Tổng quan về luận án

Trong kỷ nguyên khoa học dữ liệu và trí tuệ nhân tạo, bài toán dự báo chuỗi thời gian (Time Series Forecasting) đóng vai trò then chốt trong việc hoạch định chiến lược kinh tế, quản trị rủi ro tài chính và điều hành hệ thống công nghiệp. Các phương pháp thống kê cổ điển như mô hình tự hồi quy tích hợp trung bình trượt (ARIMA) của Box và Jenkins (1976), mô hình phương sai thay đổi có điều kiện tự hồi quy ARCH (Engle, 1982) hay GARCH (Bollerslev, 1986) đòi hỏi các giả định nghiêm ngặt về tính tuyến tính, tính dừng (stationarity) và phân phối chuẩn của dữ liệu. Trên thực tế, các chuỗi dữ liệu thực nghiệm thường ngắn, phi tuyến, có độ biến động cao và chứa đựng nhiều yếu tố bất định mang tính định tính.

Để giải quyết sự mơ hồ này, Song và Chissom (1993) đã tiên phong tích hợp lý thuyết tập mờ của Zadeh (1965) vào phân tích chuỗi thời gian để phát triển mô hình chuỗi thời gian mờ (Fuzzy Time Series - FTS), mở đường cho phương pháp tiếp cận tính toán dựa trên từ ngữ (Computing with Words). Tuy nhiên, các mô hình FTS kinh điển bộc lộ nhiều điểm nghẽn nghiêm trọng về mặt lý thuyết và thuật toán: ma trận quan hệ mờ $R(t-1, t)$ tính toán phức tạp qua toán tử Max-Min (Song & Chissom, 1993); nhóm quan hệ mờ (Fuzzy Logical Relationship Groups - FLRG) của Chen (1996) và Yu (2005) mang tính tĩnh, không phân biệt thứ tự thời gian xuất hiện của các quan hệ mờ; việc phân khoảng tập nền (Universe of Discourse) chủ yếu dựa trên cảm tính hoặc chia đều khoảng cách (Huarng, 2001); và bậc của mô hình thường được chọn thủ công, thiếu cơ chế tối ưu hóa tự động thích nghi.

Luận án tiến sĩ ngành Khoa học máy tính (Mã số: 9 48 01 01) của nghiên cứu sinh Nghiêm Văn Tính, dưới sự hướng dẫn khoa học của TS. Nguyễn Công Điều và TS. Nguyễn Minh Tuấn tại Học viện Khoa học và Công nghệ - Viện Hàn lâm Khoa học và Công nghệ Việt Nam (2022), với tiêu đề "Một số phương pháp nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ" đã tạo ra bước đột phá về phương pháp luận và thuật toán. Luận án tập trung giải quyết 4 câu hỏi nghiên cứu (Research Questions - RQ) và kiểm chứng 4 giả thuyết khoa học (Hypotheses - H):

  • RQ1: Làm thế nào để loại bỏ sự phi lý về mặt nhân quả trong cấu trúc nhóm quan hệ mờ truyền thống khi các quan hệ mờ tương lai bị đưa vào tính toán dự báo tại thời điểm hiện tại?
  • RQ2: Phương pháp phân khoảng tập nền phi tuyến nào có khả năng phản ánh chính xác cấu trúc hình thái ngữ nghĩa tự nhiên và mật độ dữ liệu thực nghiệm?
  • RQ3: Có thể thiết lập cơ chế toán học nào nhằm tối ưu hóa đồng thời độ dài các khoảng chia tập nền và bậc của mô hình dự báo chuỗi thời gian mờ một cách tự động?
  • RQ4: Việc tích hợp các chuỗi dữ liệu đa biến (mô hình hai nhân tố) cùng các luật giải mờ thích nghi cải thiện độ chính xác dự báo trong các miền ứng dụng phức tạp như thế nào?

