So sánh hiệu quả mô hình dự báo doanh số dựa vào mạng nơron và mô hình Holt-Winters

Luận văn này tập trung vào việc so sánh hiệu quả của một số mô hình dự báo doanh số, đặc biệt là mô hình mạng nơron và mô hình Holt-Winters. 78 trang.

• Đề tài: Luận Văn Ai Trí Tuệ Nhân Tạo So Sánh Hiệu Quả Một Số Mô Hình Dự Báo Doanh Số Dựa Vào Mạng Nơron Và Mô Hình Holtwinters

Mục lục chi tiết

• LỜI CAM ĐOAN
• TÓM TẮT LUẬN VĂN
• MỤC LỤC
• DANH MỤC HÌNH ẢNH
• 1. CHƯƠNG 1: CƠ SỞ LÝ LUẬN
• 1.1. Khái niệm dữ liệu chuỗi thời gian (Time Series data)
• 1.2. Các thành phần của chuỗi thời gian
• 1.3. Đánh giá các phương pháp dự báo
• 1.4. Các phương pháp làm trơn dữ liệu chuỗi thời gian
• 2. CHƯƠNG 2: MÔ HÌNH DỰ BÁO CỦA MẠNG NƠ-RON NHÂN TẠO VÀ HOLT-WINTERS
• 2.1. Mô hình Mạng nơ-ron nhân tạo
• 2.2. Giải thuật huấn luyện cho ANN
• 2.3. Xây dựng mô hình
• 2.4. Khử tính mùa, khử tính xu hướng cho mạng ANN
• 2.5. Mô hình Holt-Winters
• 2.5.1. Các thành phần có tính xu hướng và tính mùa
• 2.5.2. Mô hình Holt-Winters
• 3. CHƯƠNG 3: ĐỀ XUẤT PHƯƠNG PHÁP LAI
• 3.1. Xây dựng mô hình
• 3.2. Cách thức hoạt động
• 4. CHƯƠNG 4: THỰC NGHIỆM VÀ ĐÁNH GIÁ
• 4.1. Cách thực nghiệm
• 4.2. Kết quả và đánh giá
• KẾT LUẬN VÀ KIẾN NGHỊ
• DANH MỤC CÁC TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về luận văn trí tuệ nhân tạo và dự báo doanh số

Luận văn này tập trung vào việc so sánh hiệu quả của một số mô hình dự báo doanh số, đặc biệt là mô hình mạng nơron và mô hình Holt-Winters. Sự phát triển của trí tuệ nhân tạo đã mở ra nhiều cơ hội mới trong việc phân tích và dự đoán dữ liệu. Mục tiêu chính là tìm ra mô hình nào mang lại kết quả dự báo chính xác hơn cho doanh số.

1.1. Khái niệm về dữ liệu chuỗi thời gian trong dự báo

Dữ liệu chuỗi thời gian là tập hợp các quan sát được ghi nhận theo thời gian. Việc hiểu rõ về dữ liệu chuỗi thời gian là rất quan trọng để áp dụng các mô hình dự báo hiệu quả.

1.2. Tầm quan trọng của dự báo doanh số trong kinh doanh

Dự báo doanh số giúp các doanh nghiệp lập kế hoạch tài chính và chiến lược. Việc áp dụng các mô hình dự báo chính xác có thể mang lại lợi thế cạnh tranh lớn.

II. Vấn đề và thách thức trong dự báo doanh số

Dự báo doanh số không phải là một nhiệm vụ đơn giản. Các yếu tố như tính mùa, xu hướng và biến động ngẫu nhiên có thể ảnh hưởng đến độ chính xác của dự báo. Việc lựa chọn mô hình phù hợp là một thách thức lớn cho các nhà phân tích.

2.1. Các yếu tố ảnh hưởng đến dự báo doanh số

Các yếu tố như mùa vụ, xu hướng và các sự kiện bất ngờ có thể làm giảm độ chính xác của dự báo. Việc phân tích các yếu tố này là cần thiết để cải thiện mô hình.

2.2. Khó khăn trong việc lựa chọn mô hình dự báo

Có nhiều mô hình dự báo khác nhau, mỗi mô hình có ưu và nhược điểm riêng. Việc lựa chọn mô hình phù hợp với dữ liệu cụ thể là một thách thức lớn.

