Luận án tiến sĩ về các phương pháp nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ

• Tác giả: Nghiêm Văn Tính
• Người hướng dẫn: TS. Nguyễn Công Điều
• Trường học: Học viện Khoa học và Công nghệ
• Chuyên ngành: Khoa học máy tính
• Đề tài: Một số phương pháp nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ
• Loại tài liệu: Luận án tiến sĩ
• Năm xuất bản: 2022
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: NHỮNG KIẾN THỨC LIÊN QUAN
• 1.1. Các khái niệm về chuỗi thời gian
• 1.2. Chuỗi thời gian
• 1.3. Bài toán dự báo chuỗi thời gian
• 1.4. Chuỗi thời gian mờ và các mô hình dự báo chuỗi thời gian mờ
• 1.5. Một số khái niệm về tập mờ
• 1.6. Chuỗi thời gian mờ và các định nghĩa liên quan
• 1.7. Các thành phần của mô hình dự báo FTS
• 1.7.1. Giai đoạn huấn luyện (Xây dựng mô hình dự báo)
• 1.7.2. Giai đoạn kiểm thử (Giai đoạn dự báo)
• 1.8. Một số mô hình chuỗi thời gian mờ cơ bản
• 1.8.1. Mô hình dự báo của Song và Chissom [8,9]
• 1.8.2. Mô hình dự báo của Chen [10]
• 1.8.3. Mô hình dự báo của Yu [13]
• 1.9. Tiêu chuẩn đánh giá độ chính xác của các mô hình dự báo
• 1.10. Một số phương pháp liên quan đến phân khoảng tập nền
• 1.10.1. Thuật toán phân cụm K-means
• 1.10.2. Thuật toán phân cụm mờ Fuzzy C-means
• 1.10.3. Thuật toán tối ưu bầy đàn (PSO)
• 1.11. Đại số gia tử
• 1.12. Kết luận Chương 1
• 2. CHƯƠNG 2: XÂY DỰNG CÁC MÔ HÌNH DỰ BÁO CHUỖI THỜI GIAN MỜ VỚI NHÓM QUAN HỆ MỜ PHỤ THUỘC THỜI GIAN
• 2.1. Nhóm quan hệ mờ phụ thuộc thời gian (NQHM-PTTG)
• 2.2. Các định nghĩa về nhóm quan hệ mờ phụ thuộc thời gian
• 2.3. Thuật toán tạo NQHM-PTTG bậc m
• 2.4. Các mô hình chuỗi thời gian mờ một nhân tố và hai nhân tố đề xuất
• 2.4.1. Mô hình dự báo chuỗi thời gian mờ một nhân tố (FTS-1NT)
• 2.4.2. Mô hình dự báo chuỗi thời gian mờ hai nhân tố (FTS-2NT)
• 2.5. Các phương pháp phân khoảng dữ liệu trong tập nền
• 2.5.1. Phân khoảng với độ dài bằng nhau
• 2.5.2. Phân khoảng với độ dài khác nhau
• 2.5.3. Các phương pháp phân khoảng đề xuất
• 2.5.3.1. Phân khoảng sử dụng phân cụm K-means
• 2.5.3.2. Phân khoảng sử dụng Đại số gia tử
• 2.6. Tổ chức thực nghiệm và so sánh đánh giá cho các mô hình FTS đề xuất và các phương pháp phân khoảng
• 2.6.1. Mô tả dữ liệu
• 2.6.2. Kết quả thực nghiệm của mô hình FTS một nhân tố (FTS-1NT)
• 2.6.2.1. Kết quả thực nghiệm của mô hình FTS-1NT trên tập dữ liệu tuyển sinh
• 2.6.2.2. Kết quả thực nghiệm của mô hình FTS-1NT trên tập dữ liệu thị trường chứng khoán (TAIFEX)
• 2.6.3. Kết quả thử nghiệm của mô hình FTS hai nhân tố (FTS-2NT)
• 2.6.4. Kết quả thực nghiệm trên mô hình FTS-1NT sử dụng hai phương pháp phân khoảng HA và K-means
• 2.6.4.1. So sánh đánh giá giữa hai phương pháp phân khoảng HA và K-means với các phương pháp phân khoảng khác trên cùng mô hình FTS-1NT
• 2.6.4.2. So sánh đánh giá mô hình FTS-1NT sử dụng phương pháp phân khoảng HA và K-means với các mô hình dự báo khác dựa trên QHM bậc 1
• 2.6.4.3. So sánh đánh giá mô hình FTS-1NT sử dụng phương pháp phân khoảng HA và K-means với các mô hình dự báo khác dựa trên QHM bậc cao
• 2.7. Kết luận Chương 2
• 3. CHƯƠNG 3: NÂNG CAO HIỆU QUẢ CỦA MÔ HÌNH DỰ BÁO SỬ DỤNG CÁC KỸ THUẬT TÍNH TOÁN MỀM
• 3.1. Các mô hình dự báo chuỗi thời gian mờ đề xuất
• 3.1.1. Mô hình chuỗi thời gian mờ một nhân tố (FTS-1NT) kết hợp giữa FCM và PSO
• 3.1.2. Mô hình chuỗi thời gian mờ hai nhân tố (FTS-2NT) sử dụng FCM và PSO
• 3.2. Tổ chức thực nghiệm và đánh giá hiệu quả của các mô hình dự báo được đề xuất
• 3.2.1. Đánh giá hiệu quả của mô hình FTS một nhân tố FTS1NT-CMPSO
• 3.2.1.1. Mô tả các chuỗi dữ liệu thời gian
• 3.2.1.2. Thiết lập các tham số của mô hình FTS1NT-CMPSO cho các tập dữ liệu
• 3.2.1.3. Áp dụng dự báo tuyển sinh đại học của trường đại học Alabama
• 3.2.1.4. Áp dụng dự báo thị trường chứng khoán Đài Loan TAIFEX
• 3.2.1.5. Áp dụng dự báo tai nạn ô tô tại Bỉ
• 3.2.2. Đánh giá hiệu quả của mô hình FTS hai nhân tố FTS2NT-CMPSO
• 3.2.2.1. Áp dụng dự báo trên tập dữ liệu nhiệt độ
• 3.2.2.2. Áp dụng dự báo trên tập dữ liệu thị trường chứng khoán
• 3.3. Kết luận Chương 3
• KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC CỦA TÁC GIẢ LIÊN QUAN ĐẾN LUẬN ÁN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về mô hình chuỗi thời gian mờ và độ chính xác dự báo

