Chương 1: Tổng quan về dự báo đữ liệu chuỗi thời gian: Giới thiệu về dự báo dữ liệu chuỗi thời gian, một số mô hình và đặc điểm của ứng dụng và phương pháp đề áp dụng cho bài toán đự báo mực nước sông ở tỉnh Bình Định. Chương 2: Mô hình dự báo kết hợp mạng Arima và noron: Tìm hiểu mô hình Arima, tổng quan về mạng nơron nhân tạo, cấu tạo và phương thức làm việc 2 mạng này khi được kết hợp với nhau. Chương 3: Cài đặt và thử nghiệm: Ứng dụng sự kết hợp giữa Arima và mạng nơron để giải quyết bài toán dự báo mực nước sông An Hoà thuộc sông Bình Định. Chương này giới thiệu về số liệu thu thập được, các phương pháp đánh giá kết quả dự báo và tiến tới thử nghiệm, từ đó đánh giá khả năng ứng dụng phương pháp này vào dự báo chuỗi thời gian tối ưu hơn so với các phương pháp riêng lẻ.
DU BAO DU LIEU CHUOI THOI GIAN 1. LICH SU CUA QUA TRINH DU BAO Nhu cầu dự báo về một sự việc sẽ diễn tiến thế nào trong tương lai đã có từ nhiều thế kỷ trước. Những dự báo đầu tiên là dự báo về các hiện tượng tự nhiên, các hiện tượng xã hội và hiện tượng về đời sống xã hội. Ban đầu dự báo chỉ dựa vào những kinh nghiệm của người dự báo, dần dần dự báo đã được hỗ trợ bởi công nghệ giúp cho kết quả dự báo chính xác hơn.
Có rất nhiều các phương pháp dự báo đã được nghiên cứu và cho ra đời: Phương pháp hồi quy bội, phương pháp Delphi, phương pháp Cross Impact Matrices, phương pháp ARIMA (kết hợp của AR — Autoregressive va MA — Moving Average) [2]. Có rất nhiều cách phân loại dự báo như: Dựa vào thời gian dự báo phân làm ba loại là: Dự báo dài hạn, dự báo trung hạn và dự báo ngắn hạn. Theo phương pháp dự báo lại được phân thành: Dự báo bằng phương pháp chuyên gia, dự báo theo phương trình hồi quy, dự báo dựa vào dãy số thời gian.KHÁI NIỆM DỰ BAO Dự báo là sự tiên đoán có căn cứ khoa học, mang tính chất xác suất về mức độ, nội dung, các mối quan hệ, trạng thái, xu hướng phát triển của đối tượng nghiên cứu hoặc về cách thức và thời hạn đạt được các mục tiêu nhất định đã đề ra trong tương lai. MỤC ĐÍCH DỰ BAO Phân tích dự báo cung cấp thông tin chỉ tiết về đối tượng dự báo, từ đó sẽ đưa ra được hành động chiến lược.
Phân tích dự báo được thực hiện liên tục và cho kết quả đáng tin cậy nhờ có sự hỗ trợ của kỹ thuật. Các quyết định sẽ được đưa ra một cách nhất quán, công bằng. Dự báo sẽ trả lời các câu hỏi phức tạp và xử lý chúng với độ chính xác cao trong khoảng thời gian ngắn nhất. Có những quyết định trước đây phải mat vai ngày hoặc hàng giờ thì nhờ có sự hỗ trợ của khoa học chỉ còn vài phút hoặc vài giây.
Giảm được chi phí do giảm rủi ro.CÁC PHƯƠNG PHÁP DỰ BÁO e Phương pháp định tính: Phương pháp này được sử dụng khi dữ liệu không có sẵn hoặc có sẵn nhưng không đầy đủ đề phân tích và đánh giá. Phương pháp này thường được sử dụng khi đối tượng dự báo bị tác động bởi những yếu tố không thể lượng hóa được. Nguyên tắc của phương pháp này là sử dụng ý kiến đánh giá của một hay nhiều chuyên gia trong lĩnh vực liên quan. Do đó, để đảm bảo tính chính xác của dự báo thì phải loại trừ ý kiến chủ quan của người dự báo.
