Tổng quan về luận án

Bối cảnh khoa học của bài toán dự báo chuỗi thời gian trong kỷ nguyên trí tuệ nhân tạo (AI) đặt ra thách thức lớn khi xử lý các tập dữ liệu lịch sử ngắn, dữ liệu có biên độ dao động phức tạp, độ bất định cao hoặc dữ liệu tự nhiên được ghi nhận dưới dạng từ ngôn ngữ. Luận án tiến sĩ ngành Hệ thống thông tin với đề tài "Mô hình dự báo chuỗi thời gian ngôn ngữ dựa trên đại số gia tử" do NCS. Nguyễn Duy Hiếu thực hiện tại Học viện Khoa học và Công nghệ (Viện Hàn lâm Khoa học và Công nghệ Việt Nam) dưới sự hướng dẫn khoa học của TS. Vũ Như Lân là công trình tiên phong chuyển dịch mô hình tính toán từ không gian mờ xấp xỉ sang tính toán trực tiếp trên ngữ nghĩa định lượng của từ ngôn ngữ.

Khoảng trống nghiên cứu (research gap) trọng tâm bắt nguồn từ hạn chế cố hữu của trường phái Chuỗi thời gian mờ kinh điển (Fuzzy Time Series - FTS) khởi xướng bởi Song & Chissom (1993) và Chen (1996): các phương pháp này bắt buộc phải phân hoạch không gian nền $U$ thành các khoảng rời rạc mang tính chủ quan và gán nhãn tập mờ đại diện, dẫn đến sự đứt gãy giữa nhãn ngôn ngữ và ngữ nghĩa bản thể. Luận án giải quyết triệt để vấn đề này bằng việc ứng dụng Lý thuyết Đại số gia tử (Hedge Algebras - HA) do N. C. Ho và W. Wechler (1990, 1992) đề xuất.

Câu hỏi và giả thuyết nghiên cứu được xác lập tường minh:

  • RQ1: Làm thế nào để xây dựng một mô hình dự báo chuỗi thời gian tính toán trực tiếp trên các giá trị ngôn ngữ mà không cần phân hoạch không gian nền?
  • RQ2: Cơ chế gán trọng số theo tần suất xuất hiện và quy tắc bậc cao tác động như thế nào đến việc giảm thiểu sai số dự báo?
  • RQ3: Giải thuật trí tuệ bầy đàn (PSO) tối ưu hóa các tham số tính mờ $(\alpha, \beta)$ và chọn lọc tập từ tối ưu ra sao nhằm cải thiện độ chính xác dự báo?
  • H1: Mô hình chuỗi thời gian ngôn ngữ (LTS-FM) dựa trên ánh xạ ngữ nghĩa định lượng (SQM) đạt độ chính xác dự báo (đo bằng MSE và MAPE) vượt trội so với các mô hình FTS truyền thống.
  • H2: Tích hợp đồng tối ưu hóa tham số và lựa chọn hạng từ ngôn ngữ (LTSPSCO) giúp tinh giản cấu trúc mô hình trong khi vẫn duy trì sai số cực tiểu.

Khung lý thuyết nền tảng tích hợp Lý thuyết Đại số gia tử Tiên đề hóa, Lý thuyết Tập mờ (Zadeh, 1965) và Kỹ thuật Tính toán mềm Tiến hóa (Particle Swarm Optimization - Eberhart & Kennedy, 1995). Phạm vi thực nghiệm của luận án tập trung trên bộ dữ liệu chuẩn mực quốc tế: Dữ liệu tuyển sinh Đại học Alabama (EUA) 22 năm (1971–1992), dữ liệu sản lượng nông sản Lahi, chuỗi số liệu nhiệt độ Đài Bắc và chỉ số tài chính NASDAQ.

