Bối cảnh và vấn đề nghiên cứu

Khóa luận tốt nghiệp "Phát hiện quan hệ nhân quả trong bộ dữ liệu chuỗi thời gian sự kiện" (Inferring Causality Relationship in Time Series Event) được thực hiện bởi sinh viên Đào Thị Thu Nga và Nguyễn Khánh Toàn (lớp KHTN2018), dưới sự hướng dẫn của TS. Mai Tiến Dũng và TS. Hồ Thị Thảo Nguyên, thuộc Khoa Khoa học Máy tính, Trường Đại học Công nghệ Thông tin – Đại học Quốc gia TP. Hồ Chí Minh (năm 2021). Công trình thuộc lĩnh vực Khoa học máy tính, chuyên ngành Khoa học dữ liệu và Khai phá dữ liệu; phân loại nghiên cứu là nghiên cứu thực nghiệm thuật toán (empirical algorithm study) kết hợp phân tích mô hình xác suất thống kê.

Về bối cảnh thực tiễn, sự phát triển nhanh chóng của quá trình số hóa đã thúc đẩy nhu cầu lưu trữ và khai thác phân tích dữ liệu trên nhiều lĩnh vực đời sống như giao thông, khí tượng, môi trường và y tế. Trong chuỗi thời gian, việc phát hiện mối quan hệ nhân quả đóng vai trò quan trọng nhằm phân biệt giữa sự tương quan ngẫu nhiên (correlation) và tác động nhân quả thực sự (causation). Tác giả lấy ví dụ minh họa trực quan: khi máy tính hết pin ("pin yếu"), hai hiện tượng "máy tính tắt" và "trình phát video không hoạt động" cùng xảy ra đồng thời; giữa hai hiện tượng này có sự tương quan nhưng không tồn tại mối quan hệ nhân quả lẫn nhau, vì nguyên nhân gốc rễ dẫn đến cả hai hệ quả đều là do sự kiện "pin yếu". Do đó, việc xây dựng các công cụ tính toán để phát hiện chính xác mối quan hệ nhân quả từ chuỗi sự kiện là yêu cầu nền tảng để cải thiện độ chính xác cho các hệ thống dự báo.

Trong văn bản, tác giả xác định 2 thách thức chính trong quá trình nghiên cứu:

  • Các tập dữ liệu chuỗi thời gian phục vụ riêng cho bài toán quan hệ nhân quả còn hạn chế; việc tự xây dựng bộ dữ liệu chuẩn gặp nhiều khó khăn.
  • Việc kiểm thử bài toán trong thực tế phức tạp do đòi hỏi phải có bộ dữ liệu chân lý (ground truth) chuẩn xác, trong khi lý thuyết về suy luận nhân quả cho chuỗi sự kiện chưa được phổ biến rộng rãi trong nước và có rất ít nguồn tài liệu tham khảo công khai.

Để giải quyết các thách thức trên, đề tài đặt ra 3 mục tiêu nghiên cứu cụ thể:

  1. Tìm kiếm và lựa chọn 2 bộ dữ liệu chuỗi thời gian phù hợp trong thực tế để tiến hành thực nghiệm bài toán.
  2. Triển khai thực hiện và tìm hiểu bài toán với các độ đo đánh giá liên kết nhân quả (Cost-Effect Association Scores - CEAs) sẵn có; trong đó đối với độ đo $CIR_m$, nghiên cứu phương pháp xây dựng mô hình đồ thị sự kiện nhằm tìm tập hợp các nút cha (parent set) của sự kiện hệ quả.
  3. Xác định các cặp quan hệ nhân quả từ dữ liệu, làm cơ sở hỗ trợ nâng cao hiệu quả cho các bài toán dự báo.