Khung lý thuyết tổng quát của luận án được xây dựng dựa trên sự giao thoa giữa Lý thuyết Tập mờ (Zadeh, 1965), Đại số gia tử (Hedge Algebras - Nguyễn Cát Hồ và cộng sự, 1990), Phân cụm mờ (Fuzzy C-Means - Bezdek, 1981) và Thuật toán tối ưu bầy đàn có hệ số thắt (Constrained Particle Swarm Optimization - Clerc & Kennedy, 2002). Phạm vi thực nghiệm của luận án bao quát 4 tập dữ liệu chuẩn quốc tế với các quy mô và đặc tính chuỗi thời gian khác nhau: dữ liệu tuyển sinh Đại học Alabama (1971–1992, $U = [13000, 20000]$), chỉ số thị trường chứng khoán tương lai Đài Loan (TAIFEX/TAIEX), dữ liệu khí tượng nhiệt độ trung bình hàng ngày và độ che phủ mây tại Đài Bắc (01/06/1996 – 30/09/1996), cùng chuỗi số liệu tai nạn giao thông đường bộ tại Bỉ. Các đóng góp đột phá của luận án đã giảm thiểu đáng kể sai số bình phương trung bình (MSE) và sai số phần trăm tuyệt đối trung bình (MAPE) so với hàng loạt mô hình tiền nhiệm.

Literature Review và Positioning

Nghiên cứu chuỗi thời gian mờ đã phát triển qua ba giai đoạn tiến hóa chính trong y văn học thuật quốc tế:

[Song & Chissom 1993] -> [Chen 1996 / Yu 2005] -> [Huarng 2001 / Bas 2014] -> [Nghiêm Văn Tính 2022]
 (Ma trận Max-Min)        (FLRG tĩnh / Trọng số)    (PSO / GA phân khoảng)     (NQHM-PTTG + FCM-CPSO)

Giai đoạn nền tảng khởi đầu với công trình của Song và Chissom (1993, 1994), thiết lập định nghĩa hình thức về chuỗi thời gian mờ rời rạc và liên tục. Hai tác giả sử dụng phép hợp thành quan hệ mờ $F(t) = F(t-1) \circ R(t-1, t)$, trong đó $R(t-1, t) = \bigcup_i (A_{i}(t-1)^T \times A_{i}(t))$. Hạn chế cốt tử của mô hình Song & Chissom là chi phí tính toán bùng nổ khi số lượng tập mờ tăng lên, đồng thời việc thực hiện phép toán Max-Min trên ma trận lớn dẫn đến mất mát thông tin cục bộ và sai số tích lũy.

Giai đoạn cải tiến cấu trúc nhóm quan hệ mờ được định hình bởi Chen (1996), người đã thay thế ma trận quan hệ bằng khái niệm Nhóm quan hệ mờ (FLRG). Theo Chen, các quan hệ mờ $A_i \to A_{k1}, A_i \to A_{k2}$ có cùng vế trái được gộp thành $A_i \to A_{k1}, A_{k2}, \dots, A_{km}$ và triệt tiêu các phần tử lặp lại, cho phép giải mờ bằng trung bình cộng số học của các điểm giữa khoảng. Tuy nhiên, Yu (2005) chỉ ra rằng việc loại bỏ tính lặp lại làm suy giảm tri thức thống kê của mô hình. Yu đề xuất giữ nguyên các quan hệ mờ lặp lại và gán ma trận trọng số dựa trên tần suất xuất hiện. Dẫu vậy, cả hai mô hình của Chen (1996) và Yu (2005) đều vấp phải mâu thuẫn nhận thức luận nghiêm trọng: cấu trúc nhóm quan hệ mờ là tĩnh trên toàn bộ tập dữ liệu lịch sử, dẫn đến hiện tượng dữ liệu ở tương lai ($t' > t$) được sử dụng gián tiếp để dự báo trạng thái tại thời điểm $t$.

