Luận văn phát triển ứng dụng dự báo nhu cầu tiền mặt tại các atm sử dụng mạng rơ ron

Luận văn: Phát triển ứng dụng dự báo nhu cầu tiền mặt tại ATM dùng mạng Rơ ron. Giải pháp tối ưu quản lý tiền mặt, giảm chi phí vận hành ATM hiệu quả.

• Tác giả: Trần Lê Tùng
• Người hướng dẫn: TS. Vũ Văn Thiệu
• Trường học: Trường Đại Học Bách Khoa Hà Nội
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Phát triển ứng dụng dự báo nhu cầu tiền mặt tại các ATM sử dụng mạng nơ-ron
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2020
• Địa điểm: Hà Nội

Mục lục chi tiết

• Lời cam đoan
• Lời cảm ơn
• Tóm tắt nội dung đề tài
• Danh mục các ký hiệu, các chữ viết tắt
• Danh mục hình vẽ
• Danh mục bảng biểu
• 1. CHƯƠNG 1
• 1.1. Lý do chọn đề tài
• 1.2. Tính cấp thiết của đề tài
• 1.3. Mục tiêu của đề tài
• 1.4. Đối tượng và phạm vi nghiên cứu
• 1.5. Ý nghĩa khoa học và thực tiễn
• 2. CƠ SỞ LÝ THUYẾT VÀ NGHIỆP VỤ
• 2.1. Tổng quan về dự báo
• 2.1.1. Mục đích của dự báo
• 2.1.2. Những khó khăn trong phân tích dự báo
• 2.1.3. Các phương pháp dự báo
• 2.1.4. Quy trình thực hiện dự báo
• 2.2. Tổng quan về mạng nơ-ron nhân tạo
• 2.2.1. Mạng nơ-ron nhân tạo là gì?
• 2.2.2. Lịch sử phát triển của mạng nơ-ron nhân tạo
• 2.2.3. Mạng nơ-ron sinh học
• 2.3. Mạng nơ-ron nhận tạo
• 2.3.1. Học máy là gì?
• 2.3.2. Phân loại các mô hình học máy
• 2.4. Các kỹ thuật cải tiến hiệu năng mô hình
• 2.5. Deep learning là gì?
• 2.6. Dữ liệu chuỗi thời gian
• 2.7. Các kỹ thuật trong học sâu trong bài toán dữ liệu thời gian
• 3. BÀI TOÁN VÀ MÔ HÌNH ĐỀ XUẤT
• 3.1. Bài toán vấn đề
• 3.2. Mô hình dữ liệu chuỗi thời gian
• 3.2.1. Mô hình Seq2seq
• 3.2.2. Hoạt động cơ chế Attention. Kĩ thuật Teacher forcing
• 3.3. Thuật toán quy hoạch động
• 4. KẾT QUẢ THỤC NGHIỆM
• 4.1. Dữ liệu thử nghiệm
• 4.1.1. Bộ dữ liệu của Ngân hàng
• 4.2. Tiền xử lý dữ liệu
• 4.3. Chỉ hết cài đặt
• 4.3.1. Các siêu tham số của mạng nơ-ron
• 4.3.2. Môi trường, thiết bị, công cụ sử dụng
• 4.4. Kết quả trên bộ dữ liệu NN5
• 4.5. Kết quả trên bộ dữ liệu Ngân hàng
• 4.6. Kết quả đạt được
• 4.7. Định hướng phát triển
• Tài liệu tham khảo

