Chương 1 BÀI TOÁN DỰ BÁO CHUỖI THỜI GIAN 1. TỔNG QUAN VỀ CHUỖI THỜI GIAN Một chuỗi thời gian có thể được coi là một danh sách các số và một số thông tin về thời gian mà các số đó được ghi lại. Ngoài ra cũng có một định nghĩa khác về chuỗi thời gian là “chuỗi thời gian là một chuỗi các quan sát được thu thập một cách tuần tự theo thời gian” [1]. Các thành phần của dữ liệu chuỗi thời gian bao gồm xu hướng, thời vụ, chu kỳ.
Mô hình chuỗi thời gian theo xu hướng tồn tại khi có sự tăng hoặc giảm dài hạn trong dữ liệu nhưng nó không phải là mô hình tuyến tính. Mô hình theo mùa xảy ra khi chuỗi thời gian bị ảnh hưởng bởi các yếu tố theo mùa chẳng hạn như thời gian trong năm, ngày trong tuần. Tính theo mùa luôn có tần số cố định và ta đã biết nó trước. Dữ liệu bán thuốc trị bệnh tiểu đường được thể hiện trong Hình 1.1 Doanh số bán thuốc trị bệnh tiểu đường hàng tháng ở Úc có một xu hướng rõ ràng và ngày càng tăng.
Ngoài ra còn có một mô hình theo mùa cũng được thể hiện một cách rõ rệt trong Hình 1.1 Doanh số bán thuốc trị bệnh tiểu đường hàng tháng ở Úc [2] 2 do an Chuỗi dữ liệu theo chu kỳ xảy ra khi có dấu hiệu tăng và giảm nhưng không theo tần số cố định. Những biến động này thường do điều kiện kinh tế và thường liên quan đến “chu kỳ kinh doanh”. Sau một thời kỳ suy thoái kinh tế sẽ là thời kỳ phục hồi và bùng nổ kinh tế, kế tiếp tăng trưởng kinh tế sẽ khựng lại và khởi đầu cho một cuộc suy thoái mới. Thời gian của những biến động này thường là ít nhất 2 năm [2].
Thực tế thì có nhiều dữ liệu chuỗi thời gian bao gồm cả ba yếu tố trên, do đó khi chọn phương pháp dự báo, trước tiên chúng ta sẽ cần xác định các mô hình chuỗi thời gian trong dữ liệu và sau đó chọn phương pháp để có thể dự báo mô hình chính xác. KHÁI QUÁT VỀ DỰ BÁO 1. Định nghĩa dự báo Dự báo là cần thiết trong nhiều tình huống. Dự báo có thể được yêu cầu trước vài năm (đối với trường hợp đầu tư vốn), hoặc chỉ vài phút (đối với định tuyến viễn thông).
Dù bất kỳ hoàn cảnh hay thời gian nào có tính liên quan, dự báo là một trợ giúp quan trọng để thiết lập một kế hoạch hiệu quả. Khả năng dự đoán của mỗi sự kiện sẽ khác nhau và phụ thuộc vào một số yếu tố nhất định như: 1. Hiểu được các yếu tố đóng góp cho nó; 2. Có bao nhiêu dữ liệu đã có sẵn; 3.
Liệu các dự đoán có ảnh hưởng đến điều mà chúng ta đang cố gắng dự báo; Trong thực tế, dự báo hiếm khi cho rằng môi trường dự đoán là không thay đổi. Đa phần mọi môi trường đều thay đổi và một mô hình dự báo tốt sẽ nắm bắt cách mà mọi thứ đang thay đổi. Một mô hình dự báo được dự định để nắm bắt cách mọi thứ di chuyển, không chỉ là nơi mọi thứ đang diễn ra, đồng thời nếu chúng ta có thể biết mình đang ở đâu và chúng ta đang có xu hướng gì, chúng ta có thể phán đoán tốt hơn những việc cần làm và cách thực hiện điều đó. Như vậy các tình huống dự báo rất sẽ rất khác nhau trong các khoảng thời gian, các yếu tố xác định kết quả thực tế, các loại tập dữ liệu và nhiều khía cạnh khác.