Literature Review và Positioning

Tổng quan y văn quốc tế ghi nhận sự phát triển của dự báo chuỗi thời gian bất định qua ba nhánh chính:

  1. Trường phái FTS kinh điển: Khởi xướng bởi Song & Chissom (1993) với mô hình biến thiên thời gian và bất biến thời gian thông qua tích hợp ma trận quan hệ mờ max-min. Chen (1996) cải tiến vượt bậc bằng cách thay thế toán tử ma trận phức tạp bằng các phép toán số học trên Quan hệ lô-gic mờ (FLR) và Nhóm quan hệ lô-gic mờ (FLRG). Huarng (2001) tiếp tục phát triển các phương pháp heuristic để xác định chiều dài khoảng phân hoạch tối ưu trên không gian nền $U$.
  2. Trường phái FTS lai ghép (Hybrid FTS): Bose & Mali (2019) đã khảo cứu gần 200 công trình giai đoạn 1993–2018, chỉ ra xu hướng kết hợp FTS với mạng nơ-ron nhân tạo (ANN), tập thô (Rough Sets), tập mờ trực cảm (Intuitionistic Fuzzy Sets), và thuật toán bầy đàn (PSO). Tại Việt Nam, các nghiên cứu của Hoàng Tùng và Vũ Minh Lộc (2011–2014) đã bước đầu sử dụng khoảng tính mờ của đại số gia tử để chia khoảng không gian nền.
  3. Trường phái Tính toán trên từ (Computing with Words): Dựa trên cấu trúc đại số và phương pháp tiên đề hóa ngữ nghĩa của Nguyễn Cát Hồ và các cộng sự (1990–2014), chứng minh ngôn ngữ tự nhiên vốn chứa cấu trúc toán học trật tự ngữ nghĩa nội tại.
                  ┌────────────────────────────────────────────────────────┐
                  │          LÝ THUYẾT ĐẠI SỐ GIA TỬ (HA)                  │
                  │         (N. C. Ho & W. Wechler, 1990, 1992)            │
                  │   Cấu trúc tiên đề hóa: AX = (X, G, C, H, ≤)           │
                  └───────────────────────────┬────────────────────────────┘
                                              │
                   Tích hợp Ánh xạ Ngữ nghĩa Định lượng (SQM: v(x))
                                              │
                                              ▼
┌──────────────────────────────────────────────────────────────────────────────────────────┐
│                      MÔ HÌNH CHUỖI THỜI GIAN NGÔN NGỮ (LTS-FM)                            │
│  (Đột phá: Tính toán trực tiếp trên điểm ngữ nghĩa, loại bỏ hoàn toàn việc chia khoảng U)│
└──────────────┬──────────────────────────────┬─────────────────────────────┬──────────────┘
               │                              │                             │
               ▼                              ▼                             ▼
┌─────────────────────────────┐┌─────────────────────────────┐┌─────────────────────────────┐
│    Mở rộng Trọng số &       ││   Đồng Tối ưu Tham số &     ││      Mô hình Bậc cao        │
│   Không gian (WLTS-FM)      ││   Bộ từ (LTSPSO / LTSPSCO)  ││          (HO-LTS)           │
│ Tần suất chuyển đổi lịch sử ││  Tối ưu α, β và kích thước ││     X(t-n)...X(t-1) -> X(t)  │
│  & ánh xạ phi tuyến [0, 1]  ││   tập từ {9, 17, 33, 65}    ││  Nâng cao năng lực dự báo   │
└─────────────────────────────┘└─────────────────────────────┘└─────────────────────────────┘

Tranh luận học thuật cốt lõi diễn ra giữa hai quan điểm đối lập:

  • Quan điểm FTS truyền thống: Cho rằng tính bất định phải được mô hình hóa thông qua việc xây dựng hàm thuộc $\mu(x) \in [0, 1]$ trên các khoảng rời rạc của tập nền.
  • Quan điểm Đại số gia tử của luận án: Khẳng định "chính cấu trúc thông tin trong miền ngôn ngữ sinh ra ngữ nghĩa", do đó việc lượng hóa trực tiếp trật tự ngữ nghĩa thông qua Ánh xạ ngữ nghĩa định lượng (SQM) mang lại tính toán nhất quán, loại bỏ sự tùy tiện của hàm thuộc chủ quan.