Tóm tắt

I. Tổng Quan Ứng Dụng Dự Báo Nhu Cầu Tiền Mặt ATM 55 Ký Tự

Dự báo nhu cầu tiền mặt tại các ATM là bài toán quan trọng trong quản lý tài chính của ngân hàng. Việc dự báo chính xác giúp ngân hàng tối ưu hóa lượng tiền mặt tại mỗi ATM, giảm chi phí vận hành và tăng sự hài lòng của khách hàng. Các phương pháp truyền thống thường gặp khó khăn trong việc xử lý dữ liệu phi tuyến tính và có tính chu kỳ phức tạp. Sự phát triển của mạng Rơ-ron (Recurrent Neural Network), đặc biệt là các biến thể như LSTM (Long Short-Term Memory) và GRU (Gated Recurrent Unit), mở ra hướng giải quyết mới cho bài toán này. Luận văn này tập trung vào việc phát triển ứng dụng dự báo nhu cầu tiền mặt tại các ATM sử dụng mạng Rơ-ron, nhằm cải thiện hiệu quả dự báo và hỗ trợ ra quyết định trong quản lý tiền mặt. Bài toán dự báo nhu cầu tiền mặt là một bài toán chuỗi thời gian, trong đó giá trị tương lai phụ thuộc vào các giá trị trong quá khứ. Các yếu tố ảnh hưởng đến nhu cầu tiền mặt bao gồm: ngày trong tuần, ngày lễ, sự kiện đặc biệt, vị trí ATM, và các yếu tố kinh tế vĩ mô. Theo tài liệu, dự báo chuỗi thời gian là quá trình ước tính giá trị tương lai dựa trên dữ liệu lịch sử, đóng vai trò quan trọng trong quyết định kinh doanh.

1.1. Tầm Quan Trọng của Dự Báo Nhu Cầu Tiền Mặt ATM

Dự báo nhu cầu tiền mặt chính xác giúp ngân hàng giảm chi phí tồn kho tiền mặt, giảm thiểu rủi ro hết tiền tại ATM, và nâng cao chất lượng dịch vụ. Việc duy trì lượng tiền mặt vừa đủ tại ATM giúp ngân hàng tối ưu hóa vốn lưu động và cải thiện lợi nhuận. Ngân hàng cần phân tích dữ liệu giao dịch ATM để hiểu rõ nhu cầu tiền mặt theo thời gian và địa điểm.

1.2. Giới Thiệu Mạng Rơ ron trong Dự Báo Chuỗi Thời Gian

Mạng Rơ-ron là loại mạng nơ-ron đặc biệt, được thiết kế để xử lý dữ liệu chuỗi thời gian. Các tế bào LSTM và GRU trong mạng Rơ-ron có khả năng ghi nhớ thông tin từ quá khứ, giúp mô hình dự báo nắm bắt được các xu hướng và chu kỳ trong dữ liệu. Tensorflow, Keras, và Python là các công cụ phổ biến để xây dựng và huấn luyện mạng Rơ-ron.

II. Vấn Đề Thách Thức trong Dự Báo Tiền Mặt ATM 60 Ký Tự

Dự báo nhu cầu tiền mặt tại các ATM đối mặt với nhiều thách thức. Dữ liệu giao dịch ATM thường có tính biến động cao, chịu ảnh hưởng của nhiều yếu tố khó lường. Các phương pháp truyền thống như chuỗi thời gian dự báo (ARIMA, Exponential Smoothing) có thể không đủ mạnh để nắm bắt được các mối quan hệ phức tạp trong dữ liệu. Việc lựa chọn thuật toán dự báo nhu cầu phù hợp và cải thiện dự báo tiền mặt ATM là một bài toán khó. Hơn nữa, việc thiếu dữ liệu hoặc dữ liệu không đầy đủ cũng gây khó khăn cho quá trình huấn luyện mô hình học máy dự báo. Theo tài liệu, việc lựa chọn kỹ thuật dự báo chuỗi thời gian phù hợp phụ thuộc vào sự hiện diện của xu hướng, mùa vụ, chu kỳ và bất thường.

2.1. Tính Biến Động và Tính Chu Kỳ của Dữ Liệu ATM

Dữ liệu giao dịch ATM thường có tính biến động cao do ảnh hưởng của nhiều yếu tố bên ngoài như thời tiết, sự kiện, và tâm lý người dùng. Ngoài ra, dữ liệu còn có tính chu kỳ theo ngày, tuần, tháng, và năm. Mô hình dự báo cần có khả năng xử lý cả tính biến động và tính chu kỳ để đạt được độ chính xác cao.

2.2. Hạn Chế của Các Phương Pháp Dự Báo Truyền Thống

Các phương pháp dự báo truyền thống thường dựa trên các giả định đơn giản về cấu trúc dữ liệu. Khi dữ liệu có tính phi tuyến tính hoặc có các mối quan hệ phức tạp, các phương pháp này có thể cho kết quả kém chính xác. Mạng Rơ-ron có khả năng học các biểu diễn phức tạp của dữ liệu, giúp khắc phục các hạn chế này.