Đối tượng nghiên cứu của khóa luận là các chuỗi thời gian sự kiện đa biến, bao gồm các biến nguyên nhân và biến hệ quả phụ thuộc vào dòng thời gian. Phạm vi không gian và thời gian của dữ liệu thực nghiệm gồm:

  • Bộ dữ liệu giao thông Metro Interstate Traffic Volume: Thu thập tại trạm ATR 301 của MN DoI trên tuyến xa lộ liên tiểu bang I-94 hướng Tây, đoạn nối giữa hai thành phố Minneapolis và St. Paul, bang Minnesota, Hoa Kỳ. Dữ liệu gồm 48.204 bản ghi theo từng giờ, kéo dài từ 09:00 ngày 02/10/2012 đến 23:00 ngày 30/09/2018.
  • Bộ dữ liệu chất lượng không khí Beijing Multi-Site Air-Quality: Thu thập tại các trạm quan trắc của Trung tâm Giám sát Môi trường Thành phố Bắc Kinh, Trung Quốc; dữ liệu ghi nhận hàng giờ trong giai đoạn từ ngày 01/03/2013 đến ngày 28/02/2017.

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng giải pháp dựa trên nền tảng lý thuyết xác suất thống kê và các mô hình suy luận nhân quả trong chuỗi thời gian:

  • Khung lý thuyết suy luận nhân quả:

    • Tiên đề nhân quả Granger (1969): Dựa trên hai tiên đề cốt lõi: (1) Quá khứ có thể ảnh hưởng đến tương lai nhưng tương lai không thể ảnh hưởng đến quá khứ; (2) Nếu một biến cố $Y$ là nguyên nhân của $X$, thì việc đưa thông tin quá khứ của $Y$ vào không gian mẫu sẽ giúp cải thiện khả năng dự báo $X$ so với khi loại bỏ $Y$.
    • Giả thuyết kiểm định của D. Bhattacharjya (2018): Đặt ra hai giả thuyết thống kê để xác định quan hệ giữa biến nguyên nhân $y$ và hệ quả $x$ với biến nền $z$: $$\begin{aligned} H_0 &: P(x \mid y, z) = P(x \mid z) \quad (\text{sự kiện } y \text{ không ảnh hưởng đến } x) \ H_1 &: P(x \mid y, z) > P(x \mid z) \quad (\text{sự kiện } y \text{ là nguyên nhân gây ra } x) \end{aligned}$$
    • Điều kiện cần và đủ (Luo et al.): Nguyên nhân $y$ là điều kiện cần nếu $y$ phải xuất hiện trước khi hệ quả $x$ xảy ra; $y$ là điều kiện đủ nếu sự xuất hiện của $y$ chắc chắn kéo theo sự xuất hiện của $x$.

  • Các phương pháp tính toán điểm liên kết nhân quả (Cost-Effect Association Scores - CEAs):

