Luận Án Tiến Sĩ: Phương Pháp Nâng Cao Độ Chính Xác Dự Báo Trong Mô Hình Chuỗi Thời Gian Mờ

• Tác giả: Nghiêm Văn Tính
• Người hướng dẫn: TS. Nguyễn Công Điều
• Trường học: Học viện Khoa học và Công nghệ - Viện Hàn lâm Khoa học và Công nghệ Việt Nam
• Chuyên ngành: Công nghệ thông tin và Viễn thông
• Đề tài: Phương Pháp Nâng Cao Độ Chính Xác Dự Báo Trong Mô Hình Chuỗi Thời Gian Mờ
• Loại tài liệu: luận án

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: NHỮNG KIẾN THỨC LIÊN QUAN
• 1.1. Các khái niệm về chuỗi thời gian
• 1.2. Chuỗi thời gian
• 1.3. Bài toán dự báo chuỗi thời gian
• 1.4. Chuỗi thời gian mờ và các mô hình dự báo chuỗi thời gian mờ
• 1.4.1. Một số khái niệm về tập mờ
• 1.4.2. Chuỗi thời gian mờ và các định nghĩa liên quan
• 1.4.3. Các thành phần của mô hình dự báo FTS
• 1.4.3.1. Giai đoạn huấn luyện (Xây dựng mô hình dự báo)
• 1.4.3.2. Giai đoạn kiểm thử (Giai đoạn dự báo)
• 1.4.4. Một số mô hình chuỗi thời gian mờ cơ bản
• 1.4.4.1. Mô hình dự báo của Song và Chissom