III. Phương Pháp Ứng Dụng Mạng Rơ ron Dự Báo Tiền Mặt 58 Ký Tự

Luận văn đề xuất sử dụng mạng Rơ-ron với kiến trúc Encoder-Decoder kết hợp cơ chế Attention để dự báo nhu cầu tiền mặt tại các ATM. Kiến trúc Encoder-Decoder giúp mô hình học được các biểu diễn nén của dữ liệu quá khứ, trong khi cơ chế Attention cho phép mô hình tập trung vào các phần quan trọng nhất của dữ liệu. Quá trình xây dựng ứng dụng dự báo bao gồm các bước: thu thập và tiền xử lý dữ liệu, xây dựng và huấn luyện mô hình, đánh giá mô hình dự báo, và triển khai ứng dụng. Việc sử dụng Python và các thư viện như Tensorflow và Keras giúp đơn giản hóa quá trình phát triển.

3.1. Kiến Trúc Encoder Decoder với Cơ Chế Attention

Kiến trúc Encoder-Decoder bao gồm hai phần chính: Encoder mã hóa dữ liệu đầu vào thành một vector biểu diễn, và Decoder giải mã vector này thành chuỗi dự đoán. Cơ chế Attention cho phép Decoder tập trung vào các phần quan trọng nhất của dữ liệu đầu vào, giúp cải thiện độ chính xác của mô hình.

3.2. Các Bước Xây Dựng Ứng Dụng Dự Báo Tiền Mặt ATM

Quá trình xây dựng ứng dụng dự báo bao gồm các bước: thu thập dữ liệu giao dịch ATM và các dữ liệu liên quan (thời tiết, sự kiện,...), tiền xử lý dữ liệu (làm sạch, chuẩn hóa), xây dựng mô hình mạng Rơ-ron (chọn kiến trúc, thiết lập tham số), huấn luyện mô hình (sử dụng thuật toán tối ưu), đánh giá mô hình (sử dụng các độ đo như MAE, RMSE), và triển khai ứng dụng (tích hợp vào hệ thống quản lý của ngân hàng).

3.3. Tối Ưu Hóa Lượng Tiền Mặt ATM Sử Dụng Thuật Toán

Sau khi có được dự báo chính xác, một thuật toán quy hoạch động có thể được sử dụng để tối ưu hóa lượng tiền mặt ATM. Thuật toán này sẽ xem xét chi phí tồn kho tiền mặt, chi phí tiếp quỹ và chi phí hết tiền để đưa ra quyết định về lượng tiền mặt cần nạp vào mỗi ATM.

IV. Kết Quả Đánh Giá Mô Hình Dự Báo Nhu Cầu Tiền Mặt 60 Ký Tự

Luận văn thực hiện đánh giá mô hình dự báo nhu cầu tiền mặt trên cả dữ liệu mô phỏng và dữ liệu thực tế từ ngân hàng. Kết quả cho thấy mô hình mạng Rơ-ron với kiến trúc Encoder-Decoder và cơ chế Attention đạt độ chính xác cao hơn so với các phương pháp truyền thống. Các độ đo như MAE (Mean Absolute Error) và RMSE (Root Mean Squared Error) đều cho thấy sự cải thiện đáng kể. Việc triển khai ứng dụng dự báo ATM giúp ngân hàng cải thiện hiệu quả dự báo tiền mặt và tối ưu hóa lượng tiền mặt tại các ATM.

4.1. Đánh Giá Mô Hình trên Dữ Liệu Mô Phỏng NN5

Mô hình được đánh giá trên bộ dữ liệu mô phỏng NN5, một bộ dữ liệu chuỗi thời gian tiêu chuẩn được sử dụng để đánh giá các thuật toán dự báo. Kết quả cho thấy mô hình mạng Rơ-ron đạt độ chính xác cao, đặc biệt là khi dự báo các chuỗi thời gian có tính chu kỳ và tính biến động cao.

4.2. Đánh Giá Mô Hình trên Dữ Liệu Thực Tế Ngân Hàng

Mô hình được đánh giá trên dữ liệu giao dịch ATM thực tế từ ngân hàng. Dữ liệu này bao gồm thông tin về thời gian, địa điểm, và số lượng tiền mặt được rút tại mỗi ATM. Kết quả cho thấy mô hình có khả năng dự báo nhu cầu tiền mặt chính xác, giúp ngân hàng tối ưu hóa lượng tiền mặt và giảm chi phí.

