Bối cảnh và vấn đề nghiên cứu

Sự bùng nổ của các mô hình học máy (Machine Learning), học sâu (Deep Learning) và đặc biệt là các mô hình ngôn ngữ lớn (Large Language Models - LLMs) kéo theo nhu cầu thu thập và sử dụng dữ liệu quy mô lớn trong nhiều lĩnh vực như y tế, năng lượng, khí hậu và tài chính. Tuy nhiên, việc khai thác dữ liệu thực tế (real-world data) đang gặp phải các rào cản nghiêm trọng:

  • Vấn đề số lượng (Quantity): Dữ liệu chuyên ngành đòi hỏi chi phí và quy trình thu thập phức tạp từ các chuyên gia (ví dụ: dữ liệu y tế, đo mức đường huyết, theo dõi giấc ngủ qua thiết bị đeo).
  • Vấn đề chất lượng (Quality): Tồn tại tình trạng thiếu khuyết giá trị (missing values), nhiễu và ngoại lai (outliers) do sai sót trong quá trình đo đạc, khảo sát.
  • Vấn đề mất cân bằng (Imbalance): Các sự kiện quan trọng nhưng hiếm gặp (như gian lận tài chính, sự cố lưới điện) thường chiếm tỷ trọng rất nhỏ trong chuỗi lịch sử.
  • Vấn đề quyền riêng tư và bản quyền (Privacy & Copyrights): Các quy định pháp lý và quyền riêng tư ngăn cản việc chia sẻ trực tiếp dữ liệu nhạy cảm.

Dữ liệu chuỗi thời gian tổng hợp (Synthetic Time-Series Data) nổi lên như một giải pháp thay thế phục vụ tăng cường dữ liệu (Data Augmentation), mô phỏng kịch bản hiếm (Simulation) và bảo vệ quyền riêng tư (Data Privacy). Mặc dù các mô hình sinh dữ liệu dạng GAN (Generative Adversarial Networks) và RNN (Recurrent Neural Networks) đã được nghiên cứu, GAN thường gặp trở ngại về tính ổn định khi huấn luyện, trong khi RNN khó nắm bắt các phụ thuộc dài hạn. Các mô hình sinh dựa trên Variational Autoencoder (VAE) kết hợp suy diễn biến phân xác suất và mạng nơ-ron sâu mang lại tiềm năng lớn nhưng chưa được so sánh hệ thống trên dữ liệu chuỗi thời gian.

Mục tiêu và nhiệm vụ của khóa luận bao gồm:

  1. Tổng quan cơ sở lý thuyết về chuỗi thời gian, mạng nơ-ron nhân tạo và cơ chế suy diễn biến phân trong VAE.
  2. Phân tích kiến trúc chuyên sâu của hai mô hình sinh chuỗi thời gian tiên tiến dựa trên VAE: TimeVAETimeVQVAE.
  3. Thực hiện phân tích so sánh định lượng và định tính thông qua nền tảng chuẩn đối sánh TSGBench cùng các nghiên cứu triệt tiêu (Ablation Studies).
  4. Đưa ra hướng dẫn lựa chọn mô hình (Model Selection) cho các tác vụ sinh dữ liệu chuỗi thời gian thực tế.

Đối tượng và phạm vi nghiên cứu: Khóa luận tập trung vào dữ liệu chuỗi thời gian đơn biến (univariate) và đa biến (multivariate) từ các tập dữ liệu chuẩn trong benchmark và các bài toán thực tế (chất lượng không khí, năng lượng thiết bị, chứng khoán, giao thông), không bao gồm việc triển khai sản phẩm phần mềm thương mại.


