Luận văn thạc sĩ HCMUTE: Phát hiện motif trên chuỗi thời gian với giải thuật Mueen

Việc phát hiện motif trong chuỗi thời gian là một lĩnh vực nghiên cứu quan trọng trong khoa học máy tính và khai thác dữ liệu. Motif được định nghĩa là các mẫu lặp lại trong dữ liệu, có thể xuất hiện nhiều lần trong một chuỗi thời gian dài. Nghiên cứu này tập trung vào việc áp dụng giải thuật Mueen để phát hiện các motif này, nhằm phục vụ cho các ứng dụng như phân tích dữ liệu, nhận diện mẫu và khai thác thông tin. Theo các nghiên cứu trước đây, việc phát hiện motif có thể giúp cải thiện độ chính xác trong các tác vụ như phân lớp và gom cụm. Đặc biệt, giải thuật Mueen đã được chứng minh là hiệu quả trong việc tìm kiếm các mẫu lặp lại, nhờ vào khả năng xử lý nhanh và chính xác. Việc áp dụng các phương pháp như biến đổi nhanh Fourier (FFT) và thu giảm số chiều giúp tối ưu hóa quá trình phát hiện motif, từ đó nâng cao hiệu suất của các thuật toán.

Trong nghiên cứu này, nhiều thuật toán đã được đề xuất để phát hiện motif trong chuỗi thời gian. Các thuật toán như MK, MOEN, và MASS (Mueen’s Algorithm for Similarity Search) là những ví dụ tiêu biểu. Mỗi thuật toán có những ưu điểm và nhược điểm riêng, nhưng đều dựa trên nguyên lý chung là sử dụng cấu trúc chỉ mục không gian đa chiều và phương pháp thu giảm số chiều. Thuật toán MK, ví dụ, có độ phức tạp tính toán cao, nhưng lại cho kết quả chính xác. Ngược lại, các thuật toán xấp xỉ như MOEN và MASS có thể xử lý nhanh hơn, mặc dù có thể không đạt được độ chính xác tuyệt đối. Việc lựa chọn thuật toán phù hợp phụ thuộc vào yêu cầu cụ thể của bài toán và tính chất của dữ liệu. Nghiên cứu này sẽ so sánh hiệu suất của các thuật toán này trong việc phát hiện motif, từ đó đưa ra những khuyến nghị cho việc áp dụng trong thực tế.

Phân tích dữ liệu chuỗi thời gian là một phần quan trọng trong việc phát hiện motif. Dữ liệu chuỗi thời gian thường có cấu trúc phức tạp và chứa nhiều thông tin tiềm ẩn. Việc phân tích chuỗi thời gian không chỉ giúp nhận diện các mẫu lặp mà còn hỗ trợ trong việc phát hiện các bất thường trong dữ liệu. Các phương pháp như Dynamic Time Warping (DTW) và biến đổi Haar Wavelet được sử dụng để đo lường sự tương đồng giữa các chuỗi thời gian. Những phương pháp này cho phép phát hiện các motif ngay cả khi chúng có sự biến đổi về kích thước hoặc hình dạng. Nghiên cứu này sẽ áp dụng các phương pháp này để phân tích các bộ dữ liệu thực nghiệm, nhằm kiểm tra tính hiệu quả của các thuật toán phát hiện motif.

Kết quả thực nghiệm cho thấy rằng giải thuật Mueen có khả năng phát hiện motif một cách hiệu quả trong các bộ dữ liệu lớn. Các thử nghiệm được thực hiện trên nhiều bộ dữ liệu khác nhau như Insect_b, fullEOG và Brain, cho thấy rằng thuật toán này không chỉ nhanh chóng mà còn chính xác trong việc phát hiện các mẫu lặp. Việc áp dụng giải thuật phát hiện motif trong các lĩnh vực như tài chính, y tế và môi trường có thể mang lại nhiều lợi ích. Chẳng hạn, trong lĩnh vực tài chính, việc phát hiện các mẫu lặp trong dữ liệu giao dịch có thể giúp nhận diện các xu hướng và đưa ra quyết định đầu tư chính xác hơn. Tương tự, trong y tế, việc phát hiện các mẫu lặp trong dữ liệu sinh học có thể hỗ trợ trong việc chẩn đoán và điều trị bệnh.