Luận án định vị vị trí tiên phong khi thiết lập một hệ thống lý thuyết hoàn chỉnh cho Chuỗi thời gian ngôn ngữ (LTS), so sánh đối chuẩn trực tiếp với mô hình FTS của Song & Chissom (1993), mô hình số học của Chen (1996), mô hình heuristic của Huarng (2001) và các mô hình FTS lai mạng nơ-ron quốc tế.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng Lý thuyết Đại số gia tử của N. C. Ho & W. Wechler (1990, 1992) sang miền bài toán chuỗi thời gian động, thách thức khuôn mẫu xấp xỉ mờ của Zadeh (1965) và Song & Chissom (1993). Công trình đóng góp 4 mệnh đề lý thuyết nền tảng:

  • Proposition 1 (Chuỗi thời gian ngôn ngữ - LTS): Định nghĩa chuỗi quan sát $Y = {x_1, x_2, \dots, x_n}$ với $x_t \in X$ là các hạng từ ngôn ngữ sinh ra từ cấu trúc đại số $AX = (X, G, C, H, \le)$.
  • Proposition 2 (Quan hệ lô-gic ngôn ngữ - LLR và LLRG): Thiết lập quy tắc diễn dịch $x_i \to x_j$ và gom nhóm các quan hệ cùng vế trái $x_i \to x_{j_1}, x_{j_2}, \dots, x_{j_m}$ dựa trên trật tự ngữ nghĩa thuần túy.
  • Proposition 3 (Dự báo trên ánh xạ SQM): Giá trị dự báo tại thời điểm $t+1$ được xác lập bằng phép toán đại số trên tập các giá trị ngữ nghĩa định lượng $v(x_{j_k}) = SQM(x_{j_k})$: $$v(x_{t+1}) = \frac{1}{m} \sum_{k=1}^{m} v(x_{j_k})$$
  • Proposition 4 (Chuyển dịch Paradigm): Thay thế toàn bộ quá trình "Chia khoảng $\to$ Định nghĩa hàm thuộc $\to$ Mờ hóa $\to$ Giải mờ" bằng quy trình "Lượng hóa ngữ nghĩa SQM $\to$ Thiết lập LLR/LLRG $\to$ Giải ngữ nghĩa trực tiếp".

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp chặt chẽ 3 lý thuyết: Lý thuyết Đại số gia tử (Axiomatic Hedge Algebras), Lý thuyết Chuỗi thời gian rời rạc (Discrete Time Series Analysis), và Lý thuyết Tối ưu hóa bầy đàn sinh học (Swarm Intelligence).

                             KHUNG PHÂN TÍCH ĐỘC ĐÁO LTS-FM
                             
  DỮ LIỆU ĐẦU VÀO               XỬ LÝ ĐẠI SỐ GIA TỬ                DỰ BÁO NGỮ NGHĨA
┌─────────────────┐            ┌──────────────────────┐           ┌─────────────────┐
│ Chuỗi số liệu   │            │ Ánh xạ Định lượng    │           │ Thiết lập LLR / │
│ lịch sử x(t)    │ ─────────► │ SQM: v(x) thuộc [0,1]│ ────────► │ Nhóm LLRG       │
│ hoặc chuỗi từ   │            │ Tham số: α, β        │           │ Quy tắc bậc k   │
└─────────────────┘            └──────────────────────┘           └────────┬────────┘
                                                                           │
                                                                           ▼
┌─────────────────┐            ┌──────────────────────┐           ┌─────────────────┐
│ ĐÁNH GIÁ ĐỘ ĐO  │            │ GIẢI NGỮ NGHĨA       │           │ TÍNH TOÁN SQM   │
│ MSE, RMSE, MAPE │ ◄───────── │ Phép biến đổi ngược  │ ◄──────── │ v(x_forecast)   │
│ và kiểm định DA │            │ Tuyến tính/Phi tuyến │           │ Trung bình cộng │
└─────────────────┘            └──────────────────────┘           └─────────────────┘