Đồng thời, các phương pháp dự báo có thể đơn giản hoặc rất phức tạp và đôi khi sẽ không có dữ liệu nào cả. Và việc lựa chọn phương pháp nào sẽ phụ thuộc vào dữ liệu có sẵn và khả năng dự đoán số lượng sẽ được dự báo. Xác định những gì cần dự báo, mục tiêu và kế hoạch Dự báo là dự đoán tương lai chính xác nhất có thể, dựa trên tất cả các thông tin có sẵn, bao gồm dữ liệu lịch sử và kiến thức về bất kỳ sự kiện nào trong tương lai có thể ảnh hưởng đến dự báo [2]. Dựa theo thời gian thì có các loại dự báo như: dự báo ngắn hạn, dự báo trung hạn, dự báo dài hạn.
Lập kế hoạch là xác định các hành động phù hợp được yêu cầu để làm cho dự báo của bạn phù hợp với mục tiêu. Đồng thời, trong giai đoạn đầu của một dự báo, các quyết định cần phải được đưa ra về những gì cần được dự báo. Tìm hiểu về những người sẽ sử dụng các dự báo để đảm bảo rằng bạn hiểu nhu cầu của họ và cách sử dụng các dự báo đó. Tìm hoặc thu thập dữ liệu mà dự báo sẽ dựa vào, định vị và đối chiếu dữ liệu có sẵn trước khi phát triển các phương pháp dự báo phù hợp.
Dữ liệu và phương pháp dự báo Các trường hợp về dữ liệu chuỗi thời gian bao gồm: giá cổ phiếu hàng ngày, lượng mưa hàng tháng, kết quả bán hàng hàng quý cho Amazon cũng có thể là lợi nhuận hàng năm của Google. Khi dự báo dữ liệu chuỗi thời gian, mục đích là ước tính chuỗi các quan sát sẽ diễn biến như thế nào trong tương lai. Các phương pháp dự báo chuỗi thời gian đơn giản nhất chỉ sử dụng thông tin về biến được dự báo và không cố gắng khám phá các yếu tố ảnh hưởng đến hành vi của nó [2]. Biến dự đoán và dự báo chuỗi thời gian: Ví dụ: giả sử chúng tôi muốn dự báo nhu cầu điện hàng giờ (ED) của một khu vực nóng trong thời gian mùa hè.
Một mô hình với các biến dự đoán có thể có dạng: 𝐸𝐷 = 𝑓(𝑐𝑢𝑟𝑒𝑛𝑡 𝑡𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑒, 𝑠𝑡𝑟𝑒𝑛𝑔𝑡ℎ 𝑜𝑓 𝑒𝑐𝑜𝑛𝑜𝑚𝑦, 𝑝𝑜𝑝𝑢𝑙𝑎𝑡𝑖𝑜𝑛, 𝑡𝑖𝑚𝑒 𝑜𝑓 𝑑𝑎𝑦, 𝑑𝑎𝑦 𝑜𝑓 𝑤𝑒𝑒𝑘, 𝑒𝑟𝑟𝑜𝑟 ) Đây là mô hình giải thích vì nó giúp giải thích nguyên nhân gây ra sự thay đổi trong nhu cầu điện. Bên cạnh đó, do dữ liệu nhu cầu điện tạo thành một chuỗi thời gian, nên có thể sử dụng mô hình chuỗi thời gian để dự báo. 𝐸𝐷𝑡+1 = 𝑓(𝐸𝐷𝑡 , 𝐸𝐷𝑡−1 , 𝐸𝐷𝑡−2 , 𝐸𝐷𝑡−3 , … , 𝑒𝑟𝑟𝑜𝑟) Ngoài ra còn có một loại mô hình thứ ba kết hợp các tính năng của hai mô hình trên: 4 do an 𝐸𝐷𝑡+1 = 𝑓(𝐸𝐷𝑡 , 𝑐𝑢𝑟𝑒𝑛𝑡 𝑡𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑒, 𝑡𝑖𝑚𝑒 𝑜𝑓 𝑑𝑎𝑦, 𝑑𝑎𝑦 𝑜𝑓 𝑤𝑒𝑒𝑘, 𝑒𝑟𝑟𝑜𝑟 ) Một mô hình giải thích rất hữu ích vì nó kết hợp thông tin về các biến khác, thay vì chỉ các giá trị lịch sử của biến được dự báo. Tuy nhiên, có một số lý do một người dự báo có thể chọn mô hình chuỗi thời gian thay vì mô hình giải thích hoặc hỗn hợp.