Giai đoạn tối ưu hóa tính toán mềm tập trung vào giải quyết bài toán phân khoảng tập nền $U$. Huarng (2001) đã chứng minh độ dài khoảng chia là nhân tố quyết định độ chính xác dự báo, đề xuất phương pháp phân khoảng theo phân bố tỉ lệ và độ dài trung bình. Tiếp đó, Chen và Chung (2006) áp dụng Thuật toán Di truyền (GA) để tối ưu hóa khoảng chia cho mô hình bậc một và bậc cao. Lee, Wang và Chen (2008) sử dụng kỹ thuật Tôi luyện mô phỏng (Simulated Annealing - SA) cho dữ liệu TAIFEX. Eren Bas, Egrioglu và Aladag (2014) phát triển thuật toán di truyền cải tiến (MGA) kết hợp hàm fminbnd trong MATLAB để tự động hóa việc xác định ranh giới khoảng. Tuy nhiên, các nghiên cứu này chỉ xem xét phân khoảng độc lập hoặc lựa chọn bậc mô hình $m$ thông qua thử-sai rời rạc.

Trong bối cảnh đó, luận án của Nghiêm Văn Tính định vị chính xác khoảng trống học thuật (Research Gap) bằng cách giải quyết đồng thời ba giới hạn cốt lõi:

  1. Xóa bỏ hoàn toàn "look-ahead bias" thông qua cấu trúc toán học Nhóm quan hệ mờ phụ thuộc thời gian (NQHM-PTTG).
  2. Thiết lập cơ sở phân khoảng mới bằng Đại số gia tử (Hedge Algebras) và Phân cụm mờ (FCM) dựa trên cấu trúc ngữ nghĩa tự nhiên của dữ liệu.
  3. Đề xuất thuật toán tối ưu lai ghép FCM-CPSO có khả năng tìm kiếm đồng thời độ dài khoảng chia tối ưu và bậc tự hồi quy $m$ tối ưu trong không gian đa chiều.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mang lại những đóng góp nền tảng cho lý thuyết suy luận mờ và hệ thống thông minh, cụ thể mở rộng trực tiếp hai hệ lý thuyết:

Thứ nhất, mở rộng lý thuyết Chuỗi thời gian mờ của Song & Chissom (1993) và Chen (1996). Luận án chứng minh tính chất phi nhân quả của nhóm quan hệ mờ kinh điển và thiết lập khái niệm Nhóm quan hệ mờ phụ thuộc thời gian (Time-Variant Fuzzy Logical Relationship Groups - NQHM-PTTG). Về mặt lý thuyết, nếu tập các quan hệ mờ bậc $m$ hình thành đến thời điểm $t$ là $\mathcal{R}_t = {R_1, R_2, \dots, R_t}$, thì NQHM-PTTG tại bước thời gian $t$ chỉ được phép tạo lập trên không gian con $\mathcal{R}t$, ngăn ngừa triệt để việc thâm nhập của tri thức tương lai $\mathcal{R}{t+k} (k \ge 1)$.

Thứ hai, mở rộng lý thuyết Đại số gia tử (Nguyễn Cát Hồ và cộng sự, 1990). Luận án đã tích hợp thành công cấu trúc đại số $\mathcal{AX} = (X, C, G, H, \le)$ vào bài toán phân chia tập nền trong chuỗi thời gian mờ. Bằng việc sử dụng ánh xạ cảm sinh ngữ nghĩa $f: X \to [0, 1]$, độ đo tính mờ $\mu(h)$ của gia tử $h \in H = H^- \cup H^+$ và độ đo ngữ nghĩa $fm(x)$ của từ ngôn ngữ, luận án thiết lập cơ sở toán học chặt chẽ để xác định các điểm chia tập nền phi đối xứng mà không phụ thuộc vào các giả định phân phối xác suất kinh điển.

Mô hình lý thuyết tổng quát được đặc trưng bởi 4 mệnh đề hình thức:

  • Mệnh đề P1 (Tính nhân quả thời gian): Độ chính xác dự báo của mô hình FTS đạt tính hội tụ thực chất khi và chỉ khi không gian quan hệ mờ $\mathcal{R}(t)$ tại thời điểm $t$ thỏa mãn điều kiện nhân quả $\mathcal{R}(t) \subseteq \sigma(Y_1, Y_2, \dots, Y_t)$.
  • Mệnh đề P2 (Bảo toàn ngữ nghĩa của phép phân khoảng): Phân khoảng dựa trên ánh xạ đại số gia tử bảo toàn quan hệ thứ tự tự nhiên của các nhãn ngôn ngữ: $\forall x_i, x_j \in X, x_i \le x_j \iff f(x_i) \le f(x_j)$.
  • Mệnh đề P3 (Tính tối ưu Pareto của không gian tham số hỗn hợp): Tồn tại một bộ tham số tối ưu duy nhất $\Theta^* = {K^, m^, V^}$ trong đó $K^$ là số khoảng chia, $m^$ là bậc của mô hình và $V^$ là ma trận tâm cụm, cực tiểu hóa hàm mất mát thực nghiệm $\mathcal{L}_{MSE}$.
  • Mệnh đề P4 (Sự tương hỗ đa nhân tố): Trong chuỗi thời gian hai nhân tố $(F_A, F_B)$, entropy thông tin của nhân tố chính $F_A(t)$ giảm khi điều kiện hóa trên nhân tố phụ $F_B(t-k)$, nghĩa là $H(F_A(t) | F_A(t-1), \dots, F_A(t-m), F_B(t-1), \dots, F_B(t-m)) \le H(F_A(t) | F_A(t-1), \dots, F_A(t-m))$.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp bốn cấu phần kỹ thuật tiên tiến:

  1. Cơ chế nhóm quan hệ mờ phụ thuộc thời gian: Tại mỗi thời điểm $t$, thuật toán chỉ xét các cặp chuyển trạng thái $(F(k-1) \to F(k))$ với $k \le t$. Các quan hệ xuất hiện nhiều lần được gán trọng số lũy tích $w_{ij}(t) = \sum_{\tau=1}^t \mathbb{I}(F(\tau-1) = A_i, F(\tau) = A_j)$, tạo nên phân phối xác suất mờ có điều kiện động.
  2. Mô hình hai nhân tố bậc cao (FTS-2NT): Mở rộng không gian trạng thái vế trái thành tích Descartes của nhân tố chính $F_A$ và nhân tố phụ $F_B$: $$(F_A(t-m), F_B(t-m)), \dots, (F_A(t-1), F_B(t-1)) \to F_A(t)$$
  3. Quy tắc giải mờ trọng số theo thứ tự xuất hiện: Giá trị dự báo rõ $\hat{y}(t)$ được tính bằng tổ hợp tuyến tính các điểm giữa khoảng $m_p$: $$\hat{y}(t) = \frac{\sum_{p=1}^n w_p \cdot m_p}{\sum_{p=1}^n w_p}$$
  4. Điều kiện biên (Boundary Conditions): Miền xác định $U = [D_{min} - N_1, D_{max} + N_2]$ với $N_1, N_2 > 0$ bảo đảm mọi quỹ đạo pha của hệ động lực đều nằm trọn trong tập nền, triệt tiêu hiện tượng tràn biên dữ liệu.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ nghiêm ngặt quan điểm thực chứng luận (Positivism) kết hợp với phương pháp luận Khoa học thiết kế (Design Science Research) trong Khoa học máy tính. Quy trình kết hợp đa phương pháp (Mixed Computational Methods) bao gồm việc chứng minh hình thức các tính chất thuật toán và kiểm định thực nghiệm diện rộng trên máy tính số.

Thiết kế đa tầng (Multi-level Architecture) của nghiên cứu bao gồm 4 mức xử lý:

  • Tầng 1 (Data Conditioning & Partitioning): Thuật toán K-means, Phân cụm mờ FCM và Ánh xạ ngữ nghĩa Đại số gia tử.
  • Tầng 2 (Fuzzification & Logical Extraction): Chuyển đổi dữ liệu thực sang các tập mờ thông qua hàm thuộc tam giác, hình thang và trích xuất quan hệ mờ.
  • Tầng 3 (Meta-heuristic Optimization): Thuật toán CPSO tối ưu hóa hàm mất mát phi tuyến trong không gian liên tục (tọa độ ranh giới khoảng) và không gian rời rạc (bậc mô hình $m \in {1, 2, \dots, 10}$).
  • Tầng 4 (Defuzzification & Post-processing): Giải mờ có trọng số, voting và hiệu chỉnh xu hướng.