V. Kết Luận Hướng Phát Triển Ứng Dụng Dự Báo ATM 57 Ký Tự

Luận văn đã trình bày một phương pháp hiệu quả để dự báo nhu cầu tiền mặt tại các ATM sử dụng mạng Rơ-ron. Kết quả nghiên cứu cho thấy mô hình đề xuất có khả năng cải thiện độ chính xác dự báo so với các phương pháp truyền thống. Trong tương lai, có thể nghiên cứu thêm về việc kết hợp mô hình với các yếu tố bên ngoài khác như thông tin về thời tiết, sự kiện, và tin tức kinh tế để nâng cao độ chính xác dự báo. Việc cải thiện dự báo cần tích hợp nhiều nguồn dữ liệu. Phần mềm dự báo nhu cầu tiền mặt cần liên tục được cập nhật và cải tiến.

5.1. Tóm Tắt Những Đóng Góp Chính của Luận Văn

Luận văn đã đóng góp vào lĩnh vực dự báo nhu cầu tiền mặt bằng cách đề xuất một mô hình mạng Rơ-ron hiệu quả, đánh giá mô hình trên cả dữ liệu mô phỏng và dữ liệu thực tế, và đưa ra các hướng phát triển ứng dụng dự báo trong tương lai.

5.2. Hướng Nghiên Cứu Tiếp Theo và Ứng Dụng Thực Tiễn

Hướng nghiên cứu tiếp theo có thể tập trung vào việc kết hợp mô hình với các yếu tố bên ngoài khác để nâng cao độ chính xác dự báo. Ngoài ra, có thể nghiên cứu về việc sử dụng các thuật toán tối ưu hóa khác để tối ưu hóa lượng tiền mặt tại các ATM.

Trích đoạn nội dung tài liệu

CHƯƠNG 1.1 Ly do chon dé tai. ren mi 1⁄2 Tỉnh cấp thiết của dễtải. mi 13 Mụetiêu của dễ tải. TH H Hee 22 14 Đôi tượng và phạm vi nghiền cứu.5 Ý nghĩakhoa học và thực tiễn.

CƠ SỞ 1Ý THUYẾT VÀ NGHIỆPV 3 21 Tổng quan về dự báo 3 21.12 Mue đích của đự báo.3 Những khó khăn trong phân tích đự báo 4 3. Các phương pháp dự báo.5 Quy trnhthục hiện đự báo.2 __ Tổng quan về mạng no-ron nhân tạo.2 Mạng nơronnbhân tạo là gi7.à cà 26 Lich att phat t3én efia mang no-ron than tạo 6 Mang no-ron sith học 7 Mạng no-ron nhận tạo.1 Toe may la pi? - - -12 2.2 Phân loại cáo mỏ hình học máy. Các kỹ thuật cải tiến hiệu năng mô hỉnh. „18 DAL Moe SU là gÌ?.2 Dữ liệu chuối thời gian.