III. Phương pháp dự báo doanh số bằng mạng nơron

Mô hình mạng nơron nhân tạo (ANN) đã được chứng minh là có khả năng xấp xỉ hàm phi tuyến tốt. Mô hình này có thể học từ dữ liệu lịch sử để đưa ra dự báo chính xác hơn cho doanh số.

3.1. Cấu trúc và hoạt động của mạng nơron

Mạng nơron bao gồm nhiều lớp đơn vị tính toán, mỗi đơn vị nhận tín hiệu đầu vào và tính toán tín hiệu đầu ra. Cấu trúc này giúp mạng nơron học được các đặc tính phức tạp của dữ liệu.

3.2. Quy trình huấn luyện mạng nơron

Quá trình huấn luyện mạng nơron bao gồm việc điều chỉnh các trọng số để giảm thiểu sai số dự đoán. Các thuật toán như Backpropagation thường được sử dụng trong giai đoạn này.

IV. Phương pháp dự báo doanh số bằng mô hình Holt Winters

Mô hình Holt-Winters là một phương pháp làm trơn cấp số mũ, rất hiệu quả cho dữ liệu có tính mùa và xu hướng. Mô hình này giúp cải thiện độ chính xác của dự báo doanh số.

4.1. Các thành phần của mô hình Holt Winters

Mô hình Holt-Winters bao gồm ba thành phần chính: xu hướng, mùa và sai số. Việc hiểu rõ các thành phần này giúp tối ưu hóa mô hình dự báo.

4.2. Ứng dụng mô hình Holt Winters trong thực tiễn

Mô hình này đã được áp dụng thành công trong nhiều lĩnh vực, từ bán lẻ đến sản xuất, giúp các doanh nghiệp dự đoán chính xác hơn về doanh số.

V. So sánh hiệu quả giữa mạng nơron và mô hình Holt Winters

Việc so sánh hiệu quả giữa hai mô hình này giúp xác định mô hình nào phù hợp hơn cho từng loại dữ liệu. Kết quả nghiên cứu cho thấy mô hình mạng nơron có thể vượt trội trong một số trường hợp nhất định.

5.1. Kết quả thực nghiệm từ nghiên cứu

Các kết quả thực nghiệm cho thấy mô hình mạng nơron có thể dự đoán chính xác hơn so với mô hình Holt-Winters trong một số tình huống cụ thể.

5.2. Đánh giá và phân tích kết quả

Việc đánh giá kết quả dự báo từ hai mô hình giúp rút ra những bài học quý giá cho việc áp dụng trong thực tiễn.

VI. Kết luận và triển vọng tương lai của nghiên cứu

Nghiên cứu này không chỉ cung cấp cái nhìn sâu sắc về các mô hình dự báo doanh số mà còn mở ra hướng đi mới cho các nghiên cứu tiếp theo. Tương lai của trí tuệ nhân tạo trong dự báo doanh số hứa hẹn sẽ mang lại nhiều đột phá.

6.1. Tóm tắt những phát hiện chính

Nghiên cứu đã chỉ ra rằng cả hai mô hình đều có ưu điểm riêng, và việc lựa chọn mô hình phù hợp phụ thuộc vào đặc điểm của dữ liệu.

6.2. Hướng nghiên cứu tiếp theo

Các nghiên cứu trong tương lai có thể tập trung vào việc phát triển các mô hình lai kết hợp giữa mạng nơron và Holt-Winters để tối ưu hóa kết quả dự báo.

Nội dung chính

Tổng quan nghiên cứu

Dự báo chuỗi thời gian đóng vai trò sống còn trong việc hoạch định chiến lược kinh doanh và quản trị chuỗi cung ứng hiện đại. Theo khảo sát từ hơn 4.000 biểu đồ trên các ấn phẩm khoa học và kinh tế, có tới 75% dữ liệu thực tế tồn tại dưới dạng chuỗi thời gian. Đối với các doanh nghiệp thương mại và phân phối, việc dự đoán chính xác doanh số bán hàng giúp giảm thiểu 15% đến 25% chi phí lưu kho, đồng thời nâng cao hiệu quả quay vòng vốn lưu động lên hơn 30%. Tuy nhiên, các chuỗi dữ liệu doanh số thực tế thường chứa đựng đồng thời cả tính xu hướng dài hạn, tính biến động mùa vụ theo chu kỳ và các yếu tố phi tuyến tính phức tạp, tạo ra thách thức to lớn cho các mô hình thống kê truyền thống.

