Tổng quan về luận án
Dự báo chuỗi thời gian (Time Series Forecasting) giữ vai trò then chốt trong quản trị kinh tế, tài chính, khí tượng thủy văn và điều hành hệ thống công nghiệp. Các mô hình thống kê cổ điển như Autoregressive (AR), Moving Average (MA), kết hợp ARMA và ARIMA của Box & Jenkins (1976), cũng như mô hình ARCH của Engle (1982) hay GARCH của Bollerslev (1986), đòi hỏi dữ liệu phải thỏa mãn các giả định nghiêm ngặt về tính tuyến tính, tính dừng (stationarity) và phân phối chuẩn với kích thước mẫu đủ lớn. Khi đối mặt với các chuỗi dữ liệu thực tế biến thiên phi tuyến, ngắn hạn và chứa đựng nhiều yếu tố bất định, các mô hình trên bộc lộ những hạn chế đáng kể. Để vượt qua rào cản này, lý thuyết chuỗi thời gian mờ (Fuzzy Time Series - FTS) được Song & Chissom (1993) khởi xướng dựa trên lý thuyết tập mờ của Zadeh (1965), mở ra hướng tiếp cận mô hình hóa dữ liệu dưới dạng các biến ngôn ngữ định tính.
Tuy nhiên, các mô hình FTS truyền thống vẫn tồn tại những khoảng trống nghiên cứu (research gaps) mang tính cấu trúc. Mô hình ban đầu của Song & Chissom (1993, 1994) đòi hỏi các phép toán hợp thành ma trận max-min phức tạp, làm bùng nổ khối lượng tính toán khi không gian trạng thái mở rộng. Chen (1996) đã đơn giản hóa quy trình bằng khái niệm nhóm quan hệ logic mờ (Fuzzy Logical Relationship Groups - FLRG), song mô hình này lại bỏ qua tần suất lặp lại của các quan hệ và giả định mọi quan hệ đều có vai trò tương đương. Yu (2005) sau đó đã bổ sung trọng số dựa trên sự lặp lại, nhưng cả Chen và Yu đều mắc phải một khiếm khuyết mang tính nhận thức luận: nhóm quan hệ mờ được thiết lập tĩnh trên toàn bộ tập dữ liệu, dẫn đến việc các quan hệ xuất hiện ở tương lai ($t_k > t$) lại được dùng để tham gia dự báo cho trạng thái tại thời điểm hiện tại $t$. Hiện tượng rò rỉ thông tin trước thời điểm dự báo (look-ahead bias) này hoàn toàn phi thực tế. Đồng thời, việc phân chia tập nền (Universe of Discourse) thành các khoảng có độ dài cố định mang nặng tính chủ quan của chuyên gia.
Luận án tiến sĩ "Một số phương pháp nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ" của Nghiêm Văn Tính (2022), chuyên ngành Khoa học máy tính (Mã số: 9 48 01 01), thực hiện tại Học viện Khoa học và Công nghệ – Viện Hàn lâm Khoa học và Công nghệ Việt Nam dưới sự hướng dẫn của TS. Nguyễn Công Điều và TS. Nguyễn Minh Tuấn, đã giải quyết triệt để các khoảng trống nêu trên. Nghiên cứu đặt ra 4 câu hỏi và giả thuyết khoa học cốt lõi:
- RQ1/H1: Việc thiết lập Nhóm quan hệ mờ phụ thuộc thời gian (NQHM-PTTG) chỉ dựa trên lịch sử dữ liệu lũy tích tính đến thời điểm $t$ ($t_k \le t$) sẽ loại bỏ hoàn toàn hiện tượng rò rỉ dữ liệu tương lai và cải thiện độ chính xác dự báo so với FLRG tĩnh của Chen (1996) và Yu (2005).
- RQ2/H2: Áp dụng Đại số gia tử (Hedge Algebras - HA) và phân cụm K-means để phân khoảng tập nền động sẽ phản ánh chính xác phân bố ngữ nghĩa tự nhiên của dữ liệu hơn phương pháp chia đều truyền thống.
- RQ3/H3: Mô hình lai ghép tính toán mềm giữa Phân cụm mờ C-means (FCM) và Tối ưu bầy đàn (PSO) có khả năng tự động hóa tối ưu đồng thời chiều dài các khoảng chia và bậc của mô hình ($m$-order), vượt trội hơn phương pháp chọn bậc thử-sai thủ công.
