên cấu trúc cây có hiệu quả cao hơn so với giải thuật brute-force, đặc biệt trong việc xử lý các tập dữ liệu lớn.

2.1 Giải thuật brute force

Giải thuật brute-force là một trong những phương pháp đơn giản nhưng hiệu quả trong việc khai thác thông tin từ dữ liệu chuỗi thời gian. Phương pháp này thực hiện việc tìm kiếm tất cả các mẫu có thể có trong tập dữ liệu mà không bỏ sót bất kỳ mẫu nào. Tuy nhiên, nhược điểm lớn của phương pháp này là thời gian tính toán có thể tăng nhanh chóng khi kích thước dữ liệu tăng lên. Do đó, việc áp dụng giải thuật này cần được cân nhắc kỹ lưỡng, đặc biệt trong các bài toán có kích thước dữ liệu lớn.

2.2 Giải thuật dựa trên cấu trúc cây

Giải thuật dựa trên cấu trúc cây được thiết kế để tối ưu hóa quá trình tìm kiếm mẫu trong dữ liệu chuỗi thời gian. Phương pháp này sử dụng cấu trúc cây để tổ chức và lưu trữ thông tin, giúp giảm thiểu thời gian tìm kiếm và phân tích. Kết quả thực nghiệm cho thấy giải thuật này không chỉ nhanh hơn mà còn chính xác hơn so với giải thuật brute-force. Việc áp dụng giải thuật này trong các bài toán thực tế có thể mang lại những lợi ích đáng kể trong việc phát hiện các mẫu xu hướng và mối quan hệ giữa các đối tượng.

III. Đánh giá và ứng dụng thực tiễn

Luận văn đã thực hiện đánh giá và so sánh các giải thuật đề xuất thông qua kết quả thực nghiệm. Kết quả cho thấy giải thuật dựa trên cấu trúc cây có hiệu quả cao hơn trong việc khai phá mẫu xu hướng tuần tự. Việc áp dụng các giải thuật này trong lĩnh vực tài chính, đặc biệt là trong phân tích dữ liệu chứng khoán, có thể giúp các nhà đầu tư đưa ra quyết định chính xác hơn. Khai thác thông tin từ dữ liệu chuỗi thời gian không chỉ giúp phát hiện các xu hướng mà còn hỗ trợ trong việc dự đoán các biến động trong tương lai.

3.1 Ứng dụng trong lĩnh vực tài chính

Trong lĩnh vực tài chính, việc khai thác dữ liệu chuỗi thời gian có thể giúp các nhà đầu tư nhận diện các xu hướng và biến động của thị trường. Các giải thuật được đề xuất trong luận văn có thể được áp dụng để phân tích dữ liệu chứng khoán, từ đó đưa ra các quyết định đầu tư hợp lý. Việc sử dụng các mẫu xu hướng tuần tự liên đối tượng giúp các nhà đầu tư có cái nhìn rõ ràng hơn về mối quan hệ giữa các cổ phiếu, từ đó tối ưu hóa danh mục đầu tư của mình.

Luận Văn Thạc Sĩ: Khai Phá Xu Hướng Tuần Tự Từ Dữ Liệu Chuỗi Thời Gian