Cơ sở lý thuyết và phương pháp

Khung lý thuyết và mô hình nền tảng

Khóa luận thiết lập nền tảng toán học và kỹ thuật học sâu thông qua các khối kiến trúc:

  • Mạng nơ-ron nhân tạo và các biến thể: Mạng truyền thẳng (Feed-Forward Neural Networks), Mạng nơ-ron tái phát (RNN) với cơ chế trạng thái ẩn (hidden states), Mạng nơ-ron tích chập (CNN) với phép toán tương quan chéo (cross-correlation) giúp trích xuất đặc trưng không gian - thời gian hiệu quả.
  • Kiến trúc Transformer: Cơ chế chú ý (Attention Mechanism) với bộ ba Query - Key - Value ($Q, K, V$), Multi-Head Attention, Positional Encoding và cấu trúc Encoder - Decoder phục vụ xử lý chuỗi song song.
  • Biến đổi Fourier thời gian ngắn (STFT & ISTFT): Phân tích tín hiệu phi dừng bằng cách chia tín hiệu thành các cửa sổ trượt có trọng số $w(t-\tau)$, chuyển đổi qua miền tần số $X(\tau, \omega) = \int_{-\infty}^{\infty} x(t)w(t-\tau)e^{-i\omega t} dt$ và tái tạo lại miền thời gian thông qua phương pháp chồng-cộng (Overlap-Add - OLA).
  • Variational Autoencoders (VAE): Tiếp cận không gian ẩn từ góc độ xác suất. Mô hình tối ưu hóa Cận dưới Bằng chứng (Evidence Lower Bound - ELBO): $$\text{ELBO}(X) = \sum_{i=1}^N \left( \mathbb{E}{z \sim q\phi(z|x_i)} [\log p_\theta(x_i|z)] - D_{KL}(q_\phi(z|x_i) \parallel p(z)) \right)$$ trong đó $D_{KL}$ là độ phân kỳ Kullback-Leibler đo lường khoảng cách giữa phân phối hậu nghiệm xấp xỉ $q_\phi(z|x)$ và phân phối tiên nghiệm chuẩn $p(z) = \mathcal{N}(0, I)$. Kỹ thuật tái tham số hóa (Reparameterization Trick: $z = \mu + \sigma \odot \epsilon$, với $\epsilon \sim \mathcal{N}(0, I)$) được áp dụng để cho phép lan truyền ngược qua các biến ngẫu nhiên.

Phương pháp nghiên cứu và nguồn dữ liệu

Nghiên cứu sử dụng phương pháp thực nghiệm so sánh định lượng kết hợp phân tích triệt tiêu (ablation analysis) dựa trên các nguồn dữ liệu:

  • Dữ liệu chuẩn đối sánh TSGBench: Tập hợp đa dạng gồm dữ liệu chứng khoán (Stock), tỷ giá hối đoái (Exchange), dữ liệu lưu lượng giao thông Dodger Loop Game (DLG), và dữ liệu hệ thống nồi hơi (Boiler).
  • Dữ liệu thực nghiệm của TimeVAE:
    • Air: 9.333 mẫu, 15 đặc trưng đo lường chất lượng không khí theo giờ.
    • Energy: 19.711 mẫu, 28 chiều dữ liệu dự báo tiêu thụ năng lượng thiết bị gia dụng.
    • Sine: 10.000 mẫu chuỗi hình sin 5 chiều tổng hợp với tần số, biên độ và pha biến thiên.
    • Stockv: 3.919 mẫu (10 năm) dữ liệu giá đóng cửa cổ phiếu từ Yahoo Finance.
  • Dữ liệu thực nghiệm của TimeVQVAE: Các tập dữ liệu chuỗi thời gian từ kho lưu trữ chuẩn UCR Archive và tập dữ liệu giao thông DodgerLoopDay.

Nội dung chính theo từng chương

Chương 1: Giới thiệu tổng quan (Introduction)

Chương 1 làm rõ vai trò của dữ liệu chuỗi thời gian trong các bài toán chẩn đoán y tế (dự báo đường huyết, theo dõi giấc ngủ), quản lý năng lượng (giám sát phụ tải phi xâm nhập qua tập dữ liệu UK-DALE, dự báo tải hệ thống cấp nhiệt quận tại Thiên Tân). Tác giả phân loại các phương pháp sinh dữ liệu tổng hợp thành hai nhóm chính:

  1. Phương pháp dựa trên chỉnh sửa (Modification-based): Thao tác trên các điểm dữ liệu sẵn có để xử lý ngoại lai, không thể gia tăng kích thước dữ liệu và khả năng bảo vệ quyền riêng tư kém.
  2. Phương pháp dựa trên mô hình sinh (Generation-based): Lấy mẫu từ các phân phối thống kê hoặc học phân phối phức tạp thông qua mô hình học sâu.