- RQ4/H4: Mở rộng không gian trạng thái sang chuỗi thời gian mờ bậc cao hai nhân tố (FTS-2NT) với nhân tố phụ trợ sẽ làm tăng năng lực giải thích và giảm đáng kể sai số dự báo cục bộ.
Khung lý thuyết của luận án tích hợp chặt chẽ giữa Lý thuyết tập mờ (Zadeh, 1965), Đại số gia tử (Nguyễn Cát Hồ và cộng sự, 1990, 2005), Phân cụm mờ Fuzzy C-means (Bezdek, 1981) và Tối ưu bầy đàn cải tiến (Kennedy & Eberhart, 1995; Clerc & Kennedy, 2002). Phạm vi thực nghiệm của luận án bao phủ nhiều tập dữ liệu chuẩn quốc tế với các đặc tính động học khác nhau: chuỗi tuyển sinh Đại học Alabama (1971–1992, $N=22$), chuỗi chỉ số tương lai thị trường chứng khoán Đài Loan (TAIFEX/TAIEX), chuỗi tai nạn giao thông đường bộ tại Bỉ và chuỗi nhiệt độ trung bình hàng ngày tại Đài Bắc (01/06/1996 – 30/09/1996, $N=122$ quan sát kết hợp nhân tố mật độ mây). Kết quả định lượng cho thấy các mô hình đề xuất đã giảm sai số bình phương trung bình (MSE) và sai số phần trăm tuyệt đối trung bình (MAPE) xuống mức thấp kỷ lục so với hàng loạt mô hình công bố quốc tế cùng thời kỳ.
Literature Review và Positioning
Lịch sử phát triển của lý thuyết chuỗi thời gian mờ trải qua ba giai đoạn tiến hóa rõ rệt. Giai đoạn khởi nguyên ghi nhận công trình nền tảng của Song & Chissom (1993, 1994) khi đưa ra định nghĩa toán học về chuỗi thời gian mờ $F(t)$ xác định trên tập nền $U$, thiết lập quan hệ mờ $F(t) = F(t-1) \circ R(t-1, t)$ qua toán tử max-min. Giai đoạn tái cấu trúc đại số được đánh dấu bằng đề xuất của Chen (1996), thay thế ma trận $R$ bằng quan hệ logic mờ $A_i \to A_j$ và gom nhóm thành FLRG dạng $A_i \to A_{k1}, A_{k2}, \dots$. Yu (2005) sau đó mở rộng bằng cách giữ lại các liên kết lặp lại và gán trọng số theo thứ tự xuất hiện $w_i = i / \sum j$. Tuy nhiên, cuộc tranh luận học thuật sâu sắc nảy sinh giữa hai trường phái:
- Trường phái Tĩnh học quan hệ (Static Relationship): Chen (1996), Huarng (2001), Chen & Chung (2006) cho rằng ma trận quan hệ mờ hoặc nhóm quan hệ mờ là bất biến trên toàn bộ không gian mẫu huấn luyện, đại diện cho tri thức tổng quát của hệ thống.
- Trường phái Động học thời gian (Dynamic/Sequential Learning): Luận án của Nghiêm Văn Tính (2022) cùng các nghiên cứu phản biện chỉ ra rằng việc sử dụng toàn bộ chuỗi để lập nhóm quan hệ mờ tại thời điểm $t$ vô hình trung đã "mượn" thông tin của các thời điểm $t+1, t+2, \dots$. Nghiên cứu của tác giả định vị một cách độc lập: Một quan hệ mờ chỉ có giá trị suy luận nếu nó đã từng xảy ra trong quá khứ.
Song song với cấu trúc quan hệ mờ, vấn đề phân chia tập nền $U = [D_{min} - N_1, D_{max} + N_2]$ là tâm điểm tranh luận thứ hai. Huarng (2001) chứng minh độ dài khoảng chia quyết định trực tiếp tới độ chính xác mô hình và đề xuất phương pháp phân khoảng theo phân bố dữ liệu và độ dài trung bình. Yolcu và cộng sự (2009) dùng hàm tối ưu fminbnd trong MATLAB để tinh chỉnh tỷ lệ khoảng. Nhiều tác giả quốc tế đã đưa các giải thuật tiến hóa vào phân khoảng FTS: Chen & Chung (2006) dùng Thuật toán di truyền (GA) cho FTS bậc 1 và bậc cao; Lee và cộng sự (2008) ứng dụng Thuật toán tôi luyện (Simulated Annealing - SA) cho dữ liệu TAIFEX; Eren Bas và cộng sự (2014) dùng Modified Genetic Algorithm (MGA); Kuo và cộng sự (2009, 2010), Huang và cộng sự (2011) tích hợp Particle Swarm Optimization (PSO) và Ant Colony Optimization (ACO).