Điều kiện biên (boundary conditions) của mô hình được xác định tường minh: Miền ngôn ngữ được xây dựng trên hai phần tử sinh đối nghịch $c^- = \text{negative}$, $c^+ = \text{positive}$ thỏa mãn $c^- \le c^+$, tập gia tử âm $H^- = {L, R}$ và tập gia tử dương $H^+ = {M, V, E}$ với điều kiện bảo toàn độ đo tính mờ $\sum \mu(h^-) + \sum \mu(h^+) = 1$.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu vận dụng thế giới quan Thực chứng luận Tiên đề hóa (Axiomatic Positivism) và chủ nghĩa Hiện thực suy diễn logic. Thiết kế nghiên cứu đa tầng kết hợp phương pháp mô hình hóa toán học hình thức với thực nghiệm tính toán mô phỏng chuyên sâu trên máy tính.

Cấu trúc thiết kế đa tầng bao gồm:

  • Tầng 1 (Cơ sở toán học): Xây dựng không gian ngữ nghĩa định lượng từ hệ tiên đề đại số gia tử.
  • Tầng 2 (Mô hình hóa động lực): Xây dựng mô hình bậc nhất LTS-FM, mô hình có trọng số WLTS-FM, và mô hình bậc cao HO-LTS ($n$-order).
  • Tầng 3 (Tối ưu hóa tiến hóa): Triển khai thuật toán LTSPSO và LTSPSCO tìm kiếm bộ tham số tối ưu toàn cục.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu tuân thủ nghiêm ngặt 4 nguyên tắc tam giác hóa (Triangulation): Tam giác hóa lý thuyết (kết hợp HA, FTS, PSO), tam giác hóa dữ liệu (kiểm thử trên các miền dữ liệu giáo dục, nông nghiệp, tài chính, khí tượng), tam giác hóa phương pháp (so sánh mô hình tuyến tính, phi tuyến, bậc thấp, bậc cao), và tam giác hóa chỉ số đánh giá (đối chuẩn đồng thời qua nhiều thang đo sai số).

Độ tin cậy và tính hợp thức của nghiên cứu được kiểm soát qua các hệ số định lượng chính xác:

  • Độ đo tính mờ của phần tử sinh âm: $\alpha = fm(c^-) = v(\theta) \in (0, 1)$.
  • Tổng độ đo tính mờ của các gia tử: $\beta = \sum_{j=1}^{q} \mu(h_j)$ và $\theta = \sum_{i=-p}^{-1} \mu(h_i) = 1 - \beta$.
  • Tính hợp thức cấu trúc (Construct Validity) được bảo đảm nhờ tính đẳng cấu thứ tự của ánh xạ $SQM: X \to [0, 1]$ phủ kín đoạn đơn vị.
┌──────────────────────────────────────────────────────────────────────────────────────────┐
│                QUY TRÌNH NGHIÊN CỨU VÀ TỐI ƯU HÓA ĐỒNG THỜI (LTSPSCO)                    │
├──────────────────────────────────────────────────────────────────────────────────────────┤
│ [Dữ liệu lịch sử] ──► [Sinh bộ từ X(k): 9, 17, 33, 65] ──► [Mô hình hóa SQM: v(x)]      │
│                                                                        │                 │
│ ┌──────────────────────────────────────────────────────────────────────┴───────────────┐ │
│ │                  VÒNG LẶP TIẾN HÓA BẦY ĐÀN (PSO OPTIMIZATION)                        │ │
│ │  - Cập nhật vị trí cá thể: x_i(t+1) = x_i(t) + v_i(t+1)                               │ │
│ │  - Vận tốc: v_i(t+1) = w*v_i(t) + c1*r1*(pbest - x_i) + c2*r2*(gbest - x_i)           │ │
│ │  - Tối ưu tham số (α, β) ◄──► Chọn lọc k từ tối ưu (14 từ / 16 từ)                   │ │
│ └──────────────────────────────────────┬───────────────────────────────────────────────┘ │
│                                        ▼                                                 │
│ [Thiết lập LLR / LLRG] ──► [Tính toán dự báo] ──► [Kiểm định MSE, RMSE, MAPE, DA]        │
└──────────────────────────────────────────────────────────────────────────────────────────┘

