Luận án tiến sĩ Nguyễn Duy Hiếu: Mô hình dự báo chuỗi thời gian ngôn ngữ

Luận án tiến sĩ ngành máy tính nghiên cứu mô hình dự báo chuỗi thời gian ngôn ngữ dựa trên đại số gia tử, mang lại ứng dụng thực tiễn cao.

• Tác giả: Nguyễn Duy Hiếu
• Người hướng dẫn: PTS. Nguyễn Duy Hiếu
• Trường học: Học viện Khoa học và Công nghệ Việt Nam
• Chuyên ngành: Hệ thống thông tin
• Đề tài: Mô Hình Dự Báo Chuỗi Thời Gian Ngôn Ngữ Dựa Trên Đại Số Gia Tử
• Loại tài liệu: luận án tiến sĩ
• Năm xuất bản: 2022
• Địa điểm: Hà Nội

Tóm tắt

I. Tổng quan về mô hình dự báo chuỗi thời gian ngôn ngữ

Mô hình dự báo chuỗi thời gian ngôn ngữ dựa trên đại số gia tử là một lĩnh vực nghiên cứu đang phát triển mạnh mẽ trong ngành máy tính. Mô hình này không chỉ giúp cải thiện độ chính xác của dự báo mà còn mở ra những hướng đi mới trong việc xử lý dữ liệu ngôn ngữ. Việc áp dụng đại số gia tử vào dự báo chuỗi thời gian mờ đã cho thấy những kết quả khả quan, đặc biệt trong việc phân tích và dự đoán các biến động trong dữ liệu ngôn ngữ.

1.1. Khái niệm cơ bản về chuỗi thời gian mờ

Chuỗi thời gian mờ là một khái niệm được phát triển để xử lý các dữ liệu không chắc chắn. Nó cho phép mô hình hóa các giá trị ngôn ngữ một cách linh hoạt và chính xác hơn. Các nghiên cứu trước đây đã chỉ ra rằng việc áp dụng các phương pháp mờ có thể nâng cao độ chính xác của dự báo.

1.2. Tầm quan trọng của đại số gia tử trong dự báo

Đại số gia tử cung cấp một khung lý thuyết vững chắc cho việc xử lý các giá trị ngôn ngữ. Nó cho phép mô hình hóa các quan hệ thứ tự giữa các giá trị ngôn ngữ, từ đó cải thiện khả năng dự đoán của mô hình. Nghiên cứu cho thấy rằng việc áp dụng đại số gia tử có thể mang lại những kết quả tốt hơn so với các phương pháp truyền thống.

II. Vấn đề và thách thức trong dự báo chuỗi thời gian

Mặc dù mô hình dự báo chuỗi thời gian ngôn ngữ dựa trên đại số gia tử đã đạt được nhiều thành tựu, nhưng vẫn còn nhiều thách thức cần phải giải quyết. Độ chính xác của dự báo phụ thuộc vào nhiều yếu tố, bao gồm chất lượng dữ liệu đầu vào và các tham số trong mô hình. Việc tìm ra các phương pháp tối ưu hóa tham số cũng là một vấn đề quan trọng.

2.1. Các yếu tố ảnh hưởng đến độ chính xác dự báo

Độ chính xác của mô hình dự báo chuỗi thời gian mờ phụ thuộc vào nhiều yếu tố như số lượng khoảng chia, độ dài khoảng chia và bậc của chuỗi thời gian. Nếu các tham số này không được xác định chính xác, kết quả dự báo có thể không đáng tin cậy.

2.2. Thách thức trong việc mờ hóa dữ liệu

Mờ hóa dữ liệu là một bước quan trọng trong quá trình dự báo. Tuy nhiên, việc xác định cách mờ hóa phù hợp đòi hỏi kinh nghiệm và trực giác tốt. Nếu không, có thể dẫn đến việc mất thông tin quan trọng trong dữ liệu.

III. Phương pháp dự báo chuỗi thời gian mờ hiệu quả

Để nâng cao độ chính xác của mô hình dự báo, nhiều phương pháp đã được đề xuất. Các phương pháp này không chỉ tập trung vào việc cải thiện mô hình ban đầu mà còn tìm kiếm các cách tiếp cận mới để tối ưu hóa tham số. Việc áp dụng các thuật toán học máy cũng đang trở thành xu hướng trong nghiên cứu này.