[TIẾN TRÌNH PHÁT TRIỂN LÝ THUYẾT FTS]
Song & Chissom (1993) --> Chen (1996) --> Yu (2005)
(Ma trận quan hệ Max-Min) (Nhóm quan hệ tĩnh) (Nhóm quan hệ có trọng số)
[KHOẢNG TRỐNG: RÒ RỈ DỮ LIỆU TƯƠNG LAI]
Nghiêm Văn Tính (2022)
Trong nước, hướng tiếp cận sử dụng Đại số gia tử (HA) của nhóm nghiên cứu GS. Nguyễn Cát Hồ tại Viện Công nghệ thông tin được phát triển bởi Bùi Công Cường và cộng sự (2012, 2014), Trần Thái Sơn và cộng sự (2017) nhằm mô hình hóa chuỗi ngôn ngữ. Tuy nhiên, các nghiên cứu này mới dừng lại ở mô hình bậc một, đơn nhân tố và chưa xây dựng cơ chế tối ưu hóa tự động không gian tham số.
So sánh với các nghiên cứu quốc tế tiêu biểu:
- So sánh với Chen & Chung (2006): Mô hình của Chen & Chung dùng GA để tìm ranh giới khoảng nhưng vẫn sử dụng nhóm quan hệ tĩnh, dẫn đến số lượng cá thể trong quần thể GA phải rất lớn và tốc độ hội tụ chậm. Luận án của Nghiêm Văn Tính kết hợp FCM với PSO giúp giảm không gian tìm kiếm, hội tụ nhanh sau 150 thế hệ và đạt MSE thấp hơn đáng kể trên tập tuyển sinh Alabama.
- So sánh với Lee, Wang & Chen (2008): Mô hình FTS hai nhân tố bậc cao của Lee và cộng sự áp dụng SA cho dự báo TAIFEX nhưng phải ấn định bậc $m$ cố định trước khi chạy thuật toán. Mô hình FTS2NT-CMPSO trong luận án tối ưu hóa đồng thời cả vector khoảng chia của hai nhân tố và bậc tối ưu $m$, mang lại chỉ số MAPE trong pha kiểm thử thấp hơn trên tập dữ liệu nhiệt độ Đài Bắc và chỉ số TAIFEX.
Đóng góp lý thuyết và khung phân tích
Đóng góp cho lý thuyết
Luận án đã mở rộng và hoàn thiện hệ thống lý thuyết chuỗi thời gian mờ thông qua việc giải quyết bài toán nhân quả thời gian trong suy diễn mờ:
- Khái niệm Nhóm quan hệ mờ phụ thuộc thời gian (NQHM-PTTG / Time-Dependent FLRG): Luận án tái định nghĩa cấu trúc quan hệ logic mờ. Nếu tại thời điểm $t$, ta có quan hệ $A_j(t-1) \to A_i(t)$, thì nhóm quan hệ mờ chỉ được phép kết nạp các chuyển dịch $A_j \to A_{ik}$ đã từng xuất hiện tại các thời điểm $t_k \le t$.
- Mệnh đề toán học bậc 1: $A_j(t-1) \to A_{i1}(t_1), A_{i2}(t_2), \dots, A_{ip}(t_p), A_i(t)$ với điều kiện $t_1, t_2, \dots, t_p \le t$.
- Mệnh đề toán học bậc cao $m$ một nhân tố: $(A_{j_m}(t-m), \dots, A_{j_1}(t-1)) \to A_{k1}(t_1), \dots, A_{kp}(t_p)$ với $t_1, \dots, t_p \le t$.
- Mệnh đề toán học bậc cao $m$ hai nhân tố: $((A_{i_m}(t-m), B_{k_m}(t-m)), \dots, (A_{i_1}(t-1), B_{k_1}(t-1))) \to A_{j1}(t_1), \dots, A_{jp}(t_p), A_j(t)$.
- Cơ chế dịch chuyển Paradigm (Paradigm Shift): Chuyển dịch từ mô hình suy diễn "Hồi quy mờ đóng trên tập dữ liệu tĩnh" sang "Hệ thống học mờ thích nghi theo dòng thời gian tuyến tính". Bằng chứng thực nghiệm cho thấy khi loại bỏ các quan hệ mờ thuộc về tương lai, mô hình không những bảo toàn tính đúng đắn về mặt thời gian thực mà còn loại bỏ được các nhiễu suy diễn, giúp giảm hiện tượng quá khớp (overfitting) trong giai đoạn kiểm thử.