Data và phân tích

Nghiên cứu sử dụng các bộ dữ liệu thực tế:

  • Tập dữ liệu EUA (Enrollment of University of Alabama): 22 quan sát (1971–1992), với khoảng giá trị thực tế từ 13.055 đến 19.337 sinh viên.
  • Tập dữ liệu Nông sản Lahi: 23 quan sát năng suất nông nghiệp qua các mùa vụ.
  • Tập dữ liệu Khí tượng Đài Bắc: Nhiệt độ hàng ngày.
  • Tập dữ liệu Tài chính NASDAQ: Chỉ số 6 tháng đầu năm 2021.

Kỹ thuật phân tích tiên tiến được lập trình và tối ưu hóa trên máy tính điện tử, ứng dụng giải thuật PSO với các thông số: Quần thể $P = 30-50$ hạt, hệ số quán tính $w = 0.7$, hệ số nhận thức xã hội và cá nhân $c_1 = c_2 = 2.0$, số vòng lặp tối đa $T_{max} = 100-200$. Thử nghiệm đa dạng với các bộ từ có độ sâu $k$ khác nhau: 9 từ, 17 từ, 33 từ, và 65 hạng từ ngôn ngữ.

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Loại bỏ hoàn toàn việc chia khoảng tùy tiện: Luận án chứng minh rằng "phương pháp tính toán dự báo được thực hiện trực tiếp trên ngữ nghĩa định lượng của các từ ngôn ngữ... không thực hiện chia khoảng không gian nền, mà dựa trực tiếp trên các điểm ngữ nghĩa", giúp đơn giản hóa cấu trúc tính toán số học đáng kể.
  2. Ưu thế vượt trội về sai số dự báo: Trên bộ dữ liệu chuẩn EUA, mô hình LTS-FM và các mở rộng (WLTS-FM, HO-LTS) đạt chỉ số $MSE$ và $MAPE$ thấp hơn rõ rệt so với mô hình gốc của Song & Chissom (1993) và Chen (1996). Cụ thể, mô hình có trọng số WLTS-FM phản ánh chính xác tần suất lặp lại của quan hệ lịch sử, hạn chế sai số tích lũy.
  3. Hiện tượng bão hòa độ dài bộ từ: Thử nghiệm đối chứng giữa các bộ 9 từ, 17 từ, 33 từ và 65 từ cho thấy sai số không giảm tuyến tính vô hạn khi tăng số lượng từ. Bộ 17 từ và 33 từ cho độ cân bằng tối ưu giữa chi phí tính toán và độ chính xác.
  4. Hiệu quả của giải thuật đồng tối ưu LTSPSCO: Việc tối ưu hóa đồng thời tham số tính mờ $(\alpha, \beta)$ kết hợp tinh lọc chọn 14 từ hoặc 16 từ tối ưu từ tập 65 từ ban đầu mang lại giá trị MSE thấp hơn việc sử dụng toàn bộ 65 từ chưa qua tối ưu.
  5. Năng lực vượt trội của mô hình bậc cao HO-LTS: Thiết lập các quan hệ logic ngôn ngữ bậc 2 và bậc 3 ($X(t-2), X(t-1) \to X(t)$) giúp nắm bắt các quy luật biến thiên phi tuyến phức tạp trong chuỗi thời gian ngắn.
+-----------------------------------------------------------------------------------------+
|                  SO SÁNH ĐỐI CHUẨN HIỆU NĂNG DỰ BÁO TRÊN DỮ LIỆU EUA                    |
+=========================+=============================+=================================+
| Mô hình dự báo          | Cơ chế tính toán            | Đánh giá sai số (MSE / MAPE)    |
+-------------------------+-----------------------------+---------------------------------+
| Song & Chissom (1993)   | Phân hoạch U, ma trận mờ    | Sai số MSE cao, tính toán lớn   |
| Chen (1996)             | Phân hoạch U, số học FLRG   | Trung bình, phụ thuộc phân chia |
| Huarng (2001)           | Phân hoạch Heuristic        | Cải thiện nhẹ, chưa có tiên đề  |
| LTS-FM (Luận án)        | SQM trực tiếp trên bộ từ HA | Giảm rõ rệt MSE, không chia U   |
| WLTS-FM (Luận án)       | SQM gán trọng số tần suất   | Độ chính xác vượt trội FTS      |
| LTSPSCO + HO-LTS        | Đồng tối ưu PSO + Bậc cao   | Đạt độ chính xác tối ưu         |
+-------------------------+-----------------------------+---------------------------------+