3.1. Phương pháp mờ hóa dữ liệu hiệu quả

Một trong những phương pháp mờ hóa dữ liệu hiệu quả là sử dụng các quy tắc mờ để chuyển đổi các giá trị định lượng thành các giá trị ngôn ngữ. Điều này giúp mô hình có thể xử lý các dữ liệu không chắc chắn một cách linh hoạt hơn.

3.2. Tối ưu hóa tham số trong mô hình dự báo

Tối ưu hóa tham số là một bước quan trọng trong việc cải thiện độ chính xác của mô hình. Các nghiên cứu đã chỉ ra rằng việc sử dụng các thuật toán tối ưu hóa như Particle Swarm Optimization có thể giúp tìm ra các tham số tối ưu cho mô hình dự báo.

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

Mô hình dự báo chuỗi thời gian ngôn ngữ dựa trên đại số gia tử đã được áp dụng trong nhiều lĩnh vực khác nhau, từ dự báo kinh tế đến phân tích dữ liệu xã hội. Những ứng dụng này không chỉ giúp cải thiện độ chính xác của dự báo mà còn mang lại giá trị thực tiễn cao cho các nhà nghiên cứu và doanh nghiệp.

4.1. Dự báo số lượng sinh viên nhập học

Một trong những ứng dụng nổi bật của mô hình này là dự báo số lượng sinh viên nhập học tại các trường đại học. Nghiên cứu đã sử dụng dữ liệu lịch sử để dự đoán xu hướng nhập học trong tương lai, từ đó giúp các trường có kế hoạch tuyển sinh hợp lý.

4.2. Ứng dụng trong phân tích dữ liệu kinh tế

Mô hình dự báo chuỗi thời gian cũng đã được áp dụng trong phân tích dữ liệu kinh tế, giúp các nhà kinh tế học dự đoán các biến động trong thị trường tài chính. Việc sử dụng đại số gia tử đã cho thấy những kết quả khả quan trong việc cải thiện độ chính xác của các dự báo.

V. Kết luận và tương lai của mô hình dự báo chuỗi thời gian

Mô hình dự báo chuỗi thời gian ngôn ngữ dựa trên đại số gia tử đã chứng minh được tính hiệu quả và khả năng ứng dụng cao trong nhiều lĩnh vực. Tuy nhiên, vẫn còn nhiều thách thức cần phải giải quyết để nâng cao độ chính xác và khả năng ứng dụng của mô hình. Tương lai của nghiên cứu này hứa hẹn sẽ mang lại nhiều đột phá mới trong lĩnh vực dự báo.

5.1. Hướng nghiên cứu trong tương lai

Các nghiên cứu trong tương lai có thể tập trung vào việc phát triển các phương pháp mới để tối ưu hóa mô hình dự báo. Việc kết hợp các công nghệ mới như học sâu và trí tuệ nhân tạo cũng có thể mở ra những hướng đi mới cho nghiên cứu này.

5.2. Tầm quan trọng của việc cải tiến mô hình

Cải tiến mô hình dự báo là một yếu tố quan trọng để nâng cao độ chính xác và khả năng ứng dụng của mô hình. Việc nghiên cứu và phát triển các phương pháp mới sẽ giúp mô hình ngày càng hoàn thiện hơn.

Trích đoạn nội dung tài liệu

phần MỞ ĐẦU ở mục I sẽ trình bày mục II về MÔ HÌNH DỰ BÁO CHUỖI THỜI GIAN MỜ theo cách tiếp cận của Q. Mục III sẽ nêu TÓM TẮT MÔ HÌNH TÍNH TOÁN CỦA ĐẠI SỐ GIA TỬ trong bài toán dự báo chuỗi thời gian mờ. Phương pháp dự báo theo lý thuyết của ĐSGT, cách tính toán, kết quả dự báo sẽ được đưa ra. Vấn đề tối ưu các tham số cũng sẽ được trình bày.