Khung phân tích độc đáo
Khung phân tích của luận án là sự hợp nhất đa chiều giữa 4 cấu trúc lý thuyết:
[LÝ THUYẾT TẬP MỜ (Zadeh, 1965)]
[ĐẠI SỐ GIA TỬ (Nguyễn Cát Hồ, 1990)]
(Sinh ngữ nghĩa tính toán, phân khoảng HA)
[PHÂN CỤM MỜ FCM (Bezdek, 1981)]
(Khởi tạo cụm dữ liệu & tâm cụm khách quan)
[TỐI ƯU BẦY ĐÀN CẢI TIẾN PSO (Kennedy, 1995)]
(Tối ưu đồng thời độ dài khoảng và bậc mô hình m)
[SUY DIỄN NQHM-PTTG (Nghiêm Văn Tính, 2022)]
(Giải mờ có trọng số theo thời gian)
- Tiếp cận phân tích phân khoảng dựa trên Đại số gia tử (HA): Cấu trúc đại số gia tử $\mathcal{AX} = (X, C, G, H, \le)$ với $G = {c^-, c^+} = {low, high}$, tập hằng $C = {0, W, 1}$ ($W = medium$), tập gia tử $H = H^- \cup H^+ = {Rather, Little} \cup {More, Very}$. Dựa trên hàm độ đo tính mờ $fm(x)$ và độ đo tính mờ của gia tử $\mu(h)$, ánh xạ ngữ nghĩa Semantics Sign Function (SQM) được xác định để tự động phân chia tập nền thành các khoảng không đều một cách chính xác dựa trên trật tự ngữ nghĩa tự nhiên của từ:
$$\sum_{h \in H} fm(hx) = fm(x); \quad fm(c^-) + fm(c^+) = 1$$
- Điều kiện biên của khung phân tích: Khung phân tích được xác lập trong điều kiện chuỗi thời gian rời rạc, không gian trạng thái mờ hữu hạn, hàm liên thuộc dạng tam giác hoặc hình thang, và tham số phụ tải/nhân tố thứ hai có tương quan nhân quả xác thực với nhân tố chính.
Phương pháp nghiên cứu tiên tiến
Thiết kế nghiên cứu
Nghiên cứu tuân thủ chặt chẽ triết lý thực chứng (Positivism) và định lượng tính toán (Computational Quantitative Paradigm). Toàn bộ mô hình được thiết kế theo quy trình thực nghiệm nghiêm ngặt, bao gồm kiến trúc đa mức (Multi-level Architecture):
- Level 1 (Mức tiền xử lý và phân hoạch): Xác định tập nền $U = [D_{min} - N_1, D_{max} + N_2]$. Ứng dụng thuật toán K-means, FCM hoặc Đại số gia tử để xác định tọa độ các khoảng $[u_1, u_2, \dots, u_k]$ và điểm giữa $m_i$.
- Level 2 (Mức biểu diễn tri thức và tối ưu hóa): Thiết lập quan hệ mờ phụ thuộc thời gian bậc $m$ cho mô hình đơn nhân tố (FTS-1NT) hoặc hai nhân tố (FTS-2NT). Đồng thời, giải thuật PSO thực hiện tìm kiếm toàn cục để tinh chỉnh vị trí các ranh giới khoảng và xác định bậc tối ưu $m \in [1, 10]$.
- Level 3 (Mức suy luận và giải mờ): Áp dụng quy tắc giải mờ trọng số theo thời gian xuất hiện để tính toán giá trị đầu ra rõ $\hat{y}(t+1)$.
Quy trình nghiên cứu rigorous
Quy trình thu thập và xử lý dữ liệu được chuẩn hóa qua các giao thức kiểm thử chéo và tách biệt hoàn toàn giữa tập huấn luyện (training set) và tập kiểm thử (testing set):
- Chiến lược chọn mẫu: Sử dụng toàn bộ chuỗi quan sát lịch sử chuẩn được công nhận rộng rãi trong cộng đồng FTS quốc tế để đảm bảo tính so sánh đối chuẩn (benchmarking consistency).
- Thuật toán phân cụm mờ (FCM Protocol): Cực tiểu hóa hàm mục tiêu có trọng số mờ $m=2$:
$$J_m(U, V) = \sum_{j=1}^n \sum_{i=1}^c (u_{ji})^m d_{ji}^2(x_j, v_i); \quad \sum_{i=1}^c u_{ji} = 1, ; \forall j$$
với điều kiện dừng $\max_{i,j} |u_{ji}^{(t+1)} - u_{ji}^{(t)}| < \varepsilon = 0.001$.
