I. Giới thiệu về đề tài
Phân lớp dữ liệu chuỗi thời gian là một tác vụ quan trọng trong lĩnh vực khai phá dữ liệu, được ứng dụng rộng rãi trong nhiều lĩnh vực như nhận diện chuyển động cơ thể, xác thực chữ ký, và chuẩn đoán bệnh. Dữ liệu chuỗi thời gian thường chứa nhiều thông tin hữu ích, nhưng cũng gặp phải thách thức về kích thước lớn và độ nhiễu. Thông tin motif là những chuỗi con lặp lại trong dữ liệu, có thể cải thiện độ chính xác của quá trình phân lớp. Tuy nhiên, việc tìm kiếm motif trong dữ liệu lớn thường phức tạp và tốn thời gian. Luận văn này đề xuất một phương pháp mới để phân lớp dữ liệu chuỗi thời gian dựa trên thông tin motif, nhằm cải thiện độ chính xác và giảm thời gian xử lý.
1.1. Mục tiêu và giới hạn đề tài
Mục tiêu của đề tài là xây dựng một hệ thống phân lớp dữ liệu chuỗi thời gian dựa trên thông tin motif. Đề tài tập trung vào việc tìm kiếm motif và sử dụng chúng trong quá trình phân lớp. Các motif được nghiên cứu trong luận văn này là motif bậc nhất, tức là những chuỗi con lặp lại thường xuyên nhất. Hệ thống phân lớp sẽ được hiện thực hóa bằng giải thuật k-NN, với mục tiêu cải thiện độ chính xác và giảm thời gian xử lý.
II. Cơ sở lý thuyết
Chương này trình bày các khái niệm cơ bản liên quan đến dữ liệu chuỗi thời gian, phân lớp dữ liệu, và các độ đo khoảng cách. Phân tích dữ liệu chuỗi thời gian là một lĩnh vực nghiên cứu quan trọng, với nhiều ứng dụng thực tiễn. Các độ đo như khoảng cách Euclid và Dynamic Time Warping (DTW) được sử dụng để so sánh các chuỗi thời gian. Việc hiểu rõ các khái niệm này là cần thiết để áp dụng các giải thuật tìm kiếm motif và phân lớp hiệu quả. Giải thuật k-NN và các phương pháp khác như SVM và ANN cũng được đề cập, nhằm cung cấp cái nhìn tổng quan về các phương pháp phân lớp hiện có.
2.1. Các độ đo khoảng cách
Các độ đo khoảng cách là yếu tố quan trọng trong việc phân lớp dữ liệu chuỗi thời gian. Khoảng cách Euclid là một trong những độ đo phổ biến nhất, nhưng không phải lúc nào cũng phù hợp với dữ liệu chuỗi thời gian. Dynamic Time Warping (DTW) là một phương pháp mạnh mẽ hơn, cho phép so sánh các chuỗi có độ dài khác nhau. Việc lựa chọn độ đo phù hợp sẽ ảnh hưởng lớn đến kết quả phân lớp. Các độ đo này sẽ được áp dụng trong quá trình phân lớp dữ liệu chuỗi thời gian dựa trên thông tin motif.
III. Phương pháp giải quyết vấn đề
Chương này trình bày chi tiết về các giải thuật được sử dụng để tìm kiếm motif và phân lớp dữ liệu chuỗi thời gian. Giải thuật EP-C và EP-MK được áp dụng để tìm kiếm motif, giúp cải thiện tốc độ và độ chính xác của quá trình phân lớp. Các điểm cực trị quan trọng được sử dụng để phân đoạn chuỗi thời gian thành các chuỗi con, từ đó thực hiện so sánh với các motif. Hệ thống phân lớp được xây dựng dựa trên các vector đặc trưng, giúp tối ưu hóa quá trình phân lớp. Kết quả phân lớp sẽ được so sánh với các phương pháp truyền thống để đánh giá hiệu quả.
3.1. Giải thuật tìm kiếm motif
Giải thuật EP-C và EP-MK được thiết kế để tìm kiếm motif trong dữ liệu chuỗi thời gian. EP-C sử dụng các điểm cực trị để phân đoạn chuỗi, trong khi EP-MK tập trung vào việc tối ưu hóa thời gian tìm kiếm. Cả hai giải thuật này đều giúp cải thiện độ chính xác của quá trình phân lớp. Việc tìm kiếm motif không chỉ giúp nâng cao chất lượng phân lớp mà còn giảm thiểu thời gian xử lý, điều này rất quan trọng trong bối cảnh dữ liệu lớn.
IV. Kết quả thực nghiệm
Chương này trình bày kết quả thực nghiệm của hệ thống phân lớp dữ liệu chuỗi thời gian dựa trên thông tin motif. Các bộ dữ liệu mẫu được sử dụng để đánh giá hiệu quả của phương pháp. Kết quả cho thấy rằng hệ thống phân lớp dựa trên motif đạt được độ chính xác cao hơn so với các phương pháp truyền thống như k-NN và độ đo Euclid. Thời gian tìm kiếm motif cũng được cải thiện đáng kể nhờ vào việc áp dụng các giải thuật EP-C và EP-MK. Những kết quả này chứng minh tính khả thi và hiệu quả của phương pháp đề xuất.
4.1. Đánh giá kết quả
Kết quả thực nghiệm cho thấy rằng việc sử dụng thông tin motif trong phân lớp dữ liệu chuỗi thời gian mang lại nhiều lợi ích. Độ chính xác của hệ thống phân lớp cao hơn so với các phương pháp truyền thống, cho thấy rằng motif có thể cải thiện đáng kể chất lượng phân lớp. Thời gian tìm kiếm motif cũng được giảm thiểu, giúp tăng hiệu suất của hệ thống. Những kết quả này khẳng định giá trị thực tiễn của nghiên cứu và mở ra hướng đi mới cho các nghiên cứu tiếp theo trong lĩnh vực này.