    • Khái niệm cửa sổ thời gian (Window size - $w$): Khoảng thời gian hữu hạn phía trước sự kiện hệ quả $x$ mà nguyên nhân $y$ có khả năng tác động. Tác giả định nghĩa xác suất quan sát $P^w(y \rightarrow x)$ (xác suất $y$ nằm trong cửa sổ $w$ trước $x$) và $P^w(x \rightarrow y)$ (xác suất $x$ xuất hiện khi $y$ đã xuất hiện trong cửa sổ $w$ trước đó).
    • Độ đo $NSTe$ (The Necessity-Sufficiency Trade-off Score): Đề xuất bởi Luo et al., có dạng: $$NSTe(y, x) = \frac{[P^w(y \rightarrow x)]^\lambda [P^w(x \rightarrow y)]^{1-\lambda}}{P(y) [P(x)]^\alpha}$$ Trong đó, $\lambda \in [0, 1]$ là tham số điều chỉnh tỷ trọng giữa tính đầy đủ và tính cần thiết; $\alpha$ là tham số điều chỉnh độ nhạy theo tần suất biên duyên của $x$.
    • Độ đo $CIR$ (The Conditional Intensity Ratio Score): Đề xuất bởi Bhattacharjya et al. nhằm khắc phục hạn chế của $NSTe$ trên thang thời gian liên tục, dựa trên tỷ số cường độ điều kiện: $$CIR_b(y, x) = \frac{\lambda^w_{x|y}}{\lambda_x}, \quad CIR_c(y, x) = \frac{\lambda^w_{x|y}}{\lambda^w_{x|\bar{y}}}$$ Trong đó, $\lambda^w_{x|y}$ là cường độ xuất hiện của $x$ khi có mặt $y$ trong cửa sổ $w$; $\lambda^w_{x|\bar{y}}$ là cường độ xuất hiện của $x$ khi vắng mặt $y$; $\lambda_x$ là cường độ cơ sở của $x$. Cặp sự kiện độc lập khi $CIR = 1$ và có quan hệ phụ thuộc khi $CIR \neq 1$.
    • Độ đo $CIR_m$: Mở rộng của $CIR$ khi xét thêm tập hợp điều kiện $Z \in U$, với $U$ là tập hợp các nút cha của $x$ trong mô hình đồ thị nhân quả: $$CIR_m(y \mid x) = \frac{\lambda^w_{x|y, Z}}{\lambda^w_{x|\bar{y}, Z}}$$ Việc xác định tập cha $U$ được lý thuyết hóa thông qua hai thuật toán: Thuật toán 1 (Optimal Parent Set Search) nhằm tìm kích thước cửa sổ tối ưu dựa trên biến đổi tuyến tính từng đoạn hàm $D(y, z)$, và Thuật toán 2 (Forward-Backward Search - FBS) kết hợp tiêu chuẩn thông tin Bayes (Bayesian Information Criterion - BIC): $$BIC(D) = LL(D) - \frac{\ln(T)}{2} \sum_{x \in X} 2^{|U|}$$

  • Phương pháp xử lý dữ liệu và đánh giá:

    • Rời rạc hóa dữ liệu (Discretization/Clustering): Vì các mô hình xác suất sự kiện yêu cầu giá trị rời rạc trong khi dữ liệu gốc chứa các chuỗi số liên tục (như lưu lượng xe, nồng độ bụi, nhiệt độ), nhóm tác giả áp dụng phương pháp phân cụm/chia khoảng giá trị.
    • Phương pháp đánh giá: Sử dụng độ đo truy vấn $Hits@K$ để đo lường số lượng cặp nhân quả phát hiện được nằm trong tập chân lý (Ground Truth) thuộc top $K$ kết quả có điểm số cao nhất: $$Hits@K = \sum_{s \in S} \frac{GT_s@K}{|S|}$$
    • Xây dựng bộ Ground Truth: Do thiếu nhãn chuẩn có sẵn, nhóm nghiên cứu tổng hợp và lượng hóa tri thức chuyên gia từ các công trình nghiên cứu khí tượng - giao thông đã công bố để thiết lập bảng tỷ lệ tác động làm chân lý đánh giá.

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương này giới thiệu bài toán phát hiện mối quan hệ nhân quả trong chuỗi thời gian sự kiện, phân tích tầm quan trọng của việc ứng dụng phân tích nhân quả trong các hệ thống thông minh. Tác giả trình bày cấu trúc đầu vào của bài toán (tập dữ liệu sự kiện có thuộc tính thời gian) và đầu ra (danh sách các cặp sự kiện có quan hệ nhân quả được xếp hạng theo điểm số). Tác giả làm rõ ranh giới giữa tương quan và nhân quả qua ví dụ hoạt động máy tính, đồng thời xác lập sơ đồ quy trình tổng quan: tiền xử lý phân cụm dữ liệu liên tục thành biến rời rạc, tính toán điểm số CEAs trên các cặp sự kiện, và sử dụng độ đo $Hits@K$ đối chiếu với Ground Truth để đánh giá. Chương 1 cũng xác định rõ 3 mục tiêu nghiên cứu, 2 thách thức chính, phạm vi thực hiện và cấu trúc 5 chương của khóa luận.