Implications đa chiều

  • Về mặt lý thuyết: Luận án mở rộng biên giới của Lý thuyết Đại số gia tử sang lĩnh vực dự báo chuỗi thời gian, đóng góp cho Lý thuyết Trí tuệ nhân tạo khả giải (Explainable AI - XAI) nhờ khả năng diễn giải ngữ nghĩa minh bạch của từng bước dự báo.
  • Về mặt phương pháp luận: Cung cấp quy trình mô hình hóa chuỗi thời gian mới cho cộng đồng khoa học máy tính và hệ thống thông tin, có khả năng tổng quát hóa cho các chuỗi dữ liệu đa nhân tố (Multivariate Time Series).
  • Về mặt ứng dụng thực tiễn: Ứng dụng trực tiếp vào các hệ thống hỗ trợ ra quyết định tự động trong dự báo phụ tải điện năng lượng, năng suất cây trồng nông nghiệp vụ mùa, diễn biến chỉ số chứng khoán và quản lý tuyển sinh đại học.
  • Về chính sách: Đề xuất công cụ khoa học phục vụ hoạch định chính sách kinh tế - xã hội dựa trên dữ liệu định tính và định lượng tích hợp, thích ứng tốt với bối cảnh dữ liệu vĩ mô không đầy đủ hoặc có độ nhiễu cao.

Limitations và Future Research

Luận án thẳng thắn chỉ ra 4 giới hạn nghiên cứu cụ thể:

  1. Phạm vi dữ liệu thực nghiệm: Các thực nghiệm chủ yếu tập trung trên chuỗi thời gian đơn biến một nhân tố (Single-factor Time Series); việc mở rộng sang đa nhân tố (M-factor) mới dừng ở mức đề xuất khung khái niệm.
  2. Quy mô mẫu chuỗi lịch sử: Kích thước chuỗi dữ liệu chuẩn trong các bài toán đối chuẩn quốc tế (như EUA với $N = 22$) mang tính chuỗi ngắn, cần được kiểm chứng trên các tập dữ liệu lớn (Big Data) thời gian thực với hàng triệu bản ghi.
  3. Mô hình gia tử cố định: Nghiên cứu chủ yếu khai thác cấu trúc đại số gia tử với 2 phần tử sinh và 2 gia tử đối dấu cơ bản; chưa khảo sát toàn diện các cấu trúc đại số gia tử đối xứng mở rộng phức tạp hơn.
  4. Giả định tính dừng cục bộ: Mô hình phụ thuộc vào giả định các quy luật quan hệ logic ngôn ngữ LLR được bảo toàn trong cửa sổ dự báo tương lai.