2Ú v Tình 413 Kế quả đự đoán bộ NNS-010 - 44 Hinh 4.14 Két qua dy doan ATM 01 Hình 4.15 Kết quả dự doán ATM 02 Hình 4.16 Kết qua dy doan ATM 03 .17 Két qua dy doan ATM 04. co Tình 413 Kế quả đự đoán bộ NNS-010 - 44 Hinh 4.14 Két qua dy doan ATM 01 Hình 4.15 Kết quả dự doán ATM 02 Hình 4.16 Kết qua dy doan ATM 03 .17 Két qua dy doan ATM 04. co DANH MỤC HÌNH VẼ Tình 3.1 Dự đoán xu hướng thi trường - 3 Hinh 3.2 Quy trình thực hiện dự báo ~ ~ - 5 Hin 2.3 Céu tric no-ron sinh RoC.4 Mô hình một nơ-ron nhân lao ~ - 9 Hinh 2.5 Kiến trúc mạng một lớp chứa lớp â 10 Hinh 2.6 Kiến trúc của mội mạng nơ-ron truyền thẳng nhiều lớp.7 Kiến trúc mạng nơ-ron phản hỏi.8 Phương pháp Hold-out.9 Đánh giả 3 phân đoạn.10 Underfit, Goodfit ya Overfit.11 Mạng nơ-ron sử dụng kỹ thuậtDropout.12 Biểu đỏ dữ liệu chuỗi thời gian.13 Mang ng-ron liên kết đây đủ nhiều kp.14 Mạng nơ-ron tích Gh§p ccs ssssesvestserveseiniatinesntneesseeeee + Tlinh 2.15 Bộ lọc nhận diện đặc trung dang cạnh/góc qua ảnh.16 Mạng hồi quy.17 Ham ReLU va bam tanh - - 24 Tĩinh 3.1 Mô hình seq2seq 25 Hình 3.2 Sơ đỏ biểu điền kiến trúc bên trong một don vi cia lép hat quy LSTM THHEHHHH2 HH1 HH He uưre ¬.3 Mạng hồi quy hai chiều.4 Khôi piái mã với cơ chế Attention.5 Mô hình Encoder- Decoder két hop oeco ché Attentionnữ 30 Minh 3.6 Ki thuat teacher forcing ¬.1 Các thông tin mô tả đủ liệu NNS - 37 Tlỉnh 4.2 Dữ liệu chuỗi thời gian NN5-008. on ninreiririiirrr 38 Hình 4.3 Dữ liệu chuỗi thời gian NN5-008 - - - 38 Tĩnh 4.4 Dữ liệu chuỗi thời gian NN5-009 - - 38 Hình 4.5 Dữ liệu chuỗi thời gian NN5-010 - - 39 Hình 4.6 Dữ liệu thực ATMO1 40 Tình 4.7 Dữ liệu thực ATM02 .8 Dữ liệu thực ATM03 40 Tình 4.9 Dữ liệu thực ATM04 - - 4I Hình 4.10 Kết quả dự đoản bà NN5-005 - - 43 Tình 411 Kết quả dự đoïn bộ NN5-008 - - 44 Tình 4.12 Kết quả dự đo‡m bộ NN5-009 44 viii TOM TAT NOI DUNG DE TAT Dự bảo chuối thời gian là một quá trình ước tính giá bị tương lại dựa trên dữ liệu lịch sử và nó đóng một vai Irò quan trọng trong việc ra quyết định kinh doanh trong các lĩnh vực khác nhau.

Việc lựa chọn một kỹ thuật dự bảo chuỗi thời gian phủ hợp phụ thuộc vào sự hiện điện của bón thanh phan sau: xu hưởng, theo mùa, theo chủ kỳ và bất thường. Mục đích của để tài này là cung cấp n mê hình dự báo mạnh mế để dự đoán số tiên rút tại các máy rút tiên tự động “ATM bằng cách sử dụng mạng nơ-ron với phương pháp học sâu trong gidi quyết Đài toán du báo chuỗi thời gian. Đồng thời tôi dễ xuất một mô bình mang nơ-rori sử dụng bộ Encader - Decoder kết hợp cơ chế Allenton, kết quả thực nghiệm cho thay độ chính xác khá tốt. Xem xét cách tiếp cận đa biến, bằng cách đưa vào nhiều biến hơn, kết quả có dược hiệu suất tốt hon cho dự đoán sẽ là nên tảng dé giải quyết cáo bài toán thực lế Tình 413 Kế quả đự đoán bộ NNS-010 - 44 Hinh 4.14 Két qua dy doan ATM 01 Hình 4.15 Kết quả dự doán ATM 02 Hình 4.16 Kết qua dy doan ATM 03 .17 Két qua dy doan ATM 04.