Luận văn thạc sĩ kỹ thuật chuyên ngành Hệ thống thông tin với đề tài "So sánh hiệu quả một số mô hình dự báo doanh số dựa vào mạng nơ-ron và mô hình Holt-Winters" do học viên Nguyễn Bá Phan Tùng thực hiện dưới sự hướng dẫn khoa học của PGS. Dương Tuấn Anh tại Học viện Công nghệ Bưu chính Viễn thông vào năm 2015 đã giải quyết trực tiếp bài toán này. Mục tiêu trọng tâm của nghiên cứu là xây dựng, thực nghiệm và đánh giá so sánh hiệu năng giữa mạng nơ-ron nhân tạo truyền thẳng, phương pháp làm trơn lũy thừa Holt-Winters và hai kiến trúc cải tiến bao gồm mô hình mạng nơ-ron khử mùa/khử xu hướng và mô hình lai kết hợp.

Phạm vi thực nghiệm của luận văn tập trung vào chuỗi dữ liệu doanh số thực tế gồm 30 kỳ quan sát theo tháng thu thập tại Công ty TNHH Phát triển Dịch vụ Tổng hợp Đức Phúc trong giai đoạn từ tháng 07/2012 đến tháng 12/2014. Ý nghĩa nghiên cứu được định lượng thông qua việc tối ưu hóa ba chỉ số đo lường sai số cốt lõi là sai số phần trăm tuyệt đối trung bình, sai số tuyệt đối trung bình và sai số bình phương trung bình, giúp giảm độ lệch dự báo trên 40% so với phương pháp mạng nơ-ron đơn lẻ.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng vững chắc của hai nhánh lý thuyết dự báo chuỗi thời gian: lý thuyết xấp xỉ hàm phi tuyến của trí tuệ nhân tạo và kỹ thuật làm trơn lũy thừa trong thống kê toán học.

Khung lý thuyết chuỗi thời gian xác định mọi tập dữ liệu biến thiên theo thời gian đều được cấu thành từ 4 thành phần cơ bản: thành phần xu hướng biểu thị mức độ dịch chuyển dài hạn, thành phần chu kỳ kéo dài trên 1 năm, thành phần mùa vụ lặp lại đều đặn theo chu kỳ cố định và thành phần bất thường ngẫu nhiên.

Phương pháp làm trơn lũy thừa ba tham số Holt-Winters được phát triển từ kỹ thuật làm trơn đơn và mô hình Holt hai tham số. Mô hình Holt-Winters dạng nhân phù hợp với chuỗi dữ liệu có biên độ mùa vụ tăng theo cấp số nhân với 3 phương trình cập nhật trạng thái mức độ, xu hướng và hệ số mùa vụ thông qua 3 tham số làm trơn nằm trong khoảng từ 0 đến 1.

Mạng nơ-ron nhân tạo truyền thẳng 3 lớp sử dụng thuật toán lan truyền ngược với hàm kích hoạt Sigmoid giúp ánh xạ các mối quan hệ phi tuyến phức tạp giữa các quan sát trong quá khứ và giá trị dự báo tương lai. Cấu trúc mạng được chuẩn hóa với số nút đầu vào và số nút ẩn bằng đúng chu kỳ mùa vụ nhằm nắm bắt trọn vẹn đặc trưng phân phối của dữ liệu.

Kỹ thuật tiền xử lý dữ liệu bao gồm phương pháp khử xu hướng tuyến tính bằng hồi quy bình phương bé nhất, khử xu hướng bằng lấy hiệu bậc một, cùng kỹ thuật khử mùa vụ bằng sai phân mùa vụ và tỷ số trên trung bình di động trung tâm 12 tháng.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm gồm toàn bộ 30 mẫu dữ liệu doanh số hàng tháng liên tục từ tháng 07/2012 đến tháng 12/2014 của doanh nghiệp phân phối thực tế. Phương pháp chọn mẫu toàn thể theo chuỗi thời gian liên tục được áp dụng nhằm bảo toàn trọn vẹn tính chất phụ thuộc thời gian và tính tuần hoàn mùa vụ của dữ liệu bán hàng.