Mô hình chuỗi thời gian mờ là một công cụ mạnh mẽ trong việc dự báo các hiện tượng không chắc chắn. Độ chính xác dự báo trong mô hình này phụ thuộc vào nhiều yếu tố, bao gồm chất lượng dữ liệu và phương pháp phân tích. Việc nâng cao độ chính xác dự báo là một thách thức lớn trong nghiên cứu hiện nay.

1.1. Khái niệm về chuỗi thời gian và mô hình mờ

Chuỗi thời gian là tập hợp các giá trị được ghi lại theo thời gian. Mô hình mờ giúp xử lý các yếu tố không chắc chắn trong dữ liệu, từ đó cải thiện độ chính xác dự báo.

1.2. Tầm quan trọng của độ chính xác trong dự báo

Độ chính xác trong dự báo ảnh hưởng trực tiếp đến quyết định kinh doanh và quản lý. Một mô hình dự báo chính xác giúp giảm thiểu rủi ro và tối ưu hóa nguồn lực.

II. Những thách thức trong việc nâng cao độ chính xác dự báo

Mặc dù có nhiều phương pháp để nâng cao độ chính xác dự báo, nhưng vẫn tồn tại nhiều thách thức. Các yếu tố như dữ liệu không đầy đủ, biến động thị trường và tính phi tuyến của dữ liệu đều có thể ảnh hưởng đến kết quả dự báo.

2.1. Dữ liệu không đầy đủ và chất lượng thấp

Dữ liệu không đầy đủ có thể dẫn đến những sai lệch trong dự báo. Việc thu thập và xử lý dữ liệu chất lượng cao là rất quan trọng.

2.2. Tính phi tuyến và biến động của dữ liệu

Nhiều mô hình dự báo truyền thống không thể xử lý tốt các chuỗi thời gian phi tuyến. Điều này đòi hỏi các phương pháp mới và linh hoạt hơn.

III. Phương pháp nâng cao độ chính xác dự báo trong mô hình mờ

Có nhiều phương pháp được đề xuất để nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ. Các phương pháp này bao gồm việc sử dụng các thuật toán tối ưu hóa và các kỹ thuật học máy.

3.1. Sử dụng thuật toán tối ưu hóa bầy đàn PSO

Thuật toán PSO giúp tối ưu hóa các tham số trong mô hình, từ đó nâng cao độ chính xác dự báo. Phương pháp này đã được áp dụng thành công trong nhiều nghiên cứu.

3.2. Kết hợp mô hình mờ với học máy

Việc kết hợp mô hình mờ với các kỹ thuật học máy như mạng nơron có thể cải thiện đáng kể độ chính xác dự báo. Các mô hình này có khả năng học từ dữ liệu và điều chỉnh theo biến động.

IV. Ứng dụng thực tiễn của mô hình chuỗi thời gian mờ

Mô hình chuỗi thời gian mờ đã được áp dụng trong nhiều lĩnh vực như tài chính, kinh tế và dự báo thời tiết. Những ứng dụng này cho thấy tính linh hoạt và hiệu quả của mô hình trong việc xử lý dữ liệu không chắc chắn.

4.1. Dự báo thị trường chứng khoán

Mô hình mờ đã được sử dụng để dự báo xu hướng thị trường chứng khoán, giúp các nhà đầu tư đưa ra quyết định chính xác hơn.

4.2. Dự báo thời tiết

Trong lĩnh vực khí tượng, mô hình chuỗi thời gian mờ giúp cải thiện độ chính xác của các dự báo thời tiết, từ đó hỗ trợ công tác quản lý thiên tai.

V. Kết luận và hướng phát triển tương lai

Nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ là một lĩnh vực nghiên cứu quan trọng. Các phương pháp mới và công nghệ tiên tiến sẽ tiếp tục được phát triển để cải thiện độ chính xác và khả năng ứng dụng của mô hình.

5.1. Tương lai của mô hình chuỗi thời gian mờ

Với sự phát triển của công nghệ, mô hình chuỗi thời gian mờ sẽ ngày càng trở nên mạnh mẽ và chính xác hơn trong việc dự báo.

5.2. Nghiên cứu và phát triển thêm các phương pháp mới

Cần tiếp tục nghiên cứu và phát triển các phương pháp mới để giải quyết các thách thức hiện tại trong dự báo chuỗi thời gian mờ.