- Thuật toán tối ưu bầy đàn cải tiến (PSO Protocol): Quần thể gồm $P_{max} = 30 \div 50$ cá thể, số lần lặp tối đa $iter_max = 150$. Hệ số co thắt Clerc được thiết lập $K = 0.7298$, hai hằng số gia tốc nhận thức và xã hội $c_1 = c_2 = 2.05$, thỏa mãn $\varphi = c_1 + c_2 = 4.1 > 4$:
$$K = \frac{2}{|2 - \varphi - \sqrt{\varphi^2 - 4\varphi}|} = 0.7298$$
Trọng số quán tính giảm tuyến tính từ $\omega_{max} = 0.9$ về $\omega_{min} = 0.4$:
$$\omega_k = \omega_{max} - \frac{k \times (\omega_{max} - \omega_{min})}{iter_max}$$
Phương trình cập nhật vận tốc và vị trí:
$$V_{id}^{k+1} = K \cdot [V_{id}^k + c_1 R_1 (P_{best_id} - X_{id}^k) + c_2 R_2 (G_{best} - X_{id}^k)]$$
$$X_{id}^{k+1} = X_{id}^k + V_{id}^{k+1}$$
- Độ tin cậy và Tính hợp lệ: Độ hợp lệ cấu trúc (construct validity) được kiểm chứng qua sự hội tụ đơn điệu của hàm thích nghi (Fitness function = MSE / RMSE). Tính hợp lệ bên ngoài (external validity) được khẳng định thông qua việc kiểm định mô hình trên 4 tập dữ liệu độc lập thuộc các lĩnh vực khác nhau (giáo dục, tài chính, giao thông, khí tượng).
Data và phân tích
| Tên tập dữ liệu |
Biến chính (Nhân tố 1) |
Biến phụ (Nhân tố 2) |
Kích thước mẫu ($N$) |
Miền giá trị tập nền $U$ |
| Đại học Alabama |
Số lượng sinh viên nhập học |
Không |
22 năm (1971–1992) |
$[13000, 20000]$ |
| TAIFEX / TAIEX |
Chỉ số tương lai TAIFEX |
Chỉ số vốn hóa TAIEX |
Hàng ngàn phiên giao dịch |
Theo biên độ giá thị trường |
| Nhiệt độ Đài Bắc |
Nhiệt độ TB hàng ngày |
Mật độ mây che phủ |
122 ngày (06/1996–09/1996) |
Nhân tố 1: $[15, 37]$; Nhân tố 2: $[0, 100]$ |
| Tai nạn giao thông Bỉ |
Số vụ tai nạn ô tô hàng năm |
Không |
Chuỗi năm lịch sử |
Theo phân bố thống kê |
Các kỹ thuật phân tích được lập trình và hiện thực hóa trên nền tảng MATLAB và C#/Python, kết hợp các hàm tối ưu chuyên biệt. Kiểm định Robustness checks được thực hiện bằng cách thay đổi số lượng khoảng chia ($k = 7, 14, 16$) và so sánh đa bậc ($m = 1 \div 9$).
Phát hiện đột phá và implications
Những phát hiện then chốt
- NQHM-PTTG triệt tiêu hoàn toàn sai số logic thời gian thực: Trên tập dữ liệu tuyển sinh Đại học Alabama với $k=7$ khoảng chia, mô hình FTS-1NT sử dụng NQHM-PTTG đạt sai số MSE thấp hơn rõ rệt so với mô hình gốc của Chen (1996) và Yu (2005). Khi tăng số lượng khoảng chia lên $k=14$ và $k=16$, mô hình đề xuất tiếp tục duy trì ưu thế vượt trội ở mọi bậc $m$.
- Phương pháp phân khoảng bằng Đại số gia tử (HA) và K-means vượt trội so với chia đều: Kết quả thực nghiệm tại Bảng 2.29 và 2.30 của luận án chứng minh rằng trên cùng mô hình FTS-1NT bậc 1 với 7 khoảng chia, phương pháp phân khoảng HA đạt MSE = 186,285 và K-means đạt MSE = 194,542, thấp hơn nhiều so với phương pháp chia đều có độ dài bằng nhau (MSE = 407,507).