Quy trình nghiên cứu rigorous

Quy trình thu thập và xử lý dữ liệu thực nghiệm được chuẩn hóa nhằm loại trừ nguy cơ rò rỉ thông tin (data leakage). Dữ liệu được phân chia nghiêm ngặt thành pha huấn luyện (Training Phase) để xây dựng tập luật NQHM-PTTG và pha kiểm thử (Testing Phase) để đánh giá khả năng tổng quát hóa ngoại suy.

       QUY TRÌNH THỰC NGHIỆM ĐA TẦNG (FTS1NT-CMPSO / FTS2NT-CMPSO)

Độ tin cậy và tính hợp lệ của phương pháp nghiên cứu được bảo đảm qua nguyên lý tam giác đạc (Methodological and Data Triangulation):

  • Triangulation về dữ liệu: Đánh giá trên 4 miền dữ liệu độc lập (Giáo dục, Chứng khoán, Khí tượng, An toàn giao thông).
  • Triangulation về thuật toán: So sánh chéo giữa phân khoảng đều, K-means, Đại số gia tử, FCM, và mô hình tối ưu hóa lai ghép FCM-CPSO.
  • Tiêu chuẩn đánh giá chuẩn hóa: Sai số MSE, RMSE và MAPE được tính toán nhất quán: $$MSE = \frac{1}{n} \sum_{t=1}^n (F_t - R_t)^2, \quad MAPE = \frac{1}{n} \sum_{t=1}^n \left| \frac{R_t - F_t}{R_t} \right| \times 100%$$

Data và phân tích

Thiết lập tham số chi tiết cho hệ thống thuật toán được quy định chính xác trong môi trường mô phỏng MATLAB:

  • Thuật toán CPSO: Số lượng cá thể trong quần thể $P_{max} = 30 \div 50$, số lần lặp tối đa $iter_max = 150$, trọng số quán tính giảm tuyến tính từ $\omega_{max} = 0.9$ về $\omega_{min} = 0.4$. Hệ số nhận thức và xã hội $c_1 = c_2 = 2.05$. Hệ số co hẹp $K$ của Clerc và Kennedy (2002) được tính toán theo công thức giải tích: $$K = \frac{2}{|2 - \varphi - \sqrt{\varphi^2 - 4\varphi}|} = 0.7298 \quad (\text{với } \varphi = c_1 + c_2 = 4.1 > 4)$$
  • Thuật toán Phân cụm mờ FCM: Hệ số làm mờ (fuzzification factor) $m_{FCM} = 2.0$, ngưỡng dừng hội tụ sai số $\varepsilon = 10^{-5}$, khoảng cách tính theo chuẩn Euclid ma trận trọng số.
  • Đại số gia tử (Hedge Algebras): Sử dụng cấu trúc biến ngôn ngữ với tập phần tử sinh nguyên thủy $G = {low, high}$, phần tử trung hòa $W = medium$, tập gia tử $H^- = {Rather, Little}$ với độ đo $\mu(Rather) = 0.4, \mu(Little) = 0.6$, và $H^+ = {More, Very}$ với $\mu(More) = 0.4, \mu(Very) = 0.6$.

Phát hiện đột phá và implications

Những phát hiện then chốt

Kết quả phân tích định lượng trên các tập thực nghiệm đã xác lập 5 phát hiện mang tính đột phá:

1. Khắc phục triệt để hiện tượng rò rỉ dữ liệu tương lai: Mô hình FTS-1NT và FTS-2NT sử dụng NQHM-PTTG cho kết quả vượt trội so với mô hình Chen (1996) và Yu (2005) trên cùng số lượng khoảng chia. Cụ thể, trên tập dữ liệu tuyển sinh Alabama với 7 khoảng chia, mô hình FTS-1NT đề xuất đạt sai số MSE thấp hơn đáng kể so với mức $MSE = 407507$ của mô hình Song & Chissom (1993) và $MSE = 226270$ của Chen (1996).

2. Ưu thế vượt trội của phân khoảng phi tuyến Đại số gia tử và K-means: Trên mô hình FTS bậc nhất với 7 khoảng chia, phương pháp phân khoảng HA (Hedge Algebras) đạt sai số $MSE = 176115$, trong khi phương pháp phân khoảng K-means đạt $MSE = 154238$, giảm hơn 31.8% sai số so với phương pháp phân khoảng đều truyền thống của Chen ($MSE = 226270$).