Chương trình nghiên cứu 5–10 năm tới bao gồm:

  • Mở rộng mô hình sang Chuỗi thời gian ngôn ngữ đa nhân tố (Multivariate LTS-FM) kết hợp cơ chế chú ý (Attention Mechanism).
  • Lai ghép mô hình HO-LTS với kiến trúc học sâu (Deep Learning) như Transformer và Graph Neural Networks (GNN) để xử lý chuỗi không gian - thời gian (Spatio-temporal).
  • Nghiên cứu mô hình LTS thích nghi động theo thời gian thực (Online Adaptive LTS-FM) tự động tái cấu trúc tập từ ngôn ngữ khi phát hiện sự dịch chuyển phân phối dữ liệu (Concept Drift).
  • Ứng dụng đại số gia tử khoảng (Interval Hedge Algebras) để biểu diễn độ không chắc chắn bậc hai trong dự báo tài chính rủi ro cao.

Tác động và ảnh hưởng

  • Tác động học thuật: Mở ra nhánh nghiên cứu hoàn toàn mới về "Dự báo chuỗi thời gian ngôn ngữ" (Linguistic Time Series Forecasting). Công trình cung cấp nền tảng toán học chuẩn xác, có tiềm năng trích dẫn cao trong các tạp chí Q1/Q2 chuyên ngành IEEE Transactions on Fuzzy Systems, Information Sciences, và Applied Soft Computing.
  • Chuyển đổi công nghiệp: Cung cấp giải pháp phần mềm dự báo chi phí thấp, không đòi hỏi hạ tầng tính toán siêu máy tính như các mô hình Deep Learning nghìn tỷ tham số, đặc biệt hữu ích cho các doanh nghiệp vừa và nhỏ (SMEs) trong tối ưu hóa chuỗi cung ứng và quản trị tồn kho.
  • Tác động xã hội: Giúp các cơ quan khí tượng thủy văn và nông nghiệp tại các quốc gia đang phát triển đưa ra cảnh báo sớm về thiên tai, hạn hán, năng suất mùa vụ từ các mô tả ngôn ngữ định tính của chuyên gia bản địa.

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Nhà khoa học trẻ: Tiếp cận một hướng đi mới mẻ, vượt ra ngoài lối mòn của FTS truyền thống, khai thác các khoảng trống nghiên cứu về chuỗi thời gian đa biến, chuỗi thời gian ngôn ngữ không gian.
  • Giảng viên & Chuyên gia AI cao cấp: Tài liệu học thuật chuẩn mực trong giảng dạy chuyên đề cao học về Đại số gia tử, Tính toán mềm và Xử lý tri thức bất định.
  • Kỹ sư R&D & Doanh nghiệp công nghệ: Sở hữu thuật toán dự báo gọn nhẹ, tốc độ thực thi nhanh, tiêu hao tài nguyên thấp để tích hợp vào các thiết bị IoT và hệ thống nhúng thông minh.
  • Các nhà hoạch định chính sách: Tiếp cận công cụ dự báo định tính hỗ trợ phân tích kịch bản kinh tế vĩ mô trong điều kiện biến động bất định.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì?
Đó là việc mở rộng Lý thuyết Đại số gia tử (Ho & Wechler, 1990) để khai sinh khái niệm Chuỗi thời gian ngôn ngữ (LTS), xây dựng phép tính toán dự báo trực tiếp trên Ánh xạ ngữ nghĩa định lượng (SQM), chứng minh bằng tiên đề rằng không cần phân hoạch không gian nền $U$ thành các khoảng rời rạc như toàn bộ các mô hình FTS suốt 30 năm qua (1993–2022).