co DANH MỤC HÌNH VẼ Tình 3.1 Dự đoán xu hướng thi trường - 3 Hinh 3.2 Quy trình thực hiện dự báo ~ ~ - 5 Hin 2.3 Céu tric no-ron sinh RoC.4 Mô hình một nơ-ron nhân lao ~ - 9 Hinh 2.5 Kiến trúc mạng một lớp chứa lớp â 10 Hinh 2.6 Kiến trúc của mội mạng nơ-ron truyền thẳng nhiều lớp.7 Kiến trúc mạng nơ-ron phản hỏi.8 Phương pháp Hold-out.9 Đánh giả 3 phân đoạn.10 Underfit, Goodfit ya Overfit.11 Mạng nơ-ron sử dụng kỹ thuậtDropout.12 Biểu đỏ dữ liệu chuỗi thời gian.13 Mang ng-ron liên kết đây đủ nhiều kp.14 Mạng nơ-ron tích Gh§p ccs ssssesvestserveseiniatinesntneesseeeee + Tlinh 2.15 Bộ lọc nhận diện đặc trung dang cạnh/góc qua ảnh.16 Mạng hồi quy.17 Ham ReLU va bam tanh - - 24 Tĩinh 3.1 Mô hình seq2seq 25 Hình 3.2 Sơ đỏ biểu điền kiến trúc bên trong một don vi cia lép hat quy LSTM THHEHHHH2 HH1 HH He uưre ¬.3 Mạng hồi quy hai chiều.4 Khôi piái mã với cơ chế Attention.5 Mô hình Encoder- Decoder két hop oeco ché Attentionnữ 30 Minh 3.6 Ki thuat teacher forcing ¬.1 Các thông tin mô tả đủ liệu NNS - 37 Tlỉnh 4.2 Dữ liệu chuỗi thời gian NN5-008. on ninreiririiirrr 38 Hình 4.3 Dữ liệu chuỗi thời gian NN5-008 - - - 38 Tĩnh 4.4 Dữ liệu chuỗi thời gian NN5-009 - - 38 Hình 4.5 Dữ liệu chuỗi thời gian NN5-010 - - 39 Hình 4.6 Dữ liệu thực ATMO1 40 Tình 4.7 Dữ liệu thực ATM02 .8 Dữ liệu thực ATM03 40 Tình 4.9 Dữ liệu thực ATM04 - - 4I Hình 4.10 Kết quả dự đoản bà NN5-005 - - 43 Tình 411 Kết quả dự đoïn bộ NN5-008 - - 44 Tình 4.12 Kết quả dự đo‡m bộ NN5-009 44 viii Tình 413 Kế quả đự đoán bộ NNS-010 - 44 Hinh 4.14 Két qua dy doan ATM 01 Hình 4.15 Kết quả dự doán ATM 02 Hình 4.16 Kết qua dy doan ATM 03 .17 Két qua dy doan ATM 04. co DANH MUC BANG BIEU Bang 3.) Tổng lượng tiền cả gốc lẫn lãi - 33 Bảng 3.2 Tiên lãi thoo ngày.4 Chỉ phí tối zu.1 Kết quả hảm mất mát.2 Chỉ phí tiếp guy ATM. TOM TAT NOI DUNG DE TAT Dự bảo chuối thời gian là một quá trình ước tính giá bị tương lại dựa trên dữ liệu lịch sử và nó đóng một vai Irò quan trọng trong việc ra quyết định kinh doanh trong các lĩnh vực khác nhau.

Việc lựa chọn một kỹ thuật dự bảo chuỗi thời gian phủ hợp phụ thuộc vào sự hiện điện của bón thanh phan sau: xu hưởng, theo mùa, theo chủ kỳ và bất thường. Mục đích của để tài này là cung cấp n mê hình dự báo mạnh mế để dự đoán số tiên rút tại các máy rút tiên tự động “ATM bằng cách sử dụng mạng nơ-ron với phương pháp học sâu trong gidi quyết Đài toán du báo chuỗi thời gian. Đồng thời tôi dễ xuất một mô bình mang nơ-rori sử dụng bộ Encader - Decoder kết hợp cơ chế Allenton, kết quả thực nghiệm cho thay độ chính xác khá tốt. Xem xét cách tiếp cận đa biến, bằng cách đưa vào nhiều biến hơn, kết quả có dược hiệu suất tốt hon cho dự đoán sẽ là nên tảng dé giải quyết cáo bài toán thực lế DANH MUC BANG BIEU Bang 3.) Tổng lượng tiền cả gốc lẫn lãi - 33 Bảng 3.2 Tiên lãi thoo ngày.4 Chỉ phí tối zu.1 Kết quả hảm mất mát.2 Chỉ phí tiếp guy ATM.