3. Đột phá từ mô hình lai ghép tối ưu hóa FTS1NT-CMPSO: Khi ứng dụng thuật toán FCM kết hợp CPSO để tối ưu đồng thời khoảng chia và bậc mô hình, mô hình FTS1NT-CMPSO đạt mức sai số kỷ lục trên tập tuyển sinh Alabama với $MSE = 5389$ ở bậc cao ($m = 5, 16$ khoảng, cửa sổ $wh = 3$). Kết quả này vượt xa mô hình tối ưu GA của Chen & Chung (2006) ($MSE = 18870$) và mô hình của Eren Bas và cộng sự (2014) ($MSE = 12431$).

4. Tác động cộng hưởng từ mô hình hai nhân tố FTS2NT-CMPSO: Đối với bài toán dự báo nhiệt độ trung bình hàng ngày tại Đài Bắc (01/06/1996 – 30/09/1996), việc tích hợp nhân tố phụ "độ che phủ của mây" giúp mô hình FTS2NT-CMPSO bậc 7 giảm sai số MAPE xuống mức cực thấp: Tháng 6 đạt $MAPE = 1.05%$, Tháng 7 đạt $MAPE = 1.18%$, Tháng 8 đạt $MAPE = 1.12%$, Tháng 9 đạt $MAPE = 1.08%$. Khi so sánh với mô hình SA của Lee và cộng sự (2008), mô hình đề xuất cải thiện độ chính xác hơn 42% trên toàn bộ các tháng kiểm thử.

5. Phát hiện phản trực giác về bậc mô hình: Nghiên cứu chứng minh rằng việc tăng bậc tự hồi quy $m$ của mô hình FTS một cách đơn thuần không đồng nghĩa với việc tăng độ chính xác dự báo nếu các ranh giới khoảng không được tối ưu đồng thời. Khi bậc $m > 5$ trên không gian khoảng chia cố định, mô hình xuất hiện hiện tượng thưa thớt luật mờ (rule sparsity) và quá khớp (overfitting). Thuật toán CPSO giải quyết triệt để vấn đề này bằng cách tự động cân bằng giữa số lượng khoảng hữu hiệu và bậc tối ưu.

       SO SÁNH SAI SỐ DỰ BÁO MSE TRÊN TẬP TUYỂN SINH ALABAMA

Implications đa chiều

  • Hàm ý lý thuyết: Công trình mở ra khung lý thuyết mới cho hệ suy luận mờ thích nghi động (Dynamic Adaptive Fuzzy Inference), giải quyết bài toán biểu diễn tri thức trong môi trường bất định có thuộc tính phụ thuộc thời gian mà không cần giả định phân phối tham số.
  • Hàm ý phương pháp luận: Khung thuật toán lai ghép FCM-CPSO cung cấp phương pháp luận giải quyết các bài toán tối ưu hóa không gian tham số hỗn hợp (Mixed Discrete-Continuous Optimization), có thể mở rộng trực tiếp sang các bài toán điều khiển mờ, nhận dạng mẫu và khai phá dữ liệu luồng (Data Stream Mining).
  • Hàm ý thực tiễn và chính sách:
    • Lĩnh vực Tài chính - Chứng khoán: Cung cấp công cụ dự báo chỉ số thị trường tương lai (TAIFEX) với độ tin cậy cao, giúp các quỹ đầu tư và cơ quan quản lý thị trường kiểm soát rủi ro biến động thanh khoản.
    • Lĩnh vực Khí tượng - Môi trường: Mô hình FTS hai nhân tố hỗ trợ các cơ quan khí tượng thủy văn nâng cao chất lượng cảnh báo sớm biến đổi nhiệt độ và thời tiết cực đoan.
    • Lĩnh vực Quản trị Giáo dục: Hỗ trợ các trường đại học dự báo chính xác quy mô tuyển sinh để tối ưu hóa việc phân bổ ngân sách và nguồn lực cơ sở vật chất.

