Luận văn dự báo chuỗi thời gian mờ theo đại số gia tử - ĐH Thái Nguyên

Dưới đây là các meta tags được tạo cho bài viết "Luận văn thạc sĩ dự báo chuỗi thời gian mờ dựa trên đại số gia tử với ngữ nghĩa": { "ai_description": "Dự

• Tác giả: Nguyễn Xuân Đăng
• Người hướng dẫn: TS. Vũ Như Lân
• Trường học: Đại học Công nghệ Thông tin và Truyền thông
• Chuyên ngành: Khoa học máy tính
• Đề tài: Dự báo chuỗi thời gian mờ bằng đại số gia tử: Nghiên cứu ứng dụng
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2015
• Địa điểm: Thái Nguyên

Tóm tắt

I. Tổng quan về luận văn thạc sĩ dự báo chuỗi thời gian mờ

Luận văn thạc sĩ này tập trung nghiên cứu phương pháp dự báo chuỗi thời gian mờ dựa trên đại số gia tử với ngữ nghĩa. Chủ đề này kết hợp hai lĩnh vực quan trọng: lý thuyết tập mờ và đại số gia tử, nhằm nâng cao độ chính xác của các mô hình dự báo trong điều kiện dữ liệu không chắc chắn. Phương pháp đề xuất sử dụng các quan hệ mờ để biểu diễn thông tin không chắc chắn và áp dụng các phép toán đại số gia tử để xử lý ngữ nghĩa của dữ liệu. Kết quả nghiên cứu có thể ứng dụng trong nhiều lĩnh vực như kinh tế, tài chính, quản lý nguồn lực. Luận văn cung cấp cơ sở lý thuyết vững chắc và minh chứng thực nghiệm cho hiệu quả của phương pháp đề xuất.

1.1. Lý thuyết tập mờ và đại số gia tử trong dự báo

Lý thuyết tập mờ cho phép biểu diễn thông tin không chắc chắn thông qua các tập hợp có ranh giới không rõ ràng. Đại số gia tử cung cấp công cụ toán học để xử lý các quan hệ giữa các tập mờ thông qua các phép toán như hợp, giao, phủ. Kết hợp hai lý thuyết này giúp xây dựng mô hình dự báo linh hoạt, thích ứng với dữ liệu biến động. Phương pháp này đặc biệt hữu ích khi dữ liệu đầu vào chứa nhiễu hoặc không đầy đủ.

1.2. Ứng dụng chuỗi thời gian mờ trong dự báo

Chuỗi thời gian mờ là công cụ mạnh mẽ để phân tích dữ liệu theo thời gian khi có sự không chắc chắn. Phương pháp này cho phép nhóm các giá trị quan sát vào các tập mờ và xác định xu hướng dài hạn. Ứng dụng chuỗi thời gian mờ kết hợp đại số gia tử giúp cải thiện độ chính xác dự báo bằng cách xử lý ngữ nghĩa của dữ liệu, đặc biệt trong các lĩnh vực như tài chính, khí tượng.

II. Phân tích vấn đề dự báo chuỗi thời gian trong bối cảnh dữ liệu mờ

Dự báo chuỗi thời gian truyền thống gặp khó khăn khi đối mặt với dữ liệu không chắc chắn, thiếu chính xác hoặc nhiễu. Các phương pháp cổ điển như ARIMA, hồi quy tuyến tính không thể xử lý hiệu quả các tập dữ liệu mờ. Vấn đề trở nên phức tạp hơn khi dữ liệu chứa các yếu tố ngôn ngữ như 'nhiều', 'ít', 'cao', 'thấp'. Ngoài ra, ngữ nghĩa của dữ liệu cũng đóng vai trò quan trọng nhưng thường bị bỏ qua trong các mô hình dự báo truyền thống. Luận văn này phân tích các hạn chế của phương pháp dự báo hiện có và đề xuất giải pháp dựa trên đại số gia tử để xử lý ngữ nghĩa một cách hệ thống.

2.1. Hạn chế của phương pháp dự báo truyền thống

Các phương pháp dự báo truyền thống như ARIMA, mạng nơron nhân tạo yêu cầu dữ liệu chính xác và đầy đủ. Khi dữ liệu chứa nhiễu, thiếu hụt hoặc không chắc chắn, hiệu suất dự báo giảm đáng kể. Ngoài ra, các phương pháp này không thể xử lý hiệu quả dữ liệu ngôn ngữ hoặc ngữ nghĩa. Điều này dẫn đến kết quả dự báo kém tin cậy, đặc biệt trong các lĩnh vực như tài chính, quản lý rủi ro.