Chương 2: Trình bày cơ sở lý thuyết các thuật toán mối quan hệ nhân quả và một số kỹ thuật liên quan

Chương 2 hệ thống hóa cơ sở toán học và lý thuyết suy luận nhân quả. Tác giả trình bày các định nghĩa xác suất cơ bản ($P(x)$, xác suất có điều kiện $P(x|y)$, điều kiện độc lập và phụ thuộc thống kê). Trọng tâm của chương là việc trình bày lịch sử và nguyên lý suy luận nhân quả: tiên đề Granger đối với chuỗi thời gian, hệ thống giả thuyết thống kê $H_0, H_1$ của D. Bhattacharjya, cùng định nghĩa điều kiện cần và điều kiện đủ theo nghiên cứu của Luo et al. Về mặt dữ liệu, chương phân biệt rõ đặc tính của chuỗi thời gian đơn biến (chỉ dựa vào lịch sử một biến) và chuỗi thời gian đa biến (sự kiện phụ thuộc lẫn nhau giữa nhiều biến trên dòng thời gian), nhấn mạnh vai trò của yếu tố thứ tự thời gian trong việc khẳng định tính định hướng của mối quan hệ nguyên nhân - kết quả.

Chương 3: Áp dụng các phương pháp tính toán cho bài toán tìm mối quan hệ nhân quả cho dữ liệu thời gian

Chương 3 trình bày chi tiết các công thức toán học và quy trình tính toán cho 4 độ đo liên kết nhân quả (CEAs). Tác giả đưa ra ví dụ minh họa bằng một chuỗi sự kiện gồm 19 mốc thời gian ($t = 0 \dots 18$) với ba nhãn sự kiện $x, y, z$ để tính toán từng bước:

  • Minh họa cách xác định xác suất trong cửa sổ trượt kích thước $w = 3$, tính các đại lượng $P^w(y \rightarrow x)$ và $P^w(x \rightarrow y)$.
  • Triển khai công thức điểm $NSTe$ với tham số $\alpha = 0{,}66$ và $\lambda \in [0, 1]$.
  • Trình bày chi tiết cách tính $CIR_b$ và $CIR_c$ thông qua số lần xuất hiện của cặp sự kiện $N^w(y \rightarrow x)$, tổng số lần xuất hiện $N(x)$, và khoảng thời gian bao phủ tích lũy $D^w(y) = \int_0^T I^w(t) dt$. Với ví dụ mẫu, tác giả tính ra các giá trị cường độ điều kiện cụ thể: $\lambda^w_{x|y} = 0{,}2857$, $\lambda_x = 0{,}2631$, $\lambda^w_{x|\bar{y}} = 0{,}2$, từ đó xác định $CIR_b = 1{,}0858$ và $CIR_c = 1{,}4285$.
  • Trình bày mô hình lý thuyết của độ đo mở rộng $CIR_m$, bao gồm Thuật toán 1 (Optimal Parent Set Search) và Thuật toán 2 (Forward-Backward Search - FBS) sử dụng hàm mục tiêu tối ưu BIC để tìm tập nút cha $U$. Tác giả nêu rõ trở ngại kỹ thuật khi bài báo gốc không công khai mã nguồn và việc liên hệ tác giả không có phản hồi, dẫn đến việc phải tiếp nhận kết quả tập cha do nhóm nghiên cứu trước cung cấp để tính toán thực nghiệm $CIR_m$.

Chương 4: Thực nghiệm

Chương 4 là phần nội dung thực nghiệm chi tiết của đề tài. Tác giả công bố cấu hình phần cứng thử nghiệm (laptop cá nhân chạy Windows 11, CPU Intel Core i5-9300H, RAM 8GB DDR4-2666, thời gian chạy thực nghiệm khoảng 2 giờ). Chương này tập trung vào 2 bộ dữ liệu:

  1. Bộ dữ liệu Metro Interstate Traffic Volume:
    • Dữ liệu gốc gồm 48.204 dòng với 9 thuộc tính. Nhóm nghiên cứu chọn trích xuất 2 trường: traffic_volume (biến hệ quả) và weather_description (biến nguyên nhân).
    • Áp dụng phân cụm lưu lượng giao thông liên tục thành 3 khoảng giá trị rời rạc:
      • traffic_volume_0 (thấp): 269 – 1.880 xe/giờ.
      • traffic_volume_1 (trung bình): 1.881 – 4.130 xe/giờ.
      • traffic_volume_2 (cao): 4.131 – 7.100 xe/giờ.
    • Xây dựng bộ Ground Truth dựa trên mức độ suy giảm hoặc gia tăng lưu lượng xe từ các công trình nghiên cứu khí tượng giao thông đã công bố:
Hiện tượng thời tiết (Sự kiện nguyên nhân) Mức độ tác động ước lượng lên lưu lượng giao thông
Tuyết (Snow) Giảm từ -37,9% đến -65,0%
Tuyết rơi rất dày (Extremely Heavy Snow) Giảm từ -67,2% đến -14,0%
Mưa lớn (Heavy Rain) Giảm -3,4%
Mưa đặc biệt lớn (Extremely Heavy Rain) Tăng +13,18%
Mù quang hóa (Haze) Tăng +14,0%
Sương mù nhẹ (Mist) Tăng +7,0%
Sương mù vừa (Light Fog) Tăng từ +1,1% đến +7,0%
Sương mù dày (Dense Fog) Giảm -8,3%
Sương mù rất dày (Heavy Dense Fog) Giảm -12,2%
  • Đối với các sự kiện thời tiết phụ chưa có tài liệu nghiên cứu riêng biệt, tác giả quy đổi tương đương theo đặc tính gần nhất (ví dụ: Light rain and snow gán mức giảm -8,9%; Freezing rain quy đổi theo tuyết dày gán mức -67,6%; các loại mây rải rác gán mức tác động 0%).
  • Tiến hành chạy thực nghiệm tính toán các thang điểm với cửa sổ trượt $w \in [1, 20]$, tham số $\alpha \in {0; 0{,}5; 1; 2; 5}$, $\lambda \in {0; 0{,}5; 1}$, và đo lường bằng $Hits@K$ với $K \in {5, 10, 15, 20}$.
  1. Bộ dữ liệu Beijing Multi-Site Air-Quality:
    • Trình bày cấu trúc dữ liệu quan trắc hàng giờ từ 01/03/2013 đến 28/02/2017 tại Bắc Kinh, bao gồm các biến khí tượng (nhiệt độ, điểm sương, lượng mưa, tốc độ gió) làm nguyên nhân và nồng độ các chất ô nhiễm ($PM_{2.5}, PM_{10}, SO_2, CO, PRES$) làm hệ quả.
    • Trình bày các bảng phân cụm mức độ tác động và cấu hình thực nghiệm tính toán điểm $CIR_b, CIR_c, NSTe$ qua các kích thước cửa sổ trượt ($w = 1, 3, 5, 10$).

Chương 5: Kết luận và hướng phát triển

Chương 5 tóm tắt các kết quả đạt được sau toàn bộ quá trình nghiên cứu: hoàn thành việc tìm hiểu cơ sở lý thuyết nhân quả trên chuỗi thời gian, triển khai tính toán và so sánh hiệu quả của các độ đo $NSTe, CIR_b, CIR_c, CIR_m$ trên hai bộ dữ liệu thực tế, thiết lập quy trình xây dựng Ground Truth từ tri thức chuyên gia. Đồng thời, tác giả thẳng thắn chỉ ra các giới hạn về mặt thuật toán tìm tập cha chưa tự động hóa được hoàn toàn và đề xuất định hướng nghiên cứu tiếp theo.

Kết quả và đóng góp

Kết quả thực nghiệm đối sánh các độ đo

Hiệu năng phát hiện các cặp quan hệ nhân quả được nhóm tác giả tổng hợp thông qua độ đo $Hits@K$ trên bộ dữ liệu Metro Interstate Traffic Volume. Dưới đây là bảng số liệu chi tiết đối với từng giá trị $K$ theo các kích thước cửa sổ trượt ($w$):

Kích thước cửa sổ ($w$) $CIR_b$ $CIR_c$ $NSTe$ Tổng số phát hiện đúng
Đánh giá tại $K = 5$
Window 1 4 4 0 12
Window 2 4 4 1 17
Window 3 4 4 2 17
Window 4 4 4 3 18
Window 5 4 4 3 12
Window 10 4 4 2 10
Đánh giá tại $K = 10$
Window 1 8 8 2 26
Window 2 8 8 4 26
Window 3 8 8 5 26
Window 4 8 8 4 24
Window 5 8 8 4 22
Window 10 7 7 5 19
Đánh giá tại $K = 15$
Window 1 13 13 5 15
Window 2 12 12 5 14
Window 3 11 11 6 14
Window 4 10 11 6 12
Window 5 10 10 7 13
Window 10 9 9 7 9
Đánh giá tại $K = 20$
Window 1 17 17 9 20
Window 2 15 15 7 18
Window 3 14 14 7 15
Window 4 14 14 7 15
Window 5 14 13 8 15
Window 10 11 10 10 14

Từ kết quả thực nghiệm, nhóm tác giả rút ra các nhận định định lượng:

  • Hai thang điểm $CIR_b$ và $CIR_c$ thể hiện tính ổn định cao và đạt kết quả $Hits@K$ tương đương nhau, vượt trội hơn rõ rệt so với thang điểm $NSTe$ ở hầu hết các kích thước cửa sổ thời gian. Cụ thể tại $K = 5$, cả $CIR_b$ và $CIR_c$ đều phát hiện chính xác 4/5 cặp nhân quả ở mọi cửa sổ từ 1 đến 10, trong khi $NSTe$ chỉ đạt từ 0 đến 3 cặp. Tại $K = 20$, $CIR_b$ và $CIR_c$ đạt đỉnh với 17/20 cặp chính xác tại cửa sổ $w = 1$, trong khi $NSTe$ chỉ đạt tối đa 10/20 cặp tại cửa sổ $w = 10$.
  • Kích thước cửa sổ trượt nhỏ ($w = 1, 2, 3$ giờ) mang lại độ chính xác cao nhất cho các thang điểm thuộc họ $CIR$. Khi mở rộng cửa sổ lên $w = 10$, điểm $Hits@K$ của $CIR_b$ và $CIR_c$ có xu hướng suy giảm (từ 17 xuống 11 tại $K = 20$). Ngược lại, $NSTe$ hoạt động kém khi cửa sổ hẹp ($Hits@5 = 0$ tại $w = 1$) và chỉ cải thiện nhẹ khi mở rộng kích thước cửa sổ.

Đóng góp của khóa luận

Nhóm tác giả tự đúc kết 4 đóng góp chính trong văn bản:

  1. Hệ thống hóa các thuật toán và kỹ thuật toán học liên quan đến bài toán phát hiện mối quan hệ nhân quả trong chuỗi thời gian sự kiện.
  2. Thực nghiệm lại bài toán tìm quan hệ nhân quả giữa các sự kiện trên 2 bộ dữ liệu thực tế đa biến quy mô lớn (giao thông liên tiểu bang Hoa Kỳ và chất lượng không khí Bắc Kinh).
  3. Đề xuất quy trình xây dựng bộ Ground Truth khả thi cho chuỗi dữ liệu thực nghiệm thông qua việc tổng hợp định lượng các nghiên cứu chuyên ngành khí tượng, giao thông và môi trường.
  4. Triển khai tính toán thực thi, đánh giá đối sánh định lượng hiệu quả giữa các độ đo $NSTe, CIR_b, CIR_c$ và phương pháp luận của $CIR_m$.

Hạn chế và hướng nghiên cứu tiếp

Trong văn bản khóa luận, nhóm tác giả chỉ ra các hạn chế thực tế gặp phải:

  • Hạn chế về mã nguồn giải thuật: Bài báo gốc đề xuất thuật toán Forward-Backward Search (FBS) không công khai mã nguồn thực thi. Tác giả gặp khó khăn trong việc làm rõ chi tiết kỹ thuật của "Algorithm 1" (Optimal Parent Set Search) và không nhận được phản hồi qua email từ tác giả bài báo gốc. Do đó, khóa luận chưa thể tự hiện thực độc lập phần tìm tập nút cha $U$ cho sự kiện hệ quả, mà phải sử dụng kết quả tập cha do nhóm nghiên cứu trước cung cấp để chạy thực nghiệm cho độ đo $CIR_m$.
  • Hạn chế về dữ liệu và gán nhãn: Số lượng bộ dữ liệu chuỗi thời gian sự kiện phù hợp cho bài toán nhân quả còn rất hiếm. Việc xây dựng bộ dữ liệu chân lý (Ground Truth) hoàn toàn phụ thuộc vào việc ước lượng từ các bài báo khoa học liên quan và ý kiến chuyên gia, do đó mang tính tương đối và có thể còn độ lệch so với thực tế vận hành giao thông và môi trường.
  • Hạn chế của thang điểm: Thang điểm $NSTe$ còn nhiều bất lợi như chỉ hoạt động trong khoảng thời gian hữu hạn và gặp khó khăn khi xử lý các sự kiện xuất hiện với tần suất không thường xuyên.

Về hướng nghiên cứu tiếp theo, văn bản đề cập việc tiếp tục nghiên cứu sâu hơn về mặt giải thuật để tự hiện thực hóa hoàn chỉnh thuật toán tìm tập nút cha $U$ trong mô hình đồ thị sự kiện, mở rộng kiểm thử trên nhiều bộ dữ liệu phụ thuộc thời gian đa dạng khác nhằm tối ưu hóa việc hỗ trợ các mô hình dự báo.

Giá trị tham khảo

Báo cáo khóa luận là tài liệu tham khảo phù hợp cho sinh viên, học viên cao học và các nhóm nghiên cứu thuộc các ngành Khoa học Máy tính, Khoa học Dữ liệu, Hệ thống Thông tin và Trí tuệ Nhân tạo đang tiếp cận bài toán suy luận nhân quả (Causal Inference) trên dữ liệu chuỗi thời gian.

Các nội dung có giá trị tham khảo chuyên môn cao trong tài liệu gồm:

  • Phương pháp luận tính toán các độ đo CEAs: Toàn bộ công thức toán học, cách tính tích phân bao phủ thời gian $D^w(y)$, xác suất có điều kiện và ví dụ số học từng bước minh họa cho các thang điểm $NSTe, CIR_b, CIR_c$ tại Chương 3 là nguồn tham khảo chi tiết cho việc cài đặt thuật toán.
  • Quy trình tiền xử lý và thiết lập Ground Truth: Phương pháp phân cụm chuỗi dữ liệu liên tục thành biến rời rạc và cách tiếp cận lượng hóa tri thức chuyên gia từ các tài liệu khoa học để xây dựng bộ chân lý (tại Chương 4) cung cấp giải pháp thực tế cho các bài toán thiếu nhãn chuẩn.
  • Kết quả đối sánh thực nghiệm: Bảng đối sánh chi tiết theo các ngưỡng $Hits@K$ và kích thước cửa sổ $w$ cung cấp dữ liệu cơ sở thực tế cho các nghiên cứu muốn lựa chọn tham số cửa sổ trượt phù hợp cho dữ liệu giao thông và thời tiết.

Câu hỏi thường gặp

1. Khóa luận sử dụng những bộ dữ liệu thực tế nào và có quy mô ra sao?
Khóa luận sử dụng 2 bộ dữ liệu: (1) Metro Interstate Traffic Volume Dataset gồm 48.204 mẫu thu thập mỗi giờ từ 02/10/2012 đến 30/09/2018 tại trạm ATR 301 trên xa lộ I-94 giữa Minneapolis và St. Paul (Mỹ); (2) Beijing Multi-Site Air-Quality Dataset ghi nhận dữ liệu ô nhiễm và khí tượng hàng giờ từ 01/03/2013 đến 28/02/2017 tại Bắc Kinh (Trung Quốc).

2. Dữ liệu liên tục về lưu lượng giao thông được phân cụm thành các khoảng giá trị cụ thể nào?
Biến traffic_volume được chia thành 3 khoảng giá trị rời rạc: mức thấp traffic_volume_0 (từ 269 đến 1.880 xe/giờ), mức trung bình traffic_volume_1 (từ 1.881 đến 4.130 xe/giờ), và mức cao traffic_volume_2 (từ 4.131 đến 7.100 xe/giờ).

3. Sự khác biệt cơ bản về mặt toán học giữa độ đo CIR và NSTe trong nghiên cứu này là gì?
$NSTe$ phụ thuộc vào hai tham số điều chỉnh $\lambda, \alpha$ và tính toán trên các xác suất quan sát rời rạc trong thời gian hữu hạn. Ngược lại, $CIR$ giải quyết hạn chế của $NSTe$ bằng cách đo lường trên thời gian liên tục thông qua tỷ số cường độ điều kiện ($\lambda^w_{x|y} / \lambda_x$ đối với $CIR_b$ và $\lambda^w_{x|y} / \lambda^w_{x|\bar{y}}$ đối với $CIR_c$), với tiêu chí phân định rõ ràng: các yếu tố độc lập khi $CIR = 1$ và có quan hệ phụ thuộc khi $CIR \neq 1$.

4. Vì sao nhóm tác giả không tự hiện thực hoàn chỉnh việc tìm tập cha $U$ cho thang điểm $CIR_m$?
Bài báo gốc của giải thuật Forward-Backward Search (FBS) không công khai mã nguồn thực thi. Nhóm tác giả chưa làm rõ được các chi tiết trong Thuật toán 1 (Optimal Parent Set Search) và đã gửi email trao đổi với tác giả bài báo gốc nhưng không nhận được phản hồi. Do đó, nhóm phải tiếp nhận kết quả tập cha do nhóm nghiên cứu trước cung cấp để tiến hành tính toán $CIR_m$.

5. Kết quả thực nghiệm cho thấy thang điểm nào đạt hiệu quả nhận diện nhân quả tốt nhất trên tập dữ liệu giao thông?
Hai thang điểm $CIR_b$ và $CIR_c$ đạt kết quả tốt nhất và tương đương nhau, vượt trội hơn hẳn so với $NSTe$. Cụ thể tại đánh giá $Hits@20$ với cửa sổ $w = 1$, cả $CIR_b$ và $CIR_c$ đều nhận diện chính xác 17/20 cặp nhân quả theo Ground Truth, trong khi $NSTe$ chỉ đạt 9/20 cặp.

Kết luận

Khóa luận tốt nghiệp của Đào Thị Thu Nga và Nguyễn Khánh Toàn đã giải quyết bài toán phát hiện mối quan hệ nhân quả trong chuỗi thời gian sự kiện thông qua việc hệ thống hóa lý thuyết xác suất, tiên đề Granger và các thang điểm liên kết nhân quả ($NSTe, CIR_b, CIR_c, CIR_m$). Bằng việc tiền xử lý phân cụm dữ liệu liên tục và thiết lập bộ chân lý Ground Truth từ tri thức chuyên gia, nghiên cứu đã thực nghiệm thành công trên hai bộ dữ liệu thực tế quy mô lớn về giao thông và chất lượng không khí. Kết quả định lượng khẳng định các thang điểm tỷ số cường độ điều kiện ($CIR_b, CIR_c$) với kích thước cửa sổ thời gian ngắn đạt độ chính xác và tính ổn định vượt trội so với thang điểm cân bằng điều kiện cần - đủ ($NSTe$), cung cấp cơ sở thực nghiệm hữu ích cho các nghiên cứu tiếp nối về suy luận nhân quả trong chuỗi thời gian.