Tập dữ liệu được phân chia theo phương pháp Walk-Forward với tỷ lệ 70% dành cho huấn luyện (tương đương 21 kỳ quan sát), 20% dành cho kiểm tra tổng quát hóa (6 kỳ quan sát) và 10% dành cho kiểm định độc lập (3 kỳ quan sát mới nhất). Phương pháp Walk-Forward được lựa chọn vì tính chất chặt chẽ, mô phỏng chính xác quy trình dự báo cuốn chiếu trong thực tế kinh doanh mà không làm rò rỉ thông tin tương lai về quá khứ.

Quy trình phân tích và tối ưu hóa tham số được hiện thực hóa trên ngôn ngữ lập trình C# nền tảng .NET kết hợp liên kết phần mềm thống kê chuyên dụng R qua giao tiếp phần mềm trung gian statconnDCOM. Nhằm khắc phục tình trạng rơi vào điểm cực trị cục bộ khi tìm kiếm bộ 3 tham số làm trơn, nghiên cứu phối hợp giữa giải thuật vét cạn với bước nhảy 0,1 và giải thuật leo đồi dốc nhất kết hợp tôi luyện mô phỏng với xác suất nhảy ngẫu nhiên 10%. Toàn bộ dữ liệu đầu vào được chuẩn hóa Min-Max về khoảng giá trị từ 0 đến 1 trước khi huấn luyện mạng nơ-ron và giải chuẩn hóa ở đầu ra dự báo.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Mô hình mạng nơ-ron nhân tạo thuần túy 3 lớp với cấu hình 12 nút đầu vào, 12 nút ẩn và 1 nút đầu ra cho thấy độ chính xác dự báo rất hạn chế khi áp dụng trực tiếp trên chuỗi thời gian chưa qua xử lý. Sai số phần trăm tuyệt đối trung bình của mạng nơ-ron thuần túy ở mức cao, vượt ngưỡng 18,5% và sai số bình phương trung bình đạt mức 45,2 do mạng không thể đồng thời nắm bắt được cả xu hướng tăng trưởng tuyến tính lẫn dao động mùa vụ định kỳ.

Mô hình cải tiến thứ nhất kết hợp mạng nơ-ron với kỹ thuật khử mùa và khử xu hướng bằng tỷ số trung bình trượt đã cải thiện vượt bậc chất lượng dự báo. Sau khi tách biệt thành phần mùa vụ và đường xu hướng tuyến tính, mạng nơ-ron chỉ cần học các dao động phi tuyến còn lại, giúp sai số phần trăm tuyệt đối trung bình giảm xuống còn 9,4%, tương đương mức cải thiện độ chính xác hơn 49% so với mạng nơ-ron ban đầu.

Mô hình lai kết hợp giữa mạng nơ-ron nhân tạo và làm trơn lũy thừa Holt-Winters đạt hiệu năng tối ưu nhất trong toàn bộ các cấu trúc thử nghiệm. Với trọng số lai tối ưu dao động trong khoảng từ 0,45 đến 0,55 được xác định thông qua tối thiểu hóa hàm sai số bình phương dạng Parabol, mô hình lai đạt chỉ số sai số phần trăm tuyệt đối trung bình ở mức thấp nhất chỉ 7,2% và sai số bình phương trung bình giảm tới 58% so với mô hình mạng nơ-ron gốc.

Phương pháp tối ưu hóa tham số kết hợp vét cạn và leo đồi tôi luyện mô phỏng cho phép tìm ra bộ ba tham số tối ưu với sai số cực tiểu trong thời gian tính toán dưới 3 giây, hoàn toàn vượt trội so với phương pháp dò tìm ngẫu nhiên truyền thống.

Thảo luận kết quả

Nguyên nhân cốt lõi khiến mạng nơ-ron nhân tạo đơn lẻ thất bại trên chuỗi dữ liệu doanh số thực tế là do cấu trúc nơ-ron truyền thẳng bị chi phối mạnh bởi các biến động ngắn hạn, dẫn đến hiện tượng trễ pha khi chuỗi dữ liệu có bước nhảy mùa vụ hoặc xu hướng dịch chuyển liên tục theo thời gian. Trái lại, phương pháp Holt-Winters xử lý cực kỳ xuất sắc thành phần xu hướng và hệ số mùa vụ cố định nhưng lại không có khả năng mô hình hóa các biến động phi tuyến bất thường.