2.2. Thách thức trong xử lý dữ liệu mờ

Dữ liệu mờ thường xuất hiện trong các tình huống thực tế khi thông tin không rõ ràng hoặc không đầy đủ. Việc chuyển đổi dữ liệu ngôn ngữ thành dạng số và xử lý chúng là thách thức lớn. Ngoài ra, ngữ nghĩa của dữ liệu cũng cần được xem xét để đảm bảo tính chính xác của dự báo. Các phương pháp truyền thống không cung cấp công cụ đầy đủ để xử lý những thách thức này.

III. Giải pháp dự báo chuỗi thời gian mờ dựa trên đại số gia tử

Giải pháp đề xuất kết hợp lý thuyết tập mờ, đại số gia tử và chuỗi thời gian mờ để xây dựng mô hình dự báo linh hoạt. Phương pháp này bắt đầu bằng việc mờ hóa dữ liệu đầu vào thành các tập mờ, sau đó sử dụng đại số gia tử để xử lý các quan hệ giữa chúng. Tiếp theo, các quy tắc suy diễn mờ được xây dựng dựa trên ngữ nghĩa của dữ liệu. Cuối cùng, quá trình ngược mờ hóa chuyển đổi kết quả dự báo từ dạng mờ sang dạng số. Phương pháp này vượt trội hơn các phương pháp truyền thống nhờ khả năng xử lý dữ liệu không chắc chắn và ngữ nghĩa.

3.1. Quy trình mờ hóa và xây dựng luật suy diễn

Quy trình mờ hóa bao gồm việc xác định các tập mờ đại diện cho các khái niệm ngôn ngữ như 'thấp', 'trung bình', 'cao'. Sau đó, các luật suy diễn mờ được xây dựng dựa trên mối quan hệ giữa các biến đầu vào và đầu ra. Đại số gia tử được sử dụng để xử lý các quan hệ này thông qua các phép toán như hợp, giao, phủ. Điều này giúp xây dựng mô hình dự báo linh hoạt, thích ứng với sự biến đổi của dữ liệu.

3.2. Phương pháp suy diễn và ngược mờ hóa

Sau khi xây dựng luật suy diễn, quá trình suy diễn mờ được thực hiện để đưa ra kết quả dự báo dưới dạng tập mờ. Phương pháp trọng tâm hoặc độ cao được sử dụng để chuyển đổi kết quả này thành giá trị số. Quá trình ngược mờ hóa đảm bảo rằng kết quả dự báo có ý nghĩa trong ngữ cảnh thực tế. Phương pháp này cung cấp độ chính xác cao hơn so với các phương pháp truyền thống nhờ xử lý ngữ nghĩa của dữ liệu.

IV. Kết luận và ứng dụng của phương pháp đề xuất

Luận văn đã đề xuất phương pháp dự báo chuỗi thời gian mờ dựa trên đại số gia tử với ngữ nghĩa, cung cấp giải pháp hiệu quả cho các vấn đề dự báo trong điều kiện dữ liệu không chắc chắn. Phương pháp này kết hợp lý thuyết tập mờ, đại số gia tử và chuỗi thời gian mờ để xây dựng mô hình dự báo linh hoạt. Kết quả thực nghiệm cho thấy phương pháp đề xuất vượt trội hơn các phương pháp truyền thống về độ chính xác và khả năng thích ứng. Luận văn cũng đề xuất các hướng nghiên cứu tương lai như mở rộng ứng dụng trong các lĩnh vực khác nhau.

4.1. Đánh giá hiệu quả phương pháp đề xuất

Phương pháp đề xuất đã được đánh giá thông qua các thí nghiệm trên dữ liệu thực tế, so sánh với các phương pháp dự báo truyền thống như ARIMA, mạng nơron. Kết quả cho thấy phương pháp đề xuất cung cấp độ chính xác cao hơn đáng kể, đặc biệt trong các tình huống dữ liệu không chắc chắn hoặc nhiễu. Ngoài ra, khả năng xử lý ngữ nghĩa của dữ liệu cũng góp phần nâng cao độ tin cậy của dự báo.