2. Điểm cải tiến phương pháp luận so với các nghiên cứu tiền nhiệm quốc tế?
So với mô hình giải tích mờ của Song & Chissom (1993) và mô hình số học của Chen (1996), luận án đã thay thế việc gán nhãn tập mờ trực giác bằng việc lượng hóa hình thức trật tự ngôn ngữ thông qua hàm dấu $sign(x)$ và độ đo tính mờ $fm(x)$. Đồng thời, so với các nghiên cứu của Hoàng Tùng & Vũ Minh Lộc (chỉ dùng HA để chia khoảng), luận án tính toán thuần túy trên điểm ngữ nghĩa của từ.

3. Phát hiện bất ngờ nhất từ kết quả thực nghiệm là gì?
Sự gia tăng số lượng từ ngôn ngữ (tăng độ sâu của đại số gia tử từ 9 từ lên 65 từ) không đồng nghĩa với việc sai số dự báo MSE giảm liên tục. Hiện tượng bão hòa ngữ nghĩa xảy ra do quá nhiều quan hệ LLR thưa thớt (sparse relations), và giải thuật đồng tối ưu LTSPSCO chọn lọc 14 hoặc 16 từ tối ưu mang lại độ chính xác cao hơn tập 65 từ nguyên bản.

4. Luận án có cung cấp quy trình tái lập (Replication Protocol) không?
Có. Toàn bộ các công thức giải tích đệ quy xác định độ đo tính mờ, ánh xạ SQM, các bảng chuyển đổi quan hệ LLR/LLRG trên bộ dữ liệu EUA, các tham số khởi tạo PSO ($w, c_1, c_2, P, T_{max}$) đều được trình bày minh bạch, cho phép cộng đồng học thuật độc lập tái lập thực nghiệm 100%.

5. Lộ trình phát triển nghiên cứu 10 năm tới được phác thảo như thế nào?
Tập trung vào 3 trụ cột: (1) Mở rộng hệ tiên đề Đại số gia tử cho chuỗi ngôn ngữ đa biến; (2) Lai ghép sâu với Deep Learning tạo mô hình XAI tự động học tham số ngữ nghĩa; (3) Triển khai hệ thống dự báo thời gian thực trên nền tảng dữ liệu lớn.

Kết luận

Luận án tiến sĩ của NCS. Nguyễn Duy Hiếu là một công trình khoa học xuất sắc, thể hiện năng lực nghiên cứu hệ thống và tư duy đột phá trong lĩnh vực Khoa học Máy tính và Hệ thống Thông tin. Tựu trung lại, công trình mang lại 6 đóng góp cốt lõi:

  1. Đề xuất hệ thống khái niệm hoàn chỉnh về Chuỗi thời gian ngôn ngữ (LTS), Quan hệ lô-gic ngôn ngữ (LLR) và Nhóm quan hệ lô-gic ngôn ngữ (LLRG).
  2. Xây dựng mô hình dự báo chuỗi thời gian ngôn ngữ (LTS-FM) tính toán trực tiếp trên giá trị ngữ nghĩa định lượng (SQM), giải phóng bài toán dự báo khỏi sự phụ thuộc vào phân hoạch tập nền.
  3. Phát triển mô hình có trọng số WLTS-FM tích hợp tần suất xuất hiện lịch sử và cơ chế ánh xạ phi tuyến.
  4. Tích hợp trí tuệ bầy đàn xây dựng hai giải thuật tối ưu tiến hóa chuyên biệt: LTSPSO (tối ưu tham số) và LTSPSCO (đồng tối ưu tham số và cấu trúc bộ từ).
  5. Mở rộng mô hình dự báo ngôn ngữ bậc cao HO-LTS giải quyết các bài toán chuỗi thời gian có động lực học phi tuyến phức tạp.
  6. Xác lập một bước tiến mô hình (Paradigm Shift) vững chắc, khẳng định tính đúng đắn và nâng tầm năng lực ứng dụng thực tiễn của Lý thuyết Đại số gia tử Việt Nam trên bản đồ khoa học quốc tế.