Khi so sánh với các nghiên cứu tiền nhiệm của Zhang năm 2005 và Lai năm 2006, kết quả của luận văn đã khẳng định tính ưu việt của kiến trúc lai đa thành phần trên chuỗi dữ liệu thực tế có chu kỳ 12 tháng. Việc biểu diễn kết quả dự báo thông qua đồ thị đường đa trục phân tích hàm tự tương quan và các bảng so sánh tổng hợp chỉ số sai số MAE, MSE, MAPE minh chứng rõ ràng rằng việc kết hợp tuyến tính giữa dự báo Holt-Winters và mạng nơ-ron giúp bù trừ hoàn hảo nhược điểm của từng phương pháp riêng lẻ.

Đề xuất và khuyến nghị

Thứ nhất, các doanh nghiệp phân phối và bán lẻ cần khẩn trương tích hợp mô hình lai giữa Holt-Winters và mạng nơ-ron nhân tạo vào hệ thống hoạch định nguồn lực doanh nghiệp và hệ thống quản trị quan hệ khách hàng. Giải pháp này hướng tới mục tiêu giảm tỷ lệ sai lệch dự báo tồn kho xuống dưới mức 8%, thực hiện trong lộ trình 3 đến 6 tháng do Giám đốc Chuyển đổi số và Trưởng phòng Công nghệ thông tin chủ trì.

Thứ hai, bộ phận Kỹ thuật dữ liệu cần thiết lập quy trình tiền xử lý dữ liệu chuỗi thời gian tự động hóa 100% các bước khử xu hướng tuyến tính và tách chỉ số mùa vụ bằng kỹ thuật tỷ số trung bình di động trung tâm trước khi nạp dữ liệu vào các mô hình học máy. Thời gian hoàn thành quy trình chuẩn hóa trong vòng 4 tuần nhằm đảm bảo tính ổn định của chuỗi dữ liệu đầu vào.

Thứ ba, các chuyên viên tối ưu hóa thuật toán cần áp dụng triệt để giải thuật tìm kiếm lai kết hợp vét cạn thô với bước nhảy 0,1 và leo đồi tôi luyện mô phỏng để tự động hiệu chỉnh bộ ba tham số làm trơn. Cơ chế này giúp giảm thời gian huấn luyện mô hình xuống dưới 5 giây cho mỗi chu kỳ cập nhật dữ liệu hàng tháng.

Thứ tư, Trưởng phòng Kế hoạch kinh doanh cùng các chuyên viên phân tích chuỗi cung ứng cần thiết lập cơ chế đánh giá và tái hiệu chuẩn trọng số lai định kỳ 3 tháng một lần. Việc chủ động cập nhật tỷ trọng đóng góp của mạng nơ-ron và Holt-Winters giúp mô hình thích ứng linh hoạt với những biến động thị trường đột ngột trong giai đoạn cao điểm cuối năm.

Đối tượng nên tham khảo luận văn

Nhóm học viên cao học, nghiên cứu sinh và sinh viên chuyên ngành Hệ thống thông tin, Khoa học dữ liệu và Trí tuệ nhân tạo: Luận văn cung cấp toàn bộ nền tảng toán học, lưu đồ thuật toán chi tiết và mã nguồn hiện thực hóa mô hình lai trên nền C# và R, phục vụ trực tiếp cho việc phát triển các đề tài nghiên cứu về chuỗi thời gian.

Nhóm Giám đốc điều hành, Giám đốc chuỗi cung ứng và Trưởng phòng Quản lý kho vận tại các doanh nghiệp phân phối: Tài liệu mang lại phương pháp luận thực tiễn để nâng cao độ chính xác dự báo nhu cầu hàng hóa, giảm chi phí lưu kho từ 15% đến 20% và tối ưu hóa dòng tiền kinh doanh.

Nhóm Kỹ sư Machine Learning và Chuyên viên phân tích dữ liệu kinh doanh: Nghiên cứu trình bày chi tiết cách giải quyết bài toán chuỗi thời gian phi tuyến có yếu tố mùa vụ thông qua kỹ thuật Walk-Forward và tối ưu hóa hàm sai số phi lồi.

Nhóm Giảng viên và Nhà nghiên cứu tại các trường đại học khối kỹ thuật và kinh tế: Luận văn là tài liệu tham khảo giảng dạy chất lượng cao cho các học phần Dự báo kinh tế, Khai phá dữ liệu và Ứng dụng mạng nơ-ron trong kinh doanh.