4.2. Hướng nghiên cứu tương lai

Các hướng nghiên cứu tương lai bao gồm mở rộng phương pháp đề xuất sang các lĩnh vực khác như tài chính, y tế, quản lý rủi ro. Ngoài ra, việc tích hợp các kỹ thuật học máy tiên tiến như học sâu có thể cải thiện hơn nữa hiệu suất dự báo. Nghiên cứu cũng có thể tập trung vào tối ưu hóa các tham số của mô hình để nâng cao độ chính xác.

Trích đoạn nội dung tài liệu

phần mở đầu và kết luận luận văn đƣợc chia làm 3 chƣơng: + Chƣơng 1: Giới thiệu một số kiến thức cơ sở. + Chƣơng 2: Dự báo chuỗi thời gian mờ. + Chƣơng 3: Dự báo chuỗi thời gian mờ ĐSGT với ngữ nghĩa. Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 5 PHẦN 2: NỘI DUNG CHƢƠNG 1: GIỚI THIỆU MỘT SỐ KIẾN THỨC CƠ SỞ 1.

Những vấn đề cơ sở của lý thuyết tập mờ và logic mờ 1. Lý thuyết tập mờ Lý thuyết tập mờ lần đầu tiên đƣợc Lofti A.Zadeh, một giáo sƣ thuộc trƣờng Đại học Caliornia, Berkley giới thiệu trong một công trình nghiên cứu vào năm 1965 và sau đó liên tục phát triển mạnh mẽ. Năm 1970, tại trƣờng đại học Mary Queen, thành phố London- Anh, Ebrahim Mamdani đã sử dụng logic mờ để điều khiển một máy hơi nƣớc mà ông không thể điều khiển bằng kỹ thuật cổ điển. Tại Nhật, logic mờ đƣợc ứng dụng vào nhà máy xử lý nƣớc của hãng Fuji Electronic vào năm 1983, hệ thống xe điện ngầm của Hitachi năm 1987.

Tuy logic mờ ra đới ở Mỹ, ứng dụng lần đầu ở Anh, nhƣng nó lại đƣợc phát triển và ứng dụng nhiều nhất ở Nhật. Định nghĩa: Cho không gian nền U, tập A U đƣợc gọi là tập mờ nếu A đƣợc xác định bởi hàm µA(x) : X→ [0,1] A đƣợc gọi là hàm thuộc, hàm liên thuộc hay hàm thành viên (membership function). Với x X thì A (x) đƣợc gọi là mức độ thuộc của x vào A. Trọng tâm của lý thuyết tập mờ là việc đề xuất khái niệm tập mờ (fuzzy sets).

Về mặt toán học, một tập mờ A là một hàm số (gọi là hàm thuộc (membership function)) xác định trên khoảng giá trị số mà đối số x có thể chấp nhận (gọi là tập vũ trụ (universe of discourse)) X cho bởi: A (x) : X→ [0,1] Trong đó, A là nhãn mờ của biến X, thƣờng mang một ý nghĩa ngôn ngữ nào đó, mô tả định tính thuộc tính của đối tƣợng, chẳng hạn nhƣ cao, thấp, nóng, lạnh, sáng, tối. Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 6 A đƣợc gọi là hàm thuộc, hàm liên thuộc hay hàm thành viên (membership function). Với x X thì A (x) đƣợc gọi là mức độ thuộc của x vào A. Nhƣ vậy ta có thể coi tập rõ là một trƣờng hợp đặc biệt của tập mờ, trong đó hàm thuộc chỉ nhận 2 giá trị 0 và 1.

Ký hiệu tập mờ, ta có các dạng ký hiệu sau: Liệt kê phần tử: giả sử U = {a,b,c,d} ta co thể xác định một tập mờ 0.2 0 A= a b c d A= x, A ( x) | x U ( x) A= A trong trƣờng hợp U là không gian rời rạc x U x A= A ( x ) / x trong trƣờng hợp U là không gian liên tục U Lƣu ý: Các ký hiệu và không phải là các phép tính tổng hay tích phân, mà chỉ là ký hiệu biểu thị tập hợp mờ. 2 Ví dụ: Tập mờ A là tập “số gần 2” xác định bởi hàm thuộc A e ( x 2) ta có thể ký hiệu: A = x, ( x 2) 2 | x U hoặc A = (x 2) 2 / x 1. Định nghia logic mờ Biến ngôn ngữ đã đƣợc Zadeh đƣa ra năm 1973 nhƣ sau: Một biến ngôn ngữ đƣợc xác định bởi bộ (x, T, U, M) trong đó: - X là tên biến. Ví dụ “nhiệt độ”, “tốc độ”, “độ ẩm”,… - T là tập các từ là các giá trị ngôn ngữ tự nhiên mà x có thể nhận.