e Phương pháp định lượng: Sử dụng dữ liệu từ quá khứ hoặc thu thập số liệu của các đối tượng ở hiện tại để dự báo. Với phương pháp định lượng sẽ cho kết quả dự báo nhanh và có thể đo được độ chính xác cao của dự báo. Tuy nhiên, phương pháp này chỉ áp dụng cho dự báo ngắn hạn và trung hạn. e Phương pháp hồi quy tương quan: Các phương pháp dự báo trình bày trên đây đều xem xét sự biến động của đại lượng cần dự báo theo thời gian thông qua dãy số thời gian thống kê được trong quá khứ.
Mô hình hồi quy tương quan được sử dụng phổ biến nhất trong dự báo là mô hình hồi quy tương quan tuyến tính [4]. NHỮNG THÁCH THỨC TRONG PHÂN TÍCH DỰ BÁO Mục đích của dự báo là để giúp cải tiến về hiệu quả. Tuy nhiên, không phải lúc nào dự báo cũng chính xác, một số yếu té ảnh hưởng đến độ chính xác của dự báo là: Trở ngại trong quản lý, dữ liệu, xây dựng mô hình và quá trình triển khai. Những trở ngại trong quản lý.
Thông thường để triển khai mô hình dự báo đòi hỏi có sự chuyên đổi về các nguồn lực cho tổ chức nên cần có sự hỗ trợ từ các nhà lãnh đạo đề chuyền các mô hình từ nghiên cứu sang vận hành. Những trở ngại về dữ liệu. Các mô hình thường yêu cầu dữ liệu dưới dạng mộtbảng hoặc bảng có chứa hàng và cột (dữ liệu hai chiều). Nếu dữ liệu được lưu trữ trong các cơ sở dữ liệu thì cần phải kết nối các cơ sở dữ liệu để tạo ra một bảng.
Trở ngại trong việc xây dựng mô hình. Trở ngại lớn nhất là quá tải, tức là mô hình quá phức tạp và yêu cầu phải ghi nhớ dữ liệu huấn luyện. Hai trở ngại với mô hình là: Thứ nhất mô hình thực hiện kém với dữ liệu mới và việc giải thích mô hình không đáng tin cậy. Thứ hai, các nhà xây dựng mô hình quá tham vọng vào mô hình được xây dựng trên dữ liệu có sẵn trong khoảng thời gian nhất định.
Cách tốt nhất để khắc phục là xây dựng một mô hình đơn giản sau đó có thê được cải tiến sau khi chạy thử nghiệm. Trở ngại trong triển khai mô hình. Thông thường các mô hình không quá phức tạp về mặt tính toán. Tuy nhiên, các mô hình phải được kiểm tra bởi hệ thống hoạt động và đưa ra dự đoán phù hợp với hệ thống đó.
MỘT SÓ MÔ HÌNH ỨNG DỤNG 1.1 Mô hình tuyến tính Đối với các hệ thống tuyến tính (Linear systems), thuộc phạm vi nghiên cứu của lĩnh vực xử lý tín hiệu số (Digital Signal Processing - DSP). DSP quan tâm đến các thao tác tuyến tính, chuyền dịch trạng thái trên dòng dữ liệu. Các thao tác này được thực hiện bởi các bộ lọc. Việc phân tích, thiết kế các bộ lọc một cách hiệu quả là cốt lõi của lĩnh vực này.