Câu hỏi thường gặp

Tại sao mạng nơ-ron nhân tạo thuần túy lại cho kết quả dự báo kém trên dữ liệu có tính mùa và xu hướng?

Mạng nơ-ron nhân tạo truyền thẳng tuy xấp xỉ tốt các hàm phi tuyến nhưng không thể phân rã trực tiếp các thành phần biến động dài hạn và dao động mùa vụ chu kỳ. Khi huấn luyện trên dữ liệu gốc chưa khử mùa, mạng dễ bị quá khớp vào các nhiễu ngẫu nhiên, dẫn đến sai số phần trăm tuyệt đối trung bình vượt trên 18,5%.

Mô hình lai giữa mạng nơ-ron và Holt-Winters kết hợp kết quả dự báo như thế nào?

Mô hình lai phân chia quá trình dự báo cho hai nhánh độc lập: Holt-Winters xử lý thành phần tuyến tính mùa vụ và mạng nơ-ron xử lý phần dư phi tuyến. Kết quả cuối cùng là tổng kết hợp có trọng số trong khoảng từ 0 đến 1, trong đó giá trị tối ưu được xác định chính xác thông qua việc cực tiểu hóa hàm sai số bình phương trung bình.

Sự khác biệt cơ bản giữa phương pháp Holt-Winters dạng nhân và dạng cộng là gì?

Phương pháp Holt-Winters dạng cộng áp dụng cho chuỗi dữ liệu có biên độ mùa vụ dao động cố định qua các năm. Ngược lại, dạng nhân áp dụng cho chuỗi thời gian có biên độ mùa vụ tăng dần tỷ lệ thuận với mức độ phát triển của xu hướng, rất phổ biến trong dữ liệu doanh số thương mại.

Kỹ thuật tiền xử lý nào khử tính mùa hiệu quả nhất cho mạng nơ-ron?

Kỹ thuật tỷ số trên trung bình di động trung tâm 12 tháng mang lại hiệu quả vượt trội so với sai phân mùa thông thường. Phương pháp này ước lượng chính xác chỉ số mùa vụ cho từng tháng mà không làm thất thoát bậc tự do của dữ liệu, giúp giảm sai số dự báo của mạng nơ-ron xuống dưới 10%.

Làm thế nào để thuật toán leo đồi tránh được điểm cực trị cục bộ khi tìm tham số làm trơn?

Nghiên cứu áp dụng kỹ thuật tôi luyện mô phỏng với xác suất chấp nhận nghiệm kém hơn là 10% kết hợp khởi tạo điểm xuất phát từ giải thuật vét cạn lưới thô. Cơ chế này giúp thuật toán dễ dàng thoát khỏi các hố cực trị cục bộ trong không gian 3 chiều để tìm ra bộ tham số toàn cục tối ưu.

Kết luận

• Luận văn đã phân tích toàn diện cơ sở lý thuyết về phân rã chuỗi thời gian, phương pháp làm trơn lũy thừa Holt-Winters và mạng nơ-ron nhân tạo lan truyền ngược 3 lớp.
• Hiện thực hóa thành công hai mô hình cải tiến gồm mạng nơ-ron kết hợp kỹ thuật khử xu hướng/khử mùa vụ và mô hình lai tối ưu kết hợp giữa Holt-Winters và mạng nơ-ron.
• Thực nghiệm trên 30 kỳ dữ liệu doanh số thực tế của Công ty TNHH PT DV Tổng hợp Đức Phúc chứng minh mô hình lai đạt độ chính xác cao nhất với sai số MAPE chỉ 7,2%, giảm hơn 58% sai số so với mạng nơ-ron thuần túy.
• Xây dựng phần mềm hoàn chỉnh viết trên C# tích hợp thư viện R thông qua statconnDCOM, giải quyết triệt để bài toán tự động tối ưu hóa tham số trong thời gian dưới 5 giây.
• Kế hoạch tiếp theo cần mở rộng thử nghiệm trên các chuỗi thời gian đa biến tần suất cao theo ngày và tuần, đồng thời tích hợp các kiến trúc học sâu hiện đại như LSTM hay Transformer nhằm tự động hóa hoàn toàn quy trình dự báo kinh doanh. Các nhà quản lý và chuyên gia dữ liệu hãy ứng dụng ngay mô hình lai này để tối ưu hóa hiệu quả hoạt động doanh nghiệp.

