Luận văn thạc sĩ về phân lớp dữ liệu chuỗi thời gian sử dụng bộ phân lớp 1-NN

Phân lớp dữ liệu chuỗi thời gian ngày càng trở nên quan trọng trong bối cảnh công nghệ phát triển nhanh chóng. Dữ liệu chuỗi thời gian được thu thập từ nhiều nguồn khác nhau, từ cảm biến đến các thiết bị thông minh. Việc phân lớp dữ liệu này không chỉ giúp trong việc phân tích mà còn trong việc dự đoán các xu hướng tương lai. Phân lớp dữ liệu chuỗi thời gian được thực hiện thông qua việc xây dựng các bộ phân lớp dựa trên các chuỗi thời gian đã được gán nhãn. Tuy nhiên, các phương pháp truyền thống thường gặp khó khăn trong việc xử lý loại dữ liệu này do tính chất đặc thù của nó, bao gồm số chiều lớn và mối tương quan cao giữa các điểm dữ liệu. Các phương pháp phân lớp hiện tại có thể chia thành ba loại chính: dựa vào đặc trưng, mô hình và khoảng cách. Đặc biệt, phương pháp dựa vào khoảng cách cho thấy hiệu quả cao trong việc xử lý dữ liệu chuỗi thời gian. Do đó, nghiên cứu này tập trung vào việc phát triển một bộ tổ hợp phân lớp 1-NN với các độ đo khoảng cách khác nhau nhằm tăng cường độ chính xác trong phân lớp.

Độ đo khoảng cách là yếu tố quyết định trong việc phân lớp dữ liệu chuỗi thời gian. Các độ đo phổ biến bao gồm khoảng cách Euclidean, khoảng cách Manhattan, và Dynamic Time Warping (DTW). Mỗi độ đo có ưu điểm và nhược điểm riêng, phù hợp với các loại dữ liệu khác nhau. Đặc biệt, DTW được ưa chuộng do khả năng xử lý các biến thể về độ dài chuỗi và sự dịch chuyển trong thời gian. Nghiên cứu cho thấy rằng việc áp dụng các độ đo khoảng cách này trong bộ phân lớp 1-NN có thể cải thiện đáng kể độ chính xác phân lớp. Việc kết hợp các độ đo này thành một tổ hợp giúp tận dụng được ưu điểm của từng phương pháp, từ đó tăng cường khả năng phân lớp. Kết quả thực nghiệm cho thấy tổ hợp các độ đo khoảng cách mang lại độ chính xác cao hơn so với việc sử dụng từng độ đo riêng lẻ.

Kỹ thuật xử lý song song là một phương pháp quan trọng nhằm cải thiện hiệu suất của các thuật toán phân lớp. Trong nghiên cứu này, kỹ thuật xử lý song song đa luồng được áp dụng để giảm thời gian thực thi của bộ phân lớp 1-NN. Kết quả cho thấy rằng việc áp dụng kỹ thuật này giúp giảm thời gian phân lớp từ 2 đến 3 lần so với phương pháp phân lớp truyền thống. Điều này đặc biệt quan trọng trong các ứng dụng thực tế, nơi mà thời gian xử lý nhanh chóng là một yếu tố then chốt. Việc cải tiến này không chỉ mang lại hiệu quả trong xử lý mà còn nâng cao khả năng ứng dụng của phương pháp phân lớp trong các lĩnh vực khác nhau như y tế, tài chính và dự báo thời tiết.

Nghiên cứu đã thực hiện đánh giá hiệu suất của các thuật toán phân lớp 1-NN với các độ đo khác nhau trên 28 tập dữ liệu mẫu từ website UCR. Kết quả cho thấy rằng bộ phân lớp 1-NN với tổ hợp các độ đo khoảng cách đạt được độ chính xác cao hơn so với từng độ đo riêng lẻ. Đặc biệt, độ đo CID được xác định là có độ chính xác tốt và thời gian xử lý nhanh nhất. Những kết quả này không chỉ khẳng định tính khả thi của phương pháp mà còn mở ra hướng đi mới trong nghiên cứu và ứng dụng phân lớp dữ liệu chuỗi thời gian. Việc áp dụng các kỹ thuật cải tiến như xử lý song song đa luồng cũng cho thấy tiềm năng lớn trong việc nâng cao hiệu suất của các thuật toán phân lớp.

Luận văn đã trình bày một cách tiếp cận mới trong phân lớp dữ liệu chuỗi thời gian dựa trên tổ hợp bộ phân lớp 1-NN với các độ đo khoảng cách khác nhau. Kết quả thực nghiệm cho thấy rằng phương pháp này không chỉ cải thiện độ chính xác mà còn giảm thiểu thời gian xử lý. Hướng phát triển trong tương lai có thể bao gồm việc áp dụng các kỹ thuật học sâu để cải thiện khả năng phân lớp và mở rộng nghiên cứu sang các loại dữ liệu khác. Việc tiếp tục nghiên cứu và phát triển các phương pháp phân lớp mới sẽ góp phần quan trọng vào việc nâng cao hiệu quả trong phân tích dữ liệu chuỗi thời gian.