Luận Văn Thạc Sĩ Khoa Học Máy Tính: Ứng Dụng Gom Cụm Và Mạng Nơron Trong Dự Báo Chuỗi Thời Gian

• Tác giả: Lê Minh Nam
• Người hướng dẫn: PGS. Dương Tuấn Anh
• Trường học: Đại học Bách Khoa, Đại học Quốc gia TP. Hồ Chí Minh
• Chuyên ngành: Khoa học Máy tính
• Đề tài: Kết hợp gom cụm và mạng nơ-ron để dự báo chuỗi thời gian
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2015
• Địa điểm: TP. Hồ Chí Minh

• LỜI CÁM ƠN
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: GIỚI THIỆU ĐỀ TÀI
• 1.1. Giới thiệu vấn đề
• 1.2. Động cơ
• 1.3. Mục tiêu
• 1.4. Tóm lược những kết quả thu được
• 1.5. Cấu trúc của luận văn
• 2. CHƯƠNG 2: CÁC CÔNG TRÌNH LIÊN QUAN
• 2.1. Mạng nơ-ron nhân tạo trong dự báo
• 2.2. Kết hợp gom cụm và nhiều mạng nơ-ron để dự báo dữ liệu chuỗi thời gian
• 2.3. Phân đoạn bằng điểm cực trị quan trọng
• 2.4. Phương pháp biến hình vị tự trên chuỗi con và công thức tính độ tương tự
• 2.4.1. Khái niệm về phép biến hình vị tự
• 2.4.2. Lấy mẫu các chuỗi con bằng phép vị tự
• 3. CHƯƠNG 3: CƠ SỞ LÝ THUYẾT
• 3.1. Dữ liệu chuỗi thời gian và một số phương pháp dự báo truyền thống
• 3.2. Một số phương pháp dự báo dữ liệu chuỗi thời gian truyền thống
• 3.3. Ứng dụng mạng nơ-ron nhân tạo vào dự báo dữ liệu chuỗi thời gian
• 3.3.1. Giới thiệu mạng nơ-ron nhân tạo (ANN)
• 3.3.2. Cấu trúc mạng nơ-ron nhân tạo
• 3.3.3. Nguyên tắc hoạt động và giải thuật huấn luyện mạng nơ-ron
• 3.3.4. Áp dụng mạng nơ-ron vào dự báo dữ liệu chuỗi thời gian
• 3.4. Giải thuật gom cụm K-means
• 3.5. Giải thuật gom cụm phân cấp theo kiểu gộp HAC (Hierarchical Agglomerative Clustering)
• 3.6. Các phương pháp đánh giá độ chính xác dự báo
• 4. CHƯƠNG 4: MÔ HÌNH DỰ BÁO DÙNG NHIỀU MẠNG NƠ-RON
• 4.1. Hướng giải quyết
• 5. CHƯƠNG 5: HIỆN THỰC VÀ THỬ NGHIỆM
• 5.1. Dữ liệu chứng khoán với kích thước 114789
• 5.2. Dữ liệu tỉ giá AUD/USD với kích thước 7927 điểm
• 5.3. Dữ liệu tỉ giá AUD/GBP với 7927 điểm
• 5.4. Dữ liệu nhu cầu năng lượng ở Ý với kích thước 30651 điểm
• 5.5. Dữ liệu doanh nghiệp (ERP) với 6654 điểm
• 6. CHƯƠNG 6: KẾT LUẬN
• 6.1. Những đóng góp của đề tài
• 6.2. Hướng phát triển của đề tài
• MỤC LỤC HÌNH
• MỤC LỤC BẢNG

I. Giới thiệu luận văn thạc sĩ

Luận văn thạc sĩ này tập trung vào việc kết hợp gom cụm và mạng nơron để dự báo chuỗi thời gian. Nghiên cứu được thực hiện tại Trường Đại học Bách Khoa, ĐHQG TP.HCM dưới sự hướng dẫn của PGS. Dương Tuấn Anh. Mục tiêu chính là cải thiện độ chính xác của các mô hình dự báo dữ liệu chuỗi thời gian bằng cách sử dụng phương pháp gom cụm và mạng nơron nhân tạo.

1.1. Vấn đề nghiên cứu

Dự báo chuỗi thời gian là một lĩnh vực quan trọng trong học máy và trí tuệ nhân tạo. Các phương pháp truyền thống thường sử dụng một mạng nơron duy nhất, dẫn đến việc bỏ qua các biến thiên cục bộ. Nghiên cứu này đề xuất một phương pháp mới, kết hợp gom cụm và mạng nơron để nắm bắt cả biến động toàn cục và cục bộ.

1.2. Mục tiêu nghiên cứu

Mục tiêu của nghiên cứu là phát triển một mô hình dự báo hiệu quả bằng cách sử dụng phương pháp gom cụm phân cấp (HAC) và mạng nơron. Phương pháp này nhằm cải thiện độ chính xác của dự đoán dữ liệu trong các lĩnh vực như tài chính và năng lượng.

II. Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp gom cụm để phân chia chuỗi thời gian thành các chuỗi con, sau đó áp dụng mạng nơron để dự báo. Thuật toán gom cụm phân cấp (HAC) được sử dụng để nhóm các chuỗi con có đặc điểm tương tự. Mỗi nhóm được huấn luyện bằng một mạng nơron riêng biệt, sử dụng giải thuật lan truyền ngược (backpropagation).

2.1. Gom cụm chuỗi thời gian

Phương pháp gom cụm được áp dụng để phân chia chuỗi thời gian thành các chuỗi con dựa trên các điểm cực trị quan trọng. Thuật toán HAC được sử dụng để nhóm các chuỗi con này thành các cụm có đặc điểm tương tự.

2.2. Huấn luyện mạng nơron

Mỗi cụm được huấn luyện bằng một mạng nơron riêng biệt. Giải thuật lan truyền ngược được sử dụng để tối ưu hóa các tham số của mạng nơron, giúp cải thiện độ chính xác của dự báo.

III. Kết quả và đánh giá

Nghiên cứu đã thử nghiệm phương pháp trên các bộ dữ liệu khác nhau, bao gồm dữ liệu chứng khoán và dữ liệu năng lượng. Kết quả cho thấy phương pháp kết hợp gom cụm và mạng nơron cho độ chính xác cao hơn so với phương pháp sử dụng một mạng nơron duy nhất.

3.1. Đánh giá độ chính xác

Phương pháp mới cho kết quả dự báo chính xác hơn, đặc biệt trong các lĩnh vực có biến thiên cục bộ mạnh như tài chính. Mô hình dự báo này cũng thể hiện khả năng nắm bắt các biến động toàn cục và cục bộ một cách hiệu quả.

3.2. Ứng dụng thực tế

Phương pháp này có thể được áp dụng trong nhiều lĩnh vực như dự báo tài chính, quản lý năng lượng, và dự đoán thị trường. Nó giúp các nhà quản lý đưa ra các quyết định chính xác hơn dựa trên dữ liệu chuỗi thời gian.