Limitations và Future Research

Mặc dù đạt được những kết quả xuất sắc, luận án vẫn ghi nhận 3 giới hạn nghiên cứu chính:

  1. Độ phức tạp tính toán: Khi mở rộng mô hình hai nhân tố lên đa nhân tố ($n \ge 3$) ở các bậc cao ($m \ge 5$), không gian trạng thái tích Descartes bùng nổ tổ hợp, làm gia tăng thời gian hội tụ của thuật toán CPSO.
  2. Cấu trúc gia tử cố định: Trong phương pháp phân khoảng HA, các tham số độ đo tính mờ $\mu(h)$ vẫn được thiết lập dựa trên chuyên gia thay vì được tối ưu hóa động theo thời gian thực.
  3. Độ nhạy với nhiễu dữ liệu cực trị: Thuật toán FCM và hàm khoảng cách Euclid truyền thống vẫn có độ nhạy nhất định trước các điểm dị biệt (outliers) có biên độ lớn trong chuỗi thời gian tài chính.

Chương trình nghiên cứu tương lai (Future Research Agenda) bao gồm 4 hướng trọng tâm:

  • Phát triển mô hình FTS đa nhân tố nhiều chiều ($n > 3$) tích hợp cơ chế mạng nơ-ron tự chú ý (Self-Attention) để tự động chọn lọc các nhân tố phụ quan trọng.
  • Nghiên cứu cơ chế tối ưu hóa động các tham số độ đo Đại số gia tử bằng thuật toán bầy đàn đa mục tiêu (Multi-Objective PSO).
  • Ứng dụng chuỗi thời gian mờ trên dữ liệu lớn dòng chảy thời gian thực (Real-time High-frequency Streaming Big Data) trong phân tích giao dịch tài chính tự động (Algorithmic Trading).
  • Kết hợp Đại số gia tử trực tiếp vào quá trình giải mờ nhằm hình thành quy trình tính toán hoàn toàn dựa trên ngữ nghĩa hình thức.

Tác động và ảnh hưởng

Luận án đã được công bố tại 8 công trình khoa học chuyên ngành, bao gồm:

  • 02 bài báo trên tạp chí quốc tế uy tín (trong đó có 01 bài báo thuộc danh mục Scopus Q3/ESCI: International Journal of Computational Intelligence and Applications, 2018; 01 bài báo trên Advances in Science, Technology and Engineering Systems Journal, 2021).
  • 03 bài báo trên các tạp chí khoa học chuyên ngành quốc gia có uy tín (Tạp chí Tin học và Điều khiển, 2019; Tạp chí Khoa học và Công nghệ - Đại học Đà Nẵng, 2017; Tạp chí Ứng dụng Toán học, 2017).
  • 03 báo cáo toàn văn trong kỷ yếu Hội nghị Khoa học Quốc gia về Nghiên cứu cơ bản và ứng dụng CNTT (FAIR).

Công trình tạo ra ảnh hưởng học thuật sâu rộng với tiềm năng trích dẫn cao trong các nghiên cứu về tính toán mềm (Soft Computing) và dự báo thông minh, đồng thời chuyển giao các giải pháp thuật toán hữu ích cho các hệ thống phần mềm phân tích dự báo kinh tế - xã hội.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giới học thuật: Tiếp cận một khung lý thuyết chặt chẽ về chuỗi thời gian mờ phụ thuộc thời gian và phương pháp phân khoảng ngữ nghĩa bằng Đại số gia tử để phát triển các đề tài nghiên cứu chuyên sâu.
  • Bộ phận R&D tại Doanh nghiệp Công nghệ và Fintech: Ứng dụng mã nguồn thuật toán lai ghép FCM-CPSO vào phát triển các module phân tích dữ liệu chuỗi thời gian tài chính và dự báo nhu cầu thị trường.
  • Cơ quan Quản lý Nhà nước và Khí tượng Thủy văn: Khai thác các mô hình dự báo hai nhân tố để xây dựng hệ thống hỗ trợ ra quyết định (DSS) trong quản lý đô thị, điều tiết năng lượng điện và ứng phó biến đổi khí hậu.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì? Đóng góp độc đáo nhất là việc phát minh ra khái niệm Nhóm quan hệ mờ phụ thuộc thời gian (NQHM-PTTG). Luận án đã sửa chữa sai lầm bản chất tồn tại suốt gần ba thập kỷ trong các mô hình của Song & Chissom (1993), Chen (1996) và Yu (2005): việc sử dụng các quan hệ mờ xảy ra ở tương lai để suy luận trạng thái hiện tại. NQHM-PTTG thiết lập lại tính nhân quả thời gian nghiêm ngặt trong suy luận mờ.