Các mô hình tuyến tính biểu diễn chuỗi thời gian như một tổ hợp tuyến tính của các biến thời gian trễ và có thể có hoặc không có việc kết hợp thêm một đại lượng khác là tô hợp tuyến tính của các số hạng của quá trình nhiễu trang (white noise). Cac m6 hinh tuyén tinh tiéu biéu bao gdm: AR (auto regressive — tự hồi quy), MA (moving average — trung binh trot) va ARMA (autoregressive-moving average — Tự hồi quy và trung bình trượt) [8]. Mô hình tự hồi quy (AR) Trong mô hình tự hồi quy, chuỗi thời gian {X,} được mô tả bởi phương trình sau: Xt=O1Xt-] + O2Xt2 ++ OpXt-p+£t (1-1) Trong đó: 6, ¡¬p là các tham số của mô hình € t: nhiéu trang (white noise) Phương trình này được gọi là phương trình biểu diễn của mô hình tự hoi quy bậc p (AR()). Mô hình trung bình di động (MA) Chuỗi thời gian {X,} được gọi là quá trình trung bình di động bậc q (MA(q)) nếu như mỗi quan sát X, của quá trình MA(z) được viết dưới dạng như sau: Xt=Êt+ð IÊ 1+8 25(-2+-: +Ô qễ t~g (1-2) Với {Ê t} là một quá trình nhiễu trắng (white noise) với trung bình bằng 0,8 ¿;_„ là các tham số của mô hình.
Phương trình trên cho thấy mô hình MA hoạt động mà không cần thông tin phản hồi. Có nhiều chuỗi thời gian được làm khớp dựa hoàn toàn trên các thông tin phản hồi, điều này được thực hiện thông qua mô hình tự hồi quy AR. Mô hình tự hồi quy và trung bình trượt (ARMA) Các chuỗi thời gian đôi khi không thê mô hình hóa được bằng MA hay AR do chúng có đặc tính của cả hai quá trình này. Khi đó, để biểu diễn, người ta sử dụng mô hình ARMA, là sự kết hợp của cả hai mô hinh MA va AR [1][10].
Khi đó, quá trình ARMA(0,4) được mô tả như sau: X=Ø¡X. ¡+ +ØpX(p+Ê (+8 pÈ(ị + +8 ,Ê (ạ(1-3) Lúc này, việc dự báo có thể thực hiện được nhờ xác định p và 4. Việc xác định này được thực hiện bởi người thực hiện dự báo thông qua kinh nghiệm. Trong đó, p được xác định dựa trên việc vẽ các hàm tự tương quan một phan (partial autocorrelation functions), đồng thời g được xác định thông qua các hàm tự tương quan (autocorrelation functions).
Điều quan trọng là các mô hình này có thể giải thích được kết quả dự báo thông qua các công cụ trình diễn trên máy tính. Bài luận văn sẽ phân tích kĩ hơn ở chương 2. Mô hình phi tuyến tính a. Mô hình Markov An (Hidden Markov Model) Mô hình Markov ấn (HMM) cũng được sử dụng để dự báo dữ liệu chuỗi thời gian.
Tuy vậy, mô hình này không thích hợp dé giải quyết các vấn đề liên quan đến dữ liệu liên tục. Do vậy, các mô hình HMM đã được hiệu chỉnh để sử dụng trong giải quyết bài toán dự báo chuỗi thời gian. Theo đó, mô hình toán học của nó trở nên quá phức tạp dé áp dụng thuật toán forward- backward xác định các tham số, độ phức tạp của giải thuật này là O(N2), nên rất khó mở rộng cho các tập dữ liệu kích thước lớn [9]. Mạng nơron nhân tạo Việc sử dụng mạng nơron nhân tạo để dự báo chuỗi thời gian đã được nghiên cứu nhiều, do đặc điểm rất phù hợp với các dữ liệu phi tuyến tính.
G2 ® linear}^”^ Ạ (es Xa Input laver Hidden laver Output Người ta sẽ xây dựng tập dữ liệu huấn luyện mạng bằng phương pháp như sau: " Chuẩn hóa dữ liệu. " Xác định khoảng dự báo (horizon of prediction) s. "Chia tập dữ liệu ban đầu thành các tập: huấn luyện (training) (> 50% số mẫu), kiểm tra (test) (1 % -> 30% số mẫu) và tập kiểm định (validation). " Xây dựng tập dữ liệu với mẫu đầu tiên có đầu ra là x/sJ, các đầu vào là các xƒs-1J, x[s-2],.
" Xây dựng mô hình mạng nơ ron áp dụng cho dự báo. Việc xác định cấu trúc tối ưu cần quá trình thử-sai. " Huấn luyện mạng với các thông số khởi tạo trên các tập dữ liệu training, xác định lỗi với tập dữ liệu test để xác định khả năng tổng quát hóa.