- Mô hình lai FTS1NT-CMPSO phá vỡ giới hạn độ chính xác bậc cao: Kết hợp FCM và PSO cho phép mô hình FTS đơn nhân tố tự động tìm ra vector phân khoảng tối ưu. Trên tập dữ liệu tuyển sinh Alabama với $k=14$ khoảng, mô hình FTS1NT-CMPSO bậc 1 đạt MSE = 0 (tại các điểm khớp tối ưu) và trong pha kiểm thử bậc 5 với 16 khoảng, mô hình cho sai số RMSE nhỏ nhất so với tất cả các công trình của Chen & Chung (2006), Kuo và cộng sự (2009).
- Hiệu ứng hiệp đồng vượt bậc của mô hình hai nhân tố FTS2NT-CMPSO: Khi tích hợp thêm nhân tố thứ hai (mật độ che phủ của mây) để dự báo nhiệt độ trung bình tại Đài Bắc từ 01/06/1996 đến 30/09/1996, mô hình FTS2NT-CMPSO bậc cao ($m=7$) đạt mức sai số phần trăm tuyệt đối MAPE cực kỳ ấn tượng qua từng tháng:
- Tháng 6: MAPE giảm từ 1.84% (mô hình Chen) xuống dưới 0.95%.
- Tháng 7, 8, 9: Đồ thị đường cong dự báo bám sát tuyệt đối đường cong thực tế, thời gian hội tụ của thuật toán PSO chỉ mất chưa đầy 150 bước lặp.
- Hiện tượng phi tuyến cục bộ được giải quyết: Kết quả kiểm định trên tập dữ liệu thị trường chứng khoán TAIFEX và tai nạn ô tô tại Bỉ cho thấy giải thuật đề xuất triệt tiêu được hiện tượng trễ pha (phase lag) thường gặp trong các mô hình tự hồi quy thống kê.
[SO SÁNH SAI SỐ MSE TRÊN TẬP TUYỂN SINH ALABAMA (k=7)]
Implications đa chiều
- Về mặt lý thuyết: Luận án đóng góp trực tiếp vào lý thuyết tính toán mềm (Soft Computing) và lý thuyết hệ mờ bằng cách xác lập chuẩn mực mới cho việc trích xuất luật mờ có thứ tự thời gian, giải quyết dứt điểm nghịch lý thông tin tương lai trong FLRG.
- Về mặt phương pháp luận: Thiết lập quy trình chuẩn hóa gồm 3 bước: Phân cụm mờ sơ cấp (FCM) $\to$ Tối ưu hóa bầy đàn thích nghi (PSO) $\to$ Suy diễn quan hệ thời gian (NQHM-PTTG). Quy trình này có thể chuyển giao hoàn toàn để giải quyết các bài toán dự báo phụ tải điện, chuỗi thời gian y tế hoặc lưu lượng giao thông thông minh.
- Về mặt ứng dụng thực tiễn: Cung cấp cho các tổ chức tài chính và nhà hoạch định chính sách một công cụ dự báo có độ tin cậy cao, có khả năng diễn giải dưới dạng ngôn ngữ tự nhiên (linguistic interpretability) thay vì cấu trúc "hộp đen" hoàn toàn như Deep Learning.
- Khuyến nghị chính sách: Các cơ quan quản lý khí tượng và trung tâm điều độ giao thông có thể tích hợp thuật toán FTS2NT-CMPSO vào hệ thống cảnh báo sớm thời gian thực nhằm tối ưu hóa công tác phòng chống thiên tai và điều tiết luồng phương tiện.
Limitations và Future Research
Mặc dù đạt được những bước tiến đột phá, luận án thẳng thắn chỉ ra các giới hạn nghiên cứu:
- Không gian nhân tố: Luận án mới chỉ mở rộng thực nghiệm đến mô hình hai nhân tố (FTS-2NT). Trong các hệ thống phức hợp hiện đại (kinh tế vĩ mô, biến đổi khí hậu toàn cầu), số lượng biến ngoại sinh có thể lên tới hàng chục nhân tố, đòi hỏi cấu trúc mở rộng đa nhân tố ($n$-factors).
- Chi phí tính toán của PSO khi số khoảng lớn: Khi số lượng khoảng chia $k > 30$ và bậc $m > 10$, không gian tìm kiếm của PSO mở rộng theo hàm số mũ, dẫn đến thời gian tính toán tăng cao và có nguy cơ rơi vào cực tiểu cục bộ (local minima).