Chương này cũng nhấn mạnh khía cạnh đạo đức khi tạo dữ liệu nhân tạo, cảnh báo nguy cơ sử dụng dữ liệu giả mạo trong nghiên cứu khoa học và xác lập phạm vi so sánh giữa TimeVAE và TimeVQVAE.

Chương 2: Tổng quan nghiên cứu và cơ sở lý thuyết (Related Work and Background)

Chương 2 tổng hợp các nghiên cứu tiền đề trong lĩnh vực mô hình sinh sâu. Bên cạnh các mô hình GAN như TimeGAN (sử dụng Stepwise Supervised Loss để nắm bắt động lực thời gian), chương này đi sâu vào cơ sở toán học của VAE:

  • Thiết lập công thức xấp xỉ phân phối hậu nghiệm bằng suy diễn biến phân.
  • Chứng minh công thức ELBO thông qua bất đẳng thức Jensen.
  • Phân tích vai trò của biến đổi STFT/ISTFT trong việc phân tách thành phần tần số của tín hiệu phi dừng, đặt nền tảng cho việc thiết kế không gian ẩn rời rạc.

Chương 3: Các phương pháp sinh chuỗi thời gian dựa trên VAE (VAE-based Time Series Generation methods)

Chương này đi sâu vào chi tiết kiến trúc của hai mô hình trọng tâm:

  1. TimeVQVAE: Vận dụng lượng tử hóa vector (Vector Quantization - VQ) kết hợp biến đổi miền thời gian - tần số qua hai giai đoạn:

    • Giai đoạn 1 (Lượng tử hóa Vector): Tín hiệu được áp dụng STFT để tách thành hai nhánh: tần số thấp (Low-Frequency - LF) và tần số cao (High-Frequency - HF). Bộ mã hóa $E_{LF}$ (tỷ lệ giảm mẫu cao hơn) và $E_{HF}$ (tỷ lệ giảm mẫu thấp hơn) đưa tín hiệu vào không gian ẩn liên tục, sau đó ánh xạ vào từ điển vector rời rạc (codebook) bằng phép toán tìm vector gần nhất ($\text{argmin}$). Bộ giải mã dùng ISTFT tái tạo lại tín hiệu.
    • Giai đoạn 2 (Học phân phối tiên nghiệm): Đóng băng các khối lượng tử hóa, huấn luyện mô hình Transformer hai chiều (lấy cảm hứng từ MaskGIT) để học phân phối đồng thời $p(\hat{s}{LF}|s{LF}^M) \cdot p(\hat{s}{HF}|s{LF}, s_{HF}^M)$. Quá trình giải mã lặp qua hai lượt: giải mã chuỗi LF trước để lấy ngữ cảnh toàn cục, sau đó giải mã chuỗi HF có điều kiện trên LF. Mô hình hỗ trợ lấy mẫu có điều kiện theo lớp (class-conditional) với trọng số hướng dẫn $\alpha_g$ và tỷ lệ lấy mẫu không điều kiện $p_{uncond} = 0.1$.
  2. TimeVAE: Tập trung vào khả năng diễn giải (Interpretability) và tích hợp tri thức miền:

    • Kiến trúc cơ sở (Base TimeVAE): Bộ mã hóa gồm các lớp tích chập (Conv) kết hợp lớp kết nối đầy đủ (Dense) chiếu lên phân phối Gaussian; bộ giải mã đối xứng thực hiện tái cấu trúc dữ liệu qua các lớp giải tích chập (Deconvolutional).
    • TimeVAE có khả năng diễn giải: Bổ sung các khối giải mã song song chuyên biệt: Khối Xu hướng (Trend Block) mô hình hóa hàm đa thức đơn điệu bậc $P$ (kế thừa từ mô hình N-BEATS), và Khối Mùa vụ (Seasonality Block) ước lượng ma trận hệ số $\hat{\theta}_{sn}$ kích thước $N \times D \times m$ để tái hiện $S$ mẫu chu kỳ mùa vụ khác nhau.