DANH MỤC HÌNH VẼ Tình 3.1 Dự đoán xu hướng thi trường - 3 Hinh 3.2 Quy trình thực hiện dự báo ~ ~ - 5 Hin 2.3 Céu tric no-ron sinh RoC.4 Mô hình một nơ-ron nhân lao ~ - 9 Hinh 2.5 Kiến trúc mạng một lớp chứa lớp â 10 Hinh 2.6 Kiến trúc của mội mạng nơ-ron truyền thẳng nhiều lớp.7 Kiến trúc mạng nơ-ron phản hỏi.8 Phương pháp Hold-out.9 Đánh giả 3 phân đoạn.10 Underfit, Goodfit ya Overfit.11 Mạng nơ-ron sử dụng kỹ thuậtDropout.12 Biểu đỏ dữ liệu chuỗi thời gian.13 Mang ng-ron liên kết đây đủ nhiều kp.14 Mạng nơ-ron tích Gh§p ccs ssssesvestserveseiniatinesntneesseeeee + Tlinh 2.15 Bộ lọc nhận diện đặc trung dang cạnh/góc qua ảnh.16 Mạng hồi quy.17 Ham ReLU va bam tanh - - 24 Tĩinh 3.1 Mô hình seq2seq 25 Hình 3.2 Sơ đỏ biểu điền kiến trúc bên trong một don vi cia lép hat quy LSTM THHEHHHH2 HH1 HH He uưre ¬.3 Mạng hồi quy hai chiều.4 Khôi piái mã với cơ chế Attention.5 Mô hình Encoder- Decoder két hop oeco ché Attentionnữ 30 Minh 3.6 Ki thuat teacher forcing ¬.1 Các thông tin mô tả đủ liệu NNS - 37 Tlỉnh 4.2 Dữ liệu chuỗi thời gian NN5-008. on ninreiririiirrr 38 Hình 4.3 Dữ liệu chuỗi thời gian NN5-008 - - - 38 Tĩnh 4.4 Dữ liệu chuỗi thời gian NN5-009 - - 38 Hình 4.5 Dữ liệu chuỗi thời gian NN5-010 - - 39 Hình 4.6 Dữ liệu thực ATMO1 40 Tình 4.7 Dữ liệu thực ATM02 .8 Dữ liệu thực ATM03 40 Tình 4.9 Dữ liệu thực ATM04 - - 4I Hình 4.10 Kết quả dự đoản bà NN5-005 - - 43 Tình 411 Kết quả dự đoïn bộ NN5-008 - - 44 Tình 4.12 Kết quả dự đo‡m bộ NN5-009 44 viii MUC LUC LOI CAM DOAN. LOT CAM ON. TOM TAT NOI DUNG DE TAT.

TANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIÉT TẢT. DANH MỤC HÏNH VÉ DANH MUC BANG BIEU. aX CHƯƠNG 1.1 Ly do chon dé tai. ren mi 1⁄2 Tỉnh cấp thiết của dễtải.

mi 13 Mụetiêu của dễ tải. TH H Hee 22 14 Đôi tượng và phạm vi nghiền cứu.5 Ý nghĩakhoa học và thực tiễn. CƠ SỞ 1Ý THUYẾT VÀ NGHIỆPV 3 21 Tổng quan về dự báo 3 21.12 Mue đích của đự báo.3 Những khó khăn trong phân tích đự báo 4 3. Các phương pháp dự báo.5 Quy trnhthục hiện đự báo.2 __ Tổng quan về mạng no-ron nhân tạo.2 Mạng nơronnbhân tạo là gi7.à cà 26 Lich att phat t3én efia mang no-ron than tạo 6 Mang no-ron sith học 7 Mạng no-ron nhận tạo.1 Toe may la pi? - - -12 2.2 Phân loại cáo mỏ hình học máy.

Các kỹ thuật cải tiến hiệu năng mô hỉnh. „18 DAL Moe SU là gÌ?.2 Dữ liệu chuối thời gian. 2Ú v TOM TAT NOI DUNG DE TAT Dự bảo chuối thời gian là một quá trình ước tính giá bị tương lại dựa trên dữ liệu lịch sử và nó đóng một vai Irò quan trọng trong việc ra quyết định kinh doanh trong các lĩnh vực khác nhau. Việc lựa chọn một kỹ thuật dự bảo chuỗi thời gian phủ hợp phụ thuộc vào sự hiện điện của bón thanh phan sau: xu hưởng, theo mùa, theo chủ kỳ và bất thường.