Ví dụ x là “tốc độ” thì T có thể là {“chậm”, “trung bình”, “nhanh”}. Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 7 - U là miền các giá trị vật lý mà x có thể nhận Ví dụ x là “tốc độ” thì U có thể là {0km/h,1km/h, …150km/h}. - M là luật ngữ nghĩa, ứng mỗi từ trong T với một tập mờ At trong U. Nhƣ vậy, biến ngôn ngữ là biến nhận các giá trị ngôn ngữ (linguistic terms) mỗi giá trị ngôn ngữ thực chất là một tập mờ xác định bởi một hàm thuộc và khoảng giá trị số tƣơng ứng và logic mờ cho phép các tập này có thể xếp phủ lên nhau.

Logic mờ đƣợc phát triển từ lý thuyết tập mờ để thực hiện lập luận một cách xấp xỉ thay vì lập luận chính xác theo lôgic vị từ cổ điển. Lôgic mờ có thể đƣợc coi là mặt ứng dụng của lý thuyết tập mờ để xử lý các giá trị trong thế giới thực cho các bài toán phức tạp. Trong logic mờ thì mệnh đề là một câu phát biểu đúng sai, mỗi mệnh đề mờ là một câu phát biểu không nhất thiết là đúng hoặc sai. Mệnh đề mờ đƣợc gán cho một giá trị trong khoảng từ 0 đến 1 để chỉ mức độ đúng (độ thuộc) của nó.

Các phép toán logic mờ * Phép bù: Phép phủ định trong logic kinh điển là một trong những phép toán cơ bản cho việc xây dựng phép bù của 2 tập hợp. Để suy rộng phép này trong tập mờ chúng ta cần tới toán tử v(NOT P). Toán tử này phải thỏa các tính chất sau : - V(NOT P) chỉ phụ thuộc vào v(P). - Nếu v(P)=1 thì v(NOT P)=0 - Nếu v(P)=0 thì v(NOT P)=1 - Nếu v(P1) ≤ v(P2) thì v(NOT P1) ≥ v(NOT P2) Định nghĩa 1: Hàm n : [0,1] → [0, 1] không tăng thỏa mãn các điều kiện n(0) = 1, n(1) = 0, đƣợc gọi là hàm phủ định.

Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 8 Định nghĩa 2: (Phần bù của một tập mờ): Cho n là hàm phủ định, phần bù Ac của tập mờ A là một tập mờ với hàm thuộc đƣợc xác định bởi: Ac(x) = n(A(x)), với mỗi x * Phép giao hai tập mờ Định nghĩa 1 ( T - chuẩn): Hàm T: [0,1]2 [0,1] là phép bội (T - chuẩn) khi và chỉ khi thoả mãn các điều kiện sau: - T(1, x) = x, với mọi 0 x 1. - T có tính giao hoán : T(x,y) = T(y,x), với mọi 0 x, y 1. - T không giảm: T(x,y)=T(u,v), với mọi x u, y v. - T có tính kết hợp: T(x,T(y,z)) = T(T(x,y),z), với mọi 0 x,y, z 1.

Định nghĩa 2 (Phép giao hai tập mờ): Cho hai tập mờ A, B trên cùng không gian nền với hàm thuộc A(x), B(x) tƣơng ứng. Cho T là một T- Chuẩn. Phép giao của hai tập mờ A, B là một tập mờ (ký hiệu (A TB) trên với hàm thuộc cho bởi biểu thức: (A TB)(x) = T(A(x), B(x)), với mỗi x Ví dụ: Với T(x,y) = min(x,y)ta có: (A TB)(x) = min(A(x),B(x)) Với T(x,y) = x,y ta có (A TB)(x) = A(x). S có tính giao hoán : S(x,y)= S(y,x) với mọi 0 x,y 1.