Chương 4: Phương pháp so sánh (Method for Comparison)

Chương 4 thiết lập khung đánh giá dựa trên bộ công cụ chuẩn đối sánh TSGBench với hệ thống chỉ số đo lường toàn diện:

  • Chỉ số dựa trên mô hình (Model-based): Điểm phân biệt (Discriminative Score - DS) và Contextual-FID (C-FID) - phiên bản đánh giá độ tương đồng biểu diễn đặc trưng theo ngữ cảnh thời gian.
  • Chỉ số dựa trên khoảng cách (Distance-based): Khoảng cách Euclid (ED) đo lường sai lệch từng điểm theo thời gian cố định và Dynamic Time Warping (DTW) đo lường độ tương đồng hình dạng chuỗi khi có sự co giãn, lệch pha thời gian.
  • Chỉ số đặc trưng & hiệu năng: Sai khác phân phối biên (MDD) và Thời gian huấn luyện (Training Time).

Tác giả trình bày rõ hạn chế về tính tái lập độc lập của TSGBench do mã nguồn gốc thiếu hướng dẫn chi tiết và yêu cầu tính toán quá lớn (chạy thử nghiệm mô hình TimeVAE trên tập dữ liệu Boiler với GPU RTX 4090 mất khoảng 2 giờ chỉ cho 10% số epoch), từ đó quyết định trích xuất kết quả benchmark trực tiếp từ công bố gốc của Ang et al. (2023) kết hợp với việc tự thực hiện các nghiên cứu triệt tiêu (Ablation Study).

Chương 5: Kết quả thực nghiệm và nghiên cứu triệt tiêu (Experimental Results and Ablation Studies)

Nội dung chương 5 trình bày và diễn giải chi tiết các quan sát thực nghiệm:

  • So sánh trên TSGBench: Cả TimeVAE và TimeVQVAE đều đạt hiệu năng vượt trội ở chỉ số C-FID, ED và DTW so với các họ mô hình khác nhờ khả năng học không gian ẩn biến phân và hàm mất mát tái tạo.
  • Hiệu quả huấn luyện và tính chất dữ liệu: TimeVAE vượt trội hoàn toàn về tốc độ huấn luyện do cấu trúc tích chập đơn giản; hoạt động rất tốt trên dữ liệu có xu hướng/mùa vụ rõ ràng như Stock và Exchange. Ngược lại, TimeVQVAE vượt trội trên dữ liệu giao thông phức tạp (DLG) nhờ cơ chế tách dải tần LF/HF.
  • Triệt tiêu TimeVAE: So sánh giữa Dense VAE, Convolutional VAE và TimeVAE trên 4 tập dữ liệu (Air, Energy, Sine, Stockv). Kết quả biểu đồ t-SNE và phân phối cho thấy Dense VAE cho chất lượng kém nhất; Convolutional VAE cải thiện rõ rệt nhờ nắm bắt cấu trúc cục bộ; Base TimeVAE hoàn chỉnh đạt độ khớp cao nhất về hình dạng chuỗi.
  • Triệt tiêu TimeVQVAE: So sánh Naive VQ-VAE với TimeVQVAE trên kho dữ liệu UCR Archive qua hai thước đo FID và Inception Score (IS). Naive VQ-VAE thất bại trong việc tái tạo các thành phần tần số cao, dẫn đến chuỗi sinh bị mờ và suy giảm độ sắc nét, trong khi TimeVQVAE vượt trội trên cả hai chỉ số.

Chương 6: Kết luận và hướng nghiên cứu tương lai (Conclusions and Future Work)

Chương 6 đúc kết các phát hiện cốt lõi, nêu bật sự cân bằng giữa tính hiệu quả tính toán/khả năng diễn giải (TimeVAE) và khả năng biểu diễn các dạng sóng phi tuyến phức tạp (TimeVQVAE), đồng thời tổng kết các bài học về kiểm thử thực nghiệm trong nghiên cứu học máy.