2. Đột phá phương pháp luận so với các nghiên cứu quốc tế trước đây thể hiện ở điểm nào? So với nghiên cứu của Chen & Chung (2006) và Eren Bas và cộng sự (2014), luận án không chỉ tối ưu hóa các ranh giới khoảng chia mà là công trình đầu tiên đề xuất cơ chế tối ưu hóa đồng thời và tự động cả độ dài khoảng chia tập nền và bậc của mô hình ($m$) bằng thuật toán CPSO với hệ số thắt $K = 0.7298$, loại bỏ hoàn toàn các thử nghiệm heuristic thủ công.

3. Phát hiện thực nghiệm nào gây bất ngờ nhất trong nghiên cứu? Phát hiện về sự vượt trội của phương pháp phân khoảng bằng Đại số gia tử (HA). Dù không cần đến các thuật toán tối ưu hóa lặp tốn kém thời gian tính toán như GA hay PSO, phân khoảng dựa trên trật tự ngữ nghĩa tự nhiên của HA vẫn đạt độ chính xác tương đương hoặc vượt qua các phương pháp phân cụm không giám sát như K-means trên cùng số lượng khoảng chia.

4. Luận án có cung cấp đầy đủ giao thức để tái lập nghiên cứu (Replication Protocol) không? Có. Luận án công khai toàn bộ giả mã thuật toán (Sơ đồ FCM, CPSO, Thuật toán tạo NQHM-PTTG bậc $m$), các bảng tham số chuẩn hóa ($K = 0.7298, c_1 = c_2 = 2.05, \omega \in [0.4, 0.9]$), các phương trình toán học chi tiết và cấu trúc của 4 bộ dữ liệu thực nghiệm chuẩn quốc tế.

5. Chương trình nghiên cứu 10 năm tiếp theo được định hình ra sao? Lộ trình 10 năm hướng tới việc xây dựng Hệ thống Trí tuệ Nhân tạo Mờ có thể giải thích được (Explainable Fuzzy AI - XFAI) cho dữ liệu lớn đa biến tần suất cao, kết hợp Deep Learning với Đại số gia tử để tạo ra các mô hình dự báo vừa có độ chính xác cao vừa có khả năng minh giải quyết định bằng ngôn ngữ tự nhiên.

Kết luận

  1. Luận án đã giải quyết trọn vẹn bài toán nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ thông qua việc đổi mới căn bản cấu trúc biểu diễn tri thức và thuật toán tối ưu hóa.
  2. Đề xuất thành công khái niệm Nhóm quan hệ mờ phụ thuộc thời gian (NQHM-PTTG) cho cả mô hình một nhân tố và hai nhân tố bậc cao, bảo đảm tính nhân quả và quy luật thời gian thực.
  3. Tiên phong áp dụng lý thuyết Đại số gia tử (Hedge Algebras) và kỹ thuật phân cụm K-means/FCM vào việc phân hoạch tập nền phi tuyến, khắc phục triệt để nhược điểm của phân khoảng đều truyền thống.
  4. Phát triển thành công thuật toán lai ghép FTS1NT-CMPSO và FTS2NT-CMPSO, tự động hóa hoàn toàn việc tối ưu hóa đồng thời khoảng chia và bậc của mô hình, đạt mức sai số thấp vượt bậc so với các công trình chuẩn quốc tế.
  5. Kiểm chứng tính tổng quát hóa và độ tin cậy của các mô hình đề xuất trên 4 bộ dữ liệu thực nghiệm đa dạng, mở ra hướng ứng dụng thực tiễn to lớn trong tài chính, khí tượng, giáo dục và giao thông vận tải.