Phương pháp nâng cao độ chính xác dự báo chuỗi thời gian mờ

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

1.8.2. Mô hình dự báo của Chen

1.8.3. Mô hình dự báo của Yu

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 dữ liệu

2.5.2. Các phương pháp phân khoảng dữ liệu

2.5.2.1. Phân khoảng với độ dài bằng nhau

2.5.2.2. 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

I. Tổng quan về luận án tiến sĩ ngành máy tính và mô hình chuỗi thời gian mờ

Luận án tiến sĩ ngành máy tính với chủ đề "Một số phương pháp nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ" tập trung vào việc cải thiện độ chính xác của các mô hình dự báo. Mô hình chuỗi thời gian mờ là một công cụ mạnh mẽ trong việc phân tích và dự đoán các biến động trong dữ liệu theo thời gian. Nghiên cứu này không chỉ giúp nâng cao hiệu quả dự báo mà còn mở ra hướng đi mới cho các ứng dụng trong nhiều lĩnh vực khác nhau.

1.1. Khái niệm về mô hình chuỗi thời gian mờ

Mô hình chuỗi thời gian mờ (FTS) là một phương pháp dự báo dựa trên lý thuyết tập mờ, cho phép xử lý các dữ liệu không chắc chắn và biến thiên. FTS giúp cải thiện độ chính xác dự báo bằng cách sử dụng các hàm thuộc mờ để mô hình hóa các mối quan hệ phức tạp trong dữ liệu.

1.2. Tầm quan trọng của dự báo trong ngành máy tính

Dự báo chính xác là yếu tố quyết định trong nhiều lĩnh vực như kinh doanh, tài chính và khoa học. Việc áp dụng các mô hình chuỗi thời gian mờ giúp các tổ chức đưa ra quyết định đúng đắn hơn, từ đó tối ưu hóa quy trình hoạt động và giảm thiểu rủi ro.

II. Thách thức trong việc nâng cao độ chính xác dự báo chuỗi thời gian mờ

Mặc dù mô hình chuỗi thời gian mờ có nhiều ưu điểm, nhưng vẫn tồn tại một số thách thức lớn trong việc nâng cao độ chính xác dự báo. Các vấn đề như dữ liệu không đầy đủ, tính không chắc chắn và sự biến thiên mạnh của dữ liệu là những yếu tố cần được giải quyết.

2.1. Vấn đề dữ liệu không đầy đủ

Dữ liệu không đầy đủ có thể dẫn đến những sai lệch trong kết quả dự báo. Việc thu thập và xử lý dữ liệu một cách chính xác là rất quan trọng để đảm bảo tính chính xác của mô hình.

2.2. Tính không chắc chắn trong dữ liệu

Tính không chắc chắn trong dữ liệu có thể ảnh hưởng đến độ chính xác của các mô hình dự báo. Các phương pháp như phân tích mờ có thể giúp giảm thiểu ảnh hưởng này, nhưng vẫn cần có các giải pháp bổ sung.

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

Để nâng cao độ chính xác của các mô hình chuỗi thời gian mờ, nhiều phương pháp đã được đề xuất. Các phương pháp này bao gồm việc sử dụng các thuật toán tối ưu hóa, phân cụm và các kỹ thuật học máy.

3.1. Sử dụng thuật toán tối ưu hóa PSO

Thuật toán tối ưu bầy đàn (PSO) là một trong những phương pháp hiệu quả để tối ưu hóa các tham số trong mô hình chuỗi thời gian mờ. PSO giúp cải thiện độ chính xác dự báo bằng cách tìm kiếm các giá trị tối ưu cho các tham số của mô hình.

3.2. Phân cụm dữ liệu với K means

Phân cụm K-means là một kỹ thuật hữu ích trong việc tổ chức dữ liệu và xác định các nhóm tương đồng. Việc áp dụng K-means trong mô hình chuỗi thời gian mờ giúp cải thiện độ chính xác dự báo bằng cách tối ưu hóa cách thức xử lý dữ liệu.

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

Mô hình chuỗi thời gian mờ đã được áp dụng rộng rãi trong nhiều lĩnh vực như tài chính, y tế và quản lý sản xuất. Những ứng dụng này không chỉ giúp nâng cao độ chính xác dự báo mà còn mang lại giá trị thực tiễn cho các tổ chức.

4.1. Dự báo thị trường chứng khoán

Mô hình chuỗi thời gian mờ đã được sử dụng để dự báo biến động của thị trường chứng khoán, giúp các nhà đầu tư đưa ra quyết định đầu tư chính xác hơn.

4.2. Dự báo nhu cầu sản phẩm

Trong lĩnh vực sản xuất, mô hình này giúp dự báo nhu cầu sản phẩm, từ đó tối ưu hóa quy trình sản xuất và giảm thiểu lãng phí.

V. Kết luận và hướng phát triển tương lai của mô hình chuỗi thời gian mờ

Luận án đã chỉ ra rằng mô hình chuỗi thời gian mờ có tiềm năng lớn trong việc nâng cao độ chính xác dự báo. Hướng phát triển tương lai có thể tập trung vào việc cải thiện các thuật toán và áp dụng công nghệ mới để tối ưu hóa mô hình.

5.1. Cải tiến thuật toán dự báo

Cần nghiên cứu và phát triển các thuật toán mới để cải thiện độ chính xác của mô hình chuỗi thời gian mờ, đặc biệt là trong bối cảnh dữ liệu lớn và phức tạp.

5.2. Tích hợp công nghệ mới

Việc tích hợp các công nghệ mới như trí tuệ nhân tạo và học sâu vào mô hình chuỗi thời gian mờ có thể mở ra nhiều cơ hội mới cho việc nâng cao độ chính xác dự báo.

Luận án TS. Nghiêm Văn Tính: Nâng cao độ chính xác dự báo chuỗi thời gian mờ