Kết quả và đóng góp

Tổng hợp kết quả thực nghiệm

Tiêu chí / Chỉ số Mô hình TimeVAE Mô hình TimeVQVAE
Kiến trúc cốt lõi CNN + Dense + Khối Xu hướng/Mùa vụ STFT/ISTFT + VQ + Bi-directional Transformer
Cơ chế xử lý tín hiệu Miền thời gian trực tiếp, phân rã đa thức Tách dải tần số thấp (LF) và tần số cao (HF)
Chỉ số C-FID (Ngữ cảnh) Tương đương TimeVQVAE (mức xuất sắc) Tương đương TimeVAE (mức xuất sắc)
Độ tương đồng (ED, DTW) Nắm bắt chính xác xu hướng tổng thể Bảo toàn chi tiết tần số cao và biến động nhanh
Tốc độ huấn luyện Rất nhanh, chi phí tính toán thấp Chậm hơn đáng kể do qua 2 giai đoạn phức tạp
Tập dữ liệu ưu thế Stock, Exchange, Air, Energy DLG (Lưu lượng giao thông), chuỗi phi dừng
Khả năng diễn giải Cao (cho phép đưa tri thức miền vào decoder) Thấp (biểu diễn tiềm ẩn trong codebook rời rạc)

Đóng góp học thuật của khóa luận

  1. Khung so sánh chuyên sâu: Cung cấp bức tranh đối sánh có hệ thống về mặt lý thuyết và thực nghiệm giữa hai hướng tiếp cận VAE tiêu biểu nhất hiện nay cho dữ liệu chuỗi thời gian.
  2. Làm rõ tác động của thành phần kiến trúc qua Ablation:
    • Chứng minh các lớp tích chập 1D mang lại lợi thế vượt trội so với các lớp Dense thuần túy trong việc nắm bắt tương quan thời gian lân cận.
    • Xác nhận vai trò của việc phân tách LF/HF kết hợp Transformer prior hai chiều trong việc loại bỏ hiện tượng mờ tín hiệu tần số cao của VQ-VAE tiêu chuẩn.
  3. Cơ sở lựa chọn mô hình: Đưa ra khuyến nghị thực tiễn cho việc triển khai mô hình sinh dữ liệu: ưu tiên TimeVAE cho các bài toán có ràng buộc tài nguyên và mẫu mùa vụ tường minh; lựa chọn TimeVQVAE cho các tín hiệu phức tạp, biến thiên nhanh.

Hạn chế và hướng nghiên cứu tiếp

Khóa luận tự chỉ ra các hạn chế cụ thể:

  • Tính tái lập của benchmark: Tác giả không thể tái hiện trực tiếp toàn bộ kết quả đo lường từ mã nguồn TSGBench do tài liệu hướng dẫn của benchmark không đầy đủ và mã nguồn chưa tối ưu.
  • Ràng buộc tài nguyên tính toán: Hạn chế về phần cứng khiến nghiên cứu không thể chạy lại các chu kỳ huấn luyện quy mô lớn trên toàn bộ các tập dữ liệu nặng (thực nghiệm trên GPU RTX 4090 mất 2 giờ chỉ cho 10% epoch của tập Boiler).
  • Phạm vi thực nghiệm triệt tiêu: Chưa thể tích hợp đầy đủ việc tiêm tri thức miền (domain knowledge injection) vào khối Xu hướng và Mùa vụ của TimeVAE trong quá trình ablation; chưa thể triển khai mô hình sinh tự phát triển (self-developed baseline) như định hướng ban đầu.

Hướng nghiên cứu mở rộng: Tiếp tục hoàn thiện việc thử nghiệm tiêm tri thức miền cụ thể vào decoder của TimeVAE; mở rộng ứng dụng dữ liệu sinh sang các bài toán phát hiện bất thường (Anomaly Detection) trong tài chính và sản xuất công nghiệp.


Giá trị tham khảo

Khóa luận là tài liệu tham khảo giá trị cho sinh viên và nhà nghiên cứu thuộc các chuyên ngành Phân tích dữ liệu kinh doanh (Business Data Analytics), Khoa học dữ liệu (Data Science)Trí tuệ nhân tạo (AI):

  • Tham khảo phương pháp luận: Khung lý thuyết chi tiết từ biến đổi Fourier (STFT/ISTFT), suy diễn biến phân ELBO đến cơ chế Attention là tài liệu hệ thống hóa kiến thức hữu ích.
  • Tham khảo thiết kế kiến trúc: Cung cấp phân tích chi tiết về cách thiết kế mạng nơ-ron chuyên biệt cho chuỗi thời gian (cách tích hợp các khối hàm mùa vụ/xu hướng giải tích vào mạng sâu hoặc cách lượng tử hóa không gian ẩn đa tần số).