- Dạng hàm liên thuộc: Nghiên cứu chủ yếu tập trung vào hàm liên thuộc tam giác chuẩn hóa; chưa khảo sát sâu hàm liên thuộc mờ loại 2 (Type-2 Fuzzy Sets) hoặc Intuitionistic Fuzzy Sets vốn có năng lực mô hình hóa độ bất định cao hơn.
Chương trình nghiên cứu tương lai:
- Mở rộng thuật toán sang mô hình chuỗi thời gian mờ đa nhân tố ($n$-factor high-order FTS) tích hợp kỹ thuật giảm chiều dữ liệu (PCA/t-SNE).
- Ứng dụng các biến thể PSO tiên tiến như Multi-objective PSO hoặc kết hợp lai ghép PSO-GWO (Grey Wolf Optimizer) để tăng tốc độ hội tụ.
- Phát triển mô hình FTS dựa trên Đại số gia tử mở rộng cho chuỗi thời gian không dừng có cấu trúc mùa vụ phức tạp.
Tác động và ảnh hưởng
- Ảnh hưởng học thuật: Các đóng góp của luận án đã được công bố trong 8 công trình khoa học uy tín, bao gồm 2 bài báo trên tạp chí quốc tế (trong đó có bài trên International Journal of Computational Intelligence and Applications - ESCI/Scopus Q3 năm 2018 và Advances in Science Technology and Engineering Systems Journal năm 2021), 1 bài trên Tạp chí Tin học và Điều khiển, các tạp chí chuyên ngành trong nước và kỷ yếu hội nghị quốc gia FAIR. Công trình đã và đang tạo ra tiềm năng trích dẫn lớn trong cộng đồng nghiên cứu tính toán thông minh tại Việt Nam và khu vực.
- Chuyển đổi công nghiệp: Thuật toán tối ưu phân khoảng và suy diễn mờ có thể tích hợp trực tiếp vào các hệ thống phần mềm giao dịch định lượng (algorithmic trading), hệ thống dự báo nhu cầu thị trường trong chuỗi cung ứng bán lẻ và hệ thống tự động hóa quản lý năng lượng tòa nhà (BEMS).
- Lợi ích xã hội: Ứng dụng mô hình dự báo chính xác tai nạn giao thông và nhiệt độ cực đoan giúp các cơ quan công quyền giảm thiểu rủi ro xã hội, nâng cao hiệu quả phân bổ ngân sách y tế và cứu hộ khẩn cấp.
Đối tượng hưởng lợi
- Nghiên cứu sinh và Giới học thuật: Tiếp cận được một phương pháp luận nghiên cứu hoàn chỉnh, phương pháp giải toán kết hợp giữa đại số gia tử, phân cụm mờ và giải thuật tiến hóa bầy đàn; đồng thời kế thừa mã nguồn và khung phân tích để mở rộng cho các dạng dữ liệu chuỗi thời gian khác.
- Kỹ sư R&D trong doanh nghiệp: Ứng dụng mô hình FTS1NT-CMPSO và FTS2NT-CMPSO vào việc xây dựng các công cụ phân tích dự báo tài chính, dự báo phụ tải mạng lưới viễn thông và chuỗi cung ứng với độ phức tạp tính toán thấp hơn nhiều so với việc huấn luyện mạng nơ-ron hồi quy sâu (LSTM/GRU).
- Nhà hoạch định chính sách: Sử dụng các kết quả dự báo có độ chính xác cao và tường minh về mặt ngữ nghĩa ngôn ngữ để đưa ra các quyết định chiến lược trong quản lý đô thị, quy hoạch giao thông và bảo vệ môi trường.
Câu hỏi chuyên sâu
1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?
Đóng góp lý thuyết độc đáo nhất là việc đề xuất Nhóm quan hệ mờ phụ thuộc thời gian (NQHM-PTTG), mở rộng và khắc phục hoàn toàn điểm nghẽn nhận thức luận trong Lý thuyết chuỗi thời gian mờ của Chen (1996) và Yu (2005). Luận án đã chứng minh rằng việc ràng buộc các quan hệ mờ bên vế phải chỉ được phép xuất hiện tại các thời điểm $t_k \le t$ không chỉ tuân thủ đúng nguyên lý nhân quả của chuỗi thời gian mà còn nâng cao đáng kể độ chính xác suy luận thực tế.
2. Tính đổi mới về mặt phương pháp luận so với các nghiên cứu quốc tế trước đây?
So với các nghiên cứu của Chen & Chung (2006) sử dụng GA hay Lee và cộng sự (2008) sử dụng SA, luận án đã đổi mới phương pháp luận bằng cách tích hợp đồng thời Fuzzy C-means (FCM) và Particle Swarm Optimization (PSO) có hệ số co thắt Clerc ($K=0.7298$). Cải tiến này cho phép thuật toán tự động tối ưu hóa đồng thời cả độ dài khoảng chia tập nền và bậc của mô hình ($m$), loại bỏ hoàn toàn quá trình phán đoán chủ quan hay thử-sai thủ công.
3. Phát hiện thực nghiệm nào bất ngờ nhất từ dữ liệu?
Phát hiện bất ngờ nhất là phương pháp phân khoảng dựa trên Đại số gia tử (Hedge Algebras) đạt độ chính xác xấp xỉ và trong một số trường hợp vượt trội hơn cả các thuật toán học máy phân cụm như K-means (MSE đạt 186,285 so với 194,542 trên tập dữ liệu Alabama với $k=7$). Điều này chứng minh rằng cấu trúc ngữ nghĩa định tính của ngôn ngữ tự nhiên khi được tiên đề hóa toán học chặt chẽ có sức mạnh biểu diễn dữ liệu thực nghiệm không thua kém các thuật toán tối ưu số học thuần túy.
4. Luận án có cung cấp giao thức tái lập nghiên cứu (Replication Protocol) không?
Có. Luận án cung cấp chi tiết mã giả (Pseudocode) của Thuật toán tạo NQHM-PTTG bậc $m$, các bảng tham số khởi tạo đầy đủ của giải thuật PSO ($P_{max}=30, c_1=c_2=2.05, K=0.7298, \omega \in [0.4, 0.9]$), các bảng dữ liệu gốc và các bước mờ hóa/giải mờ chi tiết, cho phép các nhà nghiên cứu độc lập tái lập 100% kết quả thực nghiệm trên bất kỳ ngôn ngữ lập trình nào.
5. Lộ trình nghiên cứu 10 năm tiếp theo được định hình như thế nào?
Lộ trình nghiên cứu phát triển gồm 3 giai đoạn: (1) Giai đoạn 1-3 năm: Hoàn thiện mô hình FTS đa nhân tố không dừng tích hợp Deep Fuzzy Clustering; (2) Giai đoạn 3-6 năm: Xây dựng hệ thống giải mờ thích nghi trực tuyến (Online Adaptive FTS) xử lý dữ liệu luồng lớn (Big Streaming Data); (3) Giai đoạn 6-10 năm: Tích hợp FTS với Explainable AI (XAI) và Mạng nơ-ron mờ lượng tử (Quantum Neuro-Fuzzy Systems) phục vụ dự báo tài chính và y tế chính xác cao.
Kết luận
Luận án tiến sĩ của tác giả Nghiêm Văn Tính đã tạo ra những đóng góp đột phá, mang tính nền tảng cho sự phát triển của lĩnh vực Khoa học máy tính nói chung và lý thuyết Chuỗi thời gian mờ nói riêng:
- Xác lập khái niệm NQHM-PTTG: Loại bỏ triệt để hiện tượng sử dụng dữ liệu tương lai trong suy luận mờ, đặt nền móng chuẩn mực cho các mô hình FTS hiện đại.
- Thuật toán tạo nhóm quan hệ bậc cao tổng quát: Hiện thực hóa thành công thuật toán sinh tự động NQHM-PTTG cho cả mô hình đơn nhân tố và hai nhân tố bậc $m$.
- Phát triển phương pháp phân khoảng bằng Đại số gia tử: Khai phá phương thức phân chia tập nền tự nhiên, chính xác dựa trên trật tự ngữ nghĩa ngôn ngữ thay thế cách chia đều trực giác.
- Mô hình lai ghép FTS1NT-CMPSO và FTS2NT-CMPSO: Tự động hóa hoàn toàn quá trình tối ưu không gian tham số phân khoảng và bậc mô hình bằng sự kết hợp nhuần nhuyễn giữa FCM và PSO cải tiến.
- Kiểm chứng thực nghiệm toàn diện: Chứng minh tính vượt trội không thể phủ nhận của các mô hình đề xuất trên 4 tập dữ liệu chuẩn quốc tế với các chỉ số sai số MSE, RMSE, MAPE đạt mức tối ưu.
- Mở ra 3 nhánh nghiên cứu chuyên sâu mới: Khởi xướng dòng nghiên cứu FTS đa nhân tố thích nghi thời gian thực, FTS dựa trên Đại số gia tử mở rộng, và hệ thống dự báo tính toán mềm giải thích được (XAI-FTS) có giá trị ứng dụng quốc tế lâu dài.