S không giảm: S(x,y)= S(u,v), với mọi x u, y v. S có tính kết hợp: S(x,S(y,z)) = S(S(x,y),z) với mọi 0 x, y, z 1. Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 9 Định nghĩa 2 (phép hợp hai tập mờ): Cho hai tập mờ A, B trên cùng không gian nền với hàm thuộc A(x), B(x) tƣơng ứng. Cho S là một T - đối chuẩn.

Phép hợp của hai tập mờ A, B là một tập mờ ( kí hiệu A SB)) trên với hàm thuộc cho bởi biểu thức: (A SB)(x)=S(A(x),B(x)), với mỗi x Ví dụ: Với S(x,y) = max(x,y): (A SB)(x)= max(A(x), B(x)) Với S(x,y) = x + y – x.y * Luật De Morgan Cho T là T - chuẩn, S là T - đối chuẩn và n là phép phủ định mạnh. Khi đó bộ ba(T, S,n) là bộ ba De Morgan nếu: n(S(x,y)) = T(n,(x),n(y)) Với phép phủ định n(n-1) = 1- x, chúng ta có một số cặp T-chuẩn và T- đối chuẩn thoả mãn luật DeMorgan trong bảng 1.1 : Các cặp T - chuẩn và T - đối chuẩn.y 2 Max(x + y -1, 0) Min(x + y,1) 3 Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 10 Min0(x,y)= 0min( x, y)if x + y >1 Max1(x,y)= 0max( x, y)if x + y <1 Else Else 4 Z(x,y) = 0min( x, y)if max(x,y)=1 Max1(x,y)= 0max( x, y)if min(x,y)=0 5 Else Else x.2 dƣới đây sẽ liệt kê một số phép kéo theo mờ hay đƣợc sử dụng nhất. Một số phép kéo theo mờ thông dụng STT Tên Biểu thức xác định 1 Early Zadeh x y = max(1-x,min(x,y)) 2 Lukasiewicz x y = min(1,1- x+y) Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 11 3 Mandani x y = min(x,y) 4 Larsen x y = x.y Standard Strict 1 if x y x y= 0 other 5 Godel 1 if x y x y = y other 5 Gaines 1 if x y 6 x y y other x 7 Kleene – Dienes x y = max(1 –x,y) 8 Kleene – Dienes –Lukasiwicz x y = 1- x + y 9 Yager x y = yx 1. Chuỗi thời gian mờ 1.1 Khái niệm: Giả sử U là không gian nền.

không gian nền này xác định một tập hợp các đối tƣợng cần ghiên cứu. Nếu A là một tập con rõ của U thì ta có thể xác định chính xác một hàm đặc trƣng: Nhƣng với một tập mờ B trong không gian nền U thì phần tử x không xác định chính xác đƣợc. Khi đó ta có định nghĩa: U [0,1] đƣợc gọi là hàm thuộc (Membership function). Còn với bất kỳ một phần tử u nào của A thì hàm (u) đƣợc gọi là độ thuộc của u vào tập mờ A.

Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 12 Giả sử Y(t) là chuỗi thời gian (t = 0, 1, 2,…) U là tập nền chứa các khoảng giá trị của chuỗi thời gian từ nhỏ nhất đến lớn nhất. Xác định hàm thuộc : U [0,1] của tập mờ A, còn tập A trên không gian nền U đƣợc viết nhƣ sau: A = {((u1/u1, (u2/u2, …, (un/un), : ui U ; I = 1, 2, …, n} (ui) là độ thuộc của ui vào tập A 1. Một số định nghĩa liên quan đến chuỗi thời gian mờ Định nghĩa 1: Y(t) (t = … 0, 1, 2, …) là một tập con của R1. Định nghĩa 2: Tại các thời điểm t và t-1 có tồn tại một mối quan hệ mờ giữa F(t) và F(t-1) sao cho F(t) = F(t-1) * R(t-1, t) với R(t-1, t) là quan hệ mờ giữa F(t) và F(t-1) trong đó * là kí hiệu của một toán tử xác định trên tập mờ.

Ta cũng có thể kí hiệu mối quan hệ mờ giữa F(t) và F(t-1) bằng F(t-1)F(t). Nếu đặt F(t-1) = Ai và F(t) = Aj thì ta kí hiệu mối quan hệ logic mờ giữa chúng nhƣ sau: AiAj. với Ai đƣợc qui định là vế trái (LHS), và Aj qui định là vế phải của mối quan hệ mờ (FLR).