Câu hỏi thường gặp

1. Tại sao VAE lại phù hợp cho bài toán sinh chuỗi thời gian hơn so với GAN hoặc RNN truyền thống?

Theo tác giả, GAN gặp khó khăn lớn trong quá trình tối ưu hóa do bài toán đối kháng dễ mất ổn định (training instability), trong khi RNN gặp trở ngại khi lưu giữ phụ thuộc thời gian dài. VAE kết hợp cấu trúc xác suất và tối ưu hóa cận dưới bằng chứng (ELBO) cùng hàm mất mát tái tạo, giúp mô hình hóa phân phối tiềm ẩn ổn định và phản ánh tốt độ biến thiên của chuỗi thời gian.

2. TimeVQVAE giải quyết điểm yếu mất mát tần số cao của mô hình VQ-VAE cơ sở bằng cách nào?

TimeVQVAE sử dụng biến đổi STFT để tách tín hiệu thành hai nhánh độc lập: tần số thấp (LF) và tần số cao (HF). Bộ mã hóa áp dụng tỷ lệ giảm mẫu khác nhau cho từng nhánh trước khi lượng tử hóa. Ở giai đoạn học prior, mô hình dùng Transformer hai chiều dự đoán chuỗi LF trước để định hình ngữ cảnh toàn cục, sau đó dùng LF làm điều kiện để dự đoán chuỗi HF, đảm bảo chi tiết tần số cao không bị triệt tiêu.

3. Thành phần nào giúp TimeVAE có khả năng diễn giải (Interpretable)?

Khả năng diễn giải của TimeVAE nằm ở bộ giải mã (decoder) được cấu thành từ các khối song song mô phỏng các thành phần chuỗi thời gian kinh điển: Khối Xu hướng (Trend Block) sử dụng hàm đa thức đơn điệu bậc $P$ và Khối Mùa vụ (Seasonality Block) sử dụng ma trận tham số chu kỳ để tái tạo các mẫu dao động lặp lại theo mùa.

4. Kết quả nghiên cứu triệt tiêu (Ablation Study) của TimeVAE cho thấy điều gì khi so sánh giữa Dense VAE và Convolutional VAE?

Thực nghiệm trên 4 tập dữ liệu (Air, Energy, Sine, Stockv) cho thấy Dense VAE cho phân phối sai lệch lớn so với dữ liệu gốc (thể hiện rõ trên biểu đồ t-SNE). Convolutional VAE cải thiện vượt bậc và đạt hiệu năng gần tương đương Base TimeVAE nhờ các bộ lọc tích chập có khả năng khai thác cấu trúc tương quan không gian - thời gian cục bộ của chuỗi.

5. Trong điều kiện ứng dụng thực tế, mô hình nào được khuyến nghị lựa chọn?

Khóa luận khuyến nghị sử dụng TimeVAE làm lựa chọn ban đầu cho hầu hết các tác vụ nhờ tốc độ huấn luyện nhanh, cấu trúc nhẹ và khả năng đưa tri thức chuyên ngành vào giải mã xu hướng/mùa vụ. Ngược lại, TimeVQVAE là lựa chọn phù hợp cho các tín hiệu có dao động phức tạp, biến thiên nhanh (như dữ liệu giao thông), chấp nhận đánh đổi chi phí tài nguyên tính toán cao hơn.


Kết luận

Khóa luận tốt nghiệp của tác giả Trần Ngọc Thanh Bình đã thực hiện nghiên cứu so sánh chuyên sâu giữa hai kiến trúc sinh chuỗi thời gian tiêu biểu dựa trên Variational Autoencoder là TimeVAE và TimeVQVAE. Thông qua việc phân tích lý thuyết, đối sánh chuẩn trên nền tảng TSGBench và thực hiện các nghiên cứu triệt tiêu, đề tài đã làm rõ thế mạnh về hiệu quả tính toán/tính diễn giải của TimeVAE cũng như khả năng nắm bắt chi tiết tần số phức tạp của TimeVQVAE. Các kết quả và phân tích trong công trình cung cấp cơ sở tham khảo khoa học hữu ích cho bài toán lựa chọn và tối ưu hóa mô hình sinh dữ liệu chuỗi thời gian tổng hợp.