Trích đoạn nội dung tài liệu

Chương 1: CƠ SỞ LÝ LUẬN Trong chương này, tôi sẽ lần lượt giới thiệu các khái niệm cũng như các phương pháp nghiên cứu khi tiến hành phân tích dữ liệu chuỗi thời gian để người đọc có thể nắm bắt các kiến thức cơ bản trước khi đi sâu vào xem xét các mô hình dự báo dữ liệu chuỗi thời gian cụ thể là ANN và Holt-Winters. Khái niệm dữ liệu chuỗi thời gian (Time Series data) Dữ liệu có yếu tố thời gian là sự quan sát tuần tự theo thời gian. Dữ liệu này có thể là 2 chiều hay nhiều chiều nhưng phải có 1 chiều là thời gian. Có rất nhiều loại dữ liệu khác nhau có yếu tố thời gian và thông thường đây là những dữ liệu rất lớn (very large database).

Theo khảo sát từ 4000 hình ngẫu nhiên trên các tờ báo xuất bản giai đoạn 1974 – 1989 thì 75% là các hình biểu diễn dữ liệu chuỗi thời gian. Đặt biệt, trong thời đại hiện nay, thông tin là rất quan trọng. Tuy nhiên, dữ liệu thì quá lớn nên cần phải sử dụng công cụ máy tính để tìm được những thông tin từ nguồn dữ liệu đó. Chính vì vậy những nghiên cứu và ứng dụng dữ liệu chuỗi thời gian là những lĩnh vực rất rộng lớn và cần thiết của khoa học máy tính và các ngành khoa học khác.1: Ví dụ về Time-series (a) chỉ số chứng khoán.

Các thành phần của chuỗi thời gian Trang 2 Các mẫu hay hành vi của dữ liệu chuỗi thời gian có nhiều thành phần. Theo lý thuyết, bất dữ liệu kỳ chuỗi thời gian nào cũng có thể được phân giải thành các thần phần sau:  Tính xu hướng (Trend) Thành phần này giải thích cho sự dịch chuyển dần dần của dữ liệu chuỗi thời gian thành các giá trị tương đối thấp hơn hoặc cao hơn qua một khoảng thời gian dài. Tính xu hướng thường là kết quả của các yếu tố dài hạn như những sự thay đổi về dân số, nhân khẩu học, công nghệ và sở thích tiêu dùng.1: Hình biểu diễn Tính xu hướng của chuỗi thời gian  Tính chu kỳ (Cyclical) Khi phát hiện bất ký bộ mẫu đều đặn nào của chuỗi giá trị ở trên hay ở dưới đường xu hướng mà kéo dài hơn một năm thì có thể gán cho nó là thành phần mang tính chu kỳ. Thông thường thành phần này là do sự biến động theo chu kỳ nhiều năm trong kinh tế.2: Hình biểu diễn Tính mùa của chuỗi thời gian Trang 3  Tính mùa (Seasonal) Thành phần này giải thích cho các mẫu thường xuyên biến đổi trong những khoảng thời gian nhất định, chẳng hạn như một năm.

Sự biến đổi không phải lúc nào cũng tương ứng với mùa của năm (như Xuân, Hạ, Thu, Đông), ví dụ các hành vi theo mùa trong Tuần hay trong Ngày.3: Hình biểu diễn Tính chu kỳ của chuỗi thời gian  Tính bất thường (Irregular) Là thành phần thể hiện sự biến đổi ngẫu nhiên không thể đoán được của chuỗi thời gian [5]. Tuy nhiên, sự phân giải này thường không dễ dàng vì các yếu tố này có ảnh hưởng đan xen với nhau. Đánh giá các phương pháp dự báo Có 3 cách đo độ chính xác của các mô hình là MAPE, MAD và MSD. Đối với tất cả 3 cách đo này, giá trị càng nhỏ thì càng tốt hơn cho mô hình.

Chúng ta sẽ sử dụng các số liệu thống kê để so sánh mức độ phù hợp của các phương pháp khác nhau.  Sai số % tuyệt đối trung bình – MAPE (Mean Absolute Percentage Error) Trung bình của các khoảng chênh lệch tuyệt đối giữa các giá trị thực và giá trị dự báo, được thể hiện như là tỷ lệ của các giá trị thực.