Vì đầu tiên, hệ thống có thể không được hiểu và ngay cả khi được hiểu, nó có thể cực kỳ khó đo lường các mối quan hệ được giả định để chi phối hành vi của nó. Thứ hai, cần phải biết hoặc dự báo các giá trị trong tương lai của các yếu tố dự đoán khác nhau để có thể dự báo biến quan tâm và điều này có thể quá khó khăn. Thứ ba, mối quan tâm chính có thể chỉ là dự đoán những gì sẽ xảy ra, không biết tại sao nó lại xảy ra. Cuối cùng, mô hình chuỗi thời gian có thể đưa ra dự báo chính xác hơn so với mô hình giải thích hoặc hỗn hợp.
Như vậy, các biến dự đoán thường hữu ích trong dự báo chuỗi thời gian. CÁC BƯỚC CƠ BẢN TRONG MỘT NHIỆM VỤ DỰ BÁO 1. Xác định vấn đề Thường thì đây là phần khó nhất trong dự báo [2]. Xác định vấn đề một cách cẩn thận đòi hỏi sự hiểu biết về: cách sử dụng các dự báo, ai yêu cầu dự báo và làm thế nào để việc dự báo phù hợp với tổ chức yêu cầu dự báo.
Một người dự báo cần dành thời gian nói chuyện với tất cả những người sẽ tham gia vào việc thu thập dữ liệu, duy trì cơ sở dữ liệu và sử dụng các dự báo cho kế hoạch trong tương lai. Thu thập thông tin Luôn có ít nhất hai loại thông tin cần thiết: dữ liệu thống kê và chuyên môn tích lũy của những người thu thập dữ liệu để sử dụng các dự báo [2]. Thông thường, sẽ rất khó có đủ dữ liệu lịch sử để có thể phù hợp với một mô hình thống kê tốt. Trong trường hợp đó, các phương pháp dự báo phán đoán có thể được sử dụng.
Đôi khi, dữ liệu cũ sẽ ít hữu ích hơn do những thay đổi cấu trúc trong hệ thống được dự báo nên nhóm tác giả có thể chọn chỉ sử dụng dữ liệu mới nhất [2]. Tuy nhiên, các mô hình thống kê tốt sẽ xử lý các thay đổi tiến hóa trong hệ thống do đó không nên bỏ dữ liệu tốt nếu không cần thiết. Phân tích sơ bộ Luôn luôn bắt đầu bằng cách vẽ đồ thị dữ liệu. Mô hình có nhất quán không? Mô hình có tính xu hướng đáng kể không? Hay tính mùa vụ có quan trọng không? Có bằng 5 do an chứng về sự hiện diện của chu kỳ kinh doanh không? Có bất kỳ ngoại lệ nào trong dữ liệu cần được giải thích bởi những người có kiến thức chuyên môn không? Làm thế nào tìm ra mối quan hệ giữa các biến có sẵn để phân tích? Từ đó có nhiều công cụ đã được phát triển để giúp phân tích những điều trên.
Chọn lựa các mô hình phù hợp Mô hình tốt nhất để sử dụng phụ thuộc vào tính khả dụng của dữ liệu lịch sử, độ mạnh của mối quan hệ giữa biến dự báo và bất kỳ biến giải thích nào và cách sử dụng dự báo. Đó là cách phổ biến để so sánh hai hoặc ba mô hình tiềm năng. Mỗi mô hình tự nó là một cấu trúc nhân tạo dựa trên một tập hợp các giả định (rõ ràng và ẩn) và thường liên quan đến một hoặc nhiều tham số phải được ước tính bằng cách sử dụng dữ liệu lịch sử đã biết. Sử dụng và đánh giá mô hình dự báo Khi một mô hình đã được chọn và các thông số của nó đã được ước tính, mô hình được sử dụng để đưa ra dự báo.
Khả năng dự báo mô hình chỉ có thể được đánh giá đúng cách sau khi dữ liệu cho giai đoạn dự báo đã trở nên có sẵn [2]. Một số phương pháp đã được phát triển để giúp đỡ trong việc đánh giá tính chính xác của dự báo. 6 do an Chương 2 TỔNG QUAN VỀ ARTIFICIAL NEURAL NETWORK 2. GIỚI THIỆU VỀ ARTIFICIAL NEURAL NETWORK Artificial Neural Network (ANN) là một mô hình toán học hay mô hình tính toán được xây dựng dựa trên các mạng nơ-ron sinh học [3].