Số liệu phục vụ cho tính toán là số liệu về sinh viên nhập học của trường đại học Alabama từ năm 1971 tới 1992 mà nhiều nghiên cứu dùng để so sánh kết quả dự báo thông qua việc đánh giá sai số trung bình bình phương MSE (Mean Square Error) để có thể thấy rõ tính ưu việt của cách tiếp cận ĐSGT so với tiếp cận mờ. MÔ HÌNH DỰ BÁO CHUỖI THỜI GIAN MỜ 2.1 Một số khái niệm cơ bản của mô hình dự báo chuỗi thời gian mờ Mô hình chuỗi thời gian mờ lần đầu tiên được Song và Chissom đưa ra [1, 2, 3 ] và được Chen cải tiến [4, 5, 6 ] để có thể xử lý bằng các phép tính số học đơn giản hơn nhưng chính xác hơn phù hợp với các ứng dụng dự báo chuỗi thời gian mờ. Có thể tóm lược qua một số khái niệm cơ bản sau đây: Định nghĩa 2.1: Chuỗi thời gian mờ Giả sử Y(t), (t=.), là tập các số thực và cũng là tập nền trên đó xác định các tập mờ f i (t), (i=1,2 , ). Biến t là thời gian.2: Quan hệ mờ Nếu tồn tại quan hệ mờ R(t−1, t), sao cho F(t)=F(t−1)*R(t−1, t), trong đó dấu * ký hiệu toán tử nào đó, thì F(t) được suy ra từ F(t−1).

Quan hệ giữa F(t) và F(t−1) được xác định bằng ký hiệu: F(t−1) → F(t) (2.1) Ví dụ về toán tử * có thể là phép kết hợp MaxMin [2] hoặc MinMax [3] hay phép tính số học [ 4]. Nếu F (t− 1)=Ai and F (t)=Aj , quan hệ logic giữa F (t) and F(t−1) được ký hiệu bằng Ai→Aj , trong đó Ai là vế trái và Aj là vế phải của quan hệ mờ mô tả tập mờ dự báo.3: Quan hệ mờ bậc n Giả sử F(t) là chuỗi thời gian mờ.,F(t−2), F(t−1) → F(t) và được gọi là chuỗi thời gian mờ bậc n.4: Chuỗi thời gian mờ dừng Giả sử F(t) được suy ra từ F(t−1) và được ký hiệu bằng F(t−1) → F(t), khi đó quan hệ mờ giữa F(t) và F(t−1) được mô tả bằng phương trình: F(t)=F(t−1)*R(t−1, t) (2.3) Quan hệ mờ R thể hiện mô hình bậc nhất của F(t). Nếu R(t−1, t) không phụ thuộc t, sao cho với mọi t1 và t2 khác nhau, R(t1 , t1−1)=R(t2 ,t2−1), thì F(t) được gọi là chuỗi thời gian mờ dừng, còn lại được gọi là chuỗi thời gian mờ không dừng.5: Nhóm quan hệ mờ ( NQM ) Các quan hệ mờ với cùng một tập mờ bên vế trái có thể đưa vào một nhóm gọi là nhóm quan hệ mờ hay nhóm quan hệ logic mờ. Nguyễn Duy Hiếu, Vũ Như Lân, Nguyễn Giả sử có các quan hệ mờ sau: Ai→ Aj1; Ai→ Aj2;.

; Ai→ Ajn Các quan hệ mờ trên có thể đưa vào một nhóm được ký hiệu như sau: Ai→ Aj1, Aj2, , .4) Tập mờ Ajk ( k=1,2,., n ) chỉ được xuất hiện 1 lần bên vế phải.2 Mô hình dự báo Song và Chissom Mô hình dự báo chuỗi thời gian mờ lần đầu tiên được Song và Chissom đưa ra vào năm 1993 [1, 2, 3 ] và được ứng dụng để dự báo số sinh viên nhập học tại trường Đại học Alabama với dữ liệu lịch sử qua 22 năm kể từ năm 1971 đến 1992 như trong Bảng 2.1 sau đây: Bảng 2.1 Số sinh viên nhập học tại Trường Đại học Alabama từ 1971 đến 1992 Năm Số sinh viên nhập học Năm Số sinh viển nhập học 1971 13055 1982 15433 1972 13563 1983 15497 1973 13867 1984 15145 1974 14696 1985 15163 1975 15460 1986 15984 1976 15311 1987 16859 1977 15603 1988 18150 1978 15861 1989 18970 1979 16807 1990 19328 1980 16919 1991 19337 1981 16388 1992 18876 Chuỗi thời gian lần đầu tiên được xem xét dưới góc độ biến ngôn ngữ và bài toán dự báo đã có được một cách nhìn hoàn toàn mới trên quan điểm lý thuyết tập mờ. Mô hình dự báo đầu tiên là mô hình dự báo chuỗi thời gian dừng [2, 3] và được triển khai qua các bước sau đây: Bước 1. Xác định tập nền Bước 2. Chia miền xác định của tập nền thành những khoảng bằng nhau.

Xây dựng các tập mờ trên tập nền Bước 4. Mờ hóa chuỗi dữ liệu Bước 5. Xác định các quan hệ mờ Bước 6. Dự báo bằng phương trình Ai=Ai−1* R, ở đây ký hiệu * là toán tử max-min Bước 7.

Giải mờ các kết quả dự báo. Trong bước 5, quan hệ mờ R được xác định bằng biểu thức Ri=As T x Aq , với mọi quan hệ mờ k, As →Aq, k R = ∪ Ri i=1 chuyển vị và 𝖴 là phép hợp. Ở đây x là toán tử min, T là phép (2.3 Mô hình dự báo Chen Do mô hình dự báo chuỗi thời gian mờ của Song & Chissom khá phức tạp trong bước 5 và bước 6, vì vậy Chen [4] đã cải tiến cách tính toán sao cho chính xác hơn cho các mô hình dự báo chuỗi thời gian chỉ sử dụng các phép tính số học đơn giản trên cơ sở thông tin từ các quan hệ mờ và nhóm quan hệ mờ theo các bước sau đây: Bước 1. Chia miền xác định của tập nền thành những khoảng bằng nhau.

Xây dựng các tập mờ trên tập nền. Mờ hóa chuỗi dữ liệu. Xác định các quan hệ mờ. DỰ BÁO CHUỖI THỜI GIAN MỜ DỰA TRÊN NGỮ Bước 5.

Tạo lập nhóm quan hệ mờ. Giải mờ đầu ra dự báo. Luật dự báo chuỗi thời gian mờ Luật dự báo cũng chính là phép giải mờ các kết quả đầu ra dự báo như ở bước 6 của mô hình dự báo [4]. Giả sử dữ liệu của chuỗi thời gian F(t-1) được mờ hóa bằng Aj, khi đó.

Đầu ra dự báo của F (t) được xác định theo những luật (nguyên tắc) sau đây: 1. Nếu tồn tại quan hệ một - một trong nhóm quan hệ của Aj, ký hiệu là Aj→ Ak , và mức độ thuộc cao nhất của Ak tại khoảng uk, thì đầu ra dự báo của F (t) là điểm giữa của uk. Nếu Ak là trống, có nghĩa là Aj → ∅ và Aj có mức độ thuộc cao nhất tại khoảng uj, thì đầu ra dự báo là điểm giữa của uj. Nếu tồn tại quan hệ một - nhiều trong nhóm quan hệ mờ của Aj , ký hiệu là Aj→ A1 , A2 ,…, An, và mức độ thuộc cao nhất của A1 , A2 ,…, An tại các khoảng u1 , u2 ,…, un tương ứng, thì đầu ra dự báo được tính bằng trung bình các điểm giữa m1 , m2,…,mn của u1 , u2,…, un.

Đầu ra dự báo khi này có dạng: (m1+m2+…+mn)/n. TÓM TẮT MÔ HÌNH TÍNH TOÁN CỦA ĐẠI SỐ GIA TỬ Đại số gia tử cung cấp một mô hình xử lý các đại lượng không chắc chắn khá hiệu quả cho nhiều bài toán ứng dụng như điều khiển mờ [20, 23], chống động đất [24, 25, 26], phân lớp dựa trên luật mờ [22] và đặc biệt gần đây ĐSGT đã mở ra hướng nghiên cứu mới về tính toán trên từ (computing with words) [21]. Có thể thấy rõ rằng các giá trị ngôn ngữ với ngữ nghĩa vốn có thứ tự chặt chẽ trong biến ngôn ngữ đã được mô tả bằng một cấu trúc đại số gia tử [17, 18], từ đó tạo ra môi trường tính toán, suy luận tốt cho nhiều ứng dụng. Gọi AX = ( X, G, C, H, ≤ ) là một cấu trúc đại số, với X là tập nền của AX; G = {c-, c+} là tập các phần tử sinh; C = {0, W, 1}, trong đó 0, W và 1 tương ứng là những phần tử đặc trưng cận trái (tuyệt đối nhỏ), trung hòa và cận phải (tuyệt đối lớn); H là tập các toán tử một ngôi được gọi là các gia tử; ≤ là biểu thị quan hệ thứ tự trên các giá trị ngôn ngữ.

Gọi H- là tập hợp các gia tử âm và H+ là tập hợp các gia tử dương của AX. Ký hiệu H- = {h-1, h-2, …h-q}, trong đó h-1 < h-2 < … < h-q và H+ = {h1, h2, …, hp}, trong đó h1 < h2 < … < hp.1: Độ đo tính mờ fm: X → [0, 1] gọi là độ đo tính mờ nếu thỏa mãn các điều kiện sau: +) fm(c-)+fm(c+) = 1 và ∑ h∈H fm(hx) = fm(x), với ∀x ∈ X.1) +) Với các phần tử 0, W và 1, fm(0) = fm(W) = fm(1) = 0.3) +) Và với ∀x,y ∈ X, ∀h∈H, fm( x) fm( y) Đẳng thức (3.3) không phụ thuộc vào các phần tử x, y và do đó ta có thể ký hiệu là μ(h) và đây là độ đo tính mờ của gia tử h. Tính chất của fm(x) và μ(h) như sau: +) fm(hx) = μ(h)fm(x), ∀x∈X (3.7) i i=1 Nguyễn Duy Hiếu, Vũ Như Lân, Nguyễn Định nghĩa 3.2: Hàm dấu Hàm Sign: X→{-1, 0, 1} là một ánh xạ được gọi là hàm dấu với h, h'∈H và c ∈{c-, c+} trong đó: Sign(c-) = -1, Sign(c+) = +1; (3.8) Sign(hc) = - Sign(c), nếu h là âm đối với c; (3.9) Sign(hc) = + Sign(c), nếu h là dương đối với c; (3.10) Sign(h'hx) = -Sign(hx), nếu h’hx ≠ hx và h' là âm đối với h; (3.11) Sign(h'hx) = + Sign(hx), nếu h’hx ≠ hx và h' là dương đối với h; (3.12) DỰ BÁO CHUỖI THỜI GIAN MỜ DỰA TRÊN NGỮ Sign(h'hx) = 0 nếu h’hx = hx.13) Gọi fm là một độ đo tính mờ trên X, ánh xạ ngữ nghĩa định lượng ν: X → [0, 1], được sinh ra bởi fm trên X, được xác định như sau: − v(W) = θ = fm(c ), (3. Để thuận tiện cho việc biểu diễn ngữ nghĩa của các giá trị ngôn ngữ [20], giả sử rằng miền tham chiếu thông thường của các biến ngôn ngữ X là đoạn [a, b] còn miền tham chiếu ngữ nghĩa Xs là đoạn [as,bs] ( 0 ≤ as < bs ≤ 1 ).

Việc chuyển đổi tuyến tính từ [a, b] sang [as,bs] được gọi là phép ngữ nghĩa hóa tuyến tính (linear semantization) còn việc chuyển ngược lại từ đoạn [as,bs] sang [a, b] được gọi là phép giải nghĩa tuyến tính(linear desemantization). Trong nhiều ứng dụng của ĐSGT [20, 23, 25, 26], đã sử dụng miền ngữ nghĩa là đoạn [as=0, bs=1], khi đó phép ngữ nghĩa hóa tuyến tính được gọi là phép chuẩn hóa (linear Semantization = Normalization) và phép giải nghĩa tuyến tính được gọi là phép giải chuẩn (Linear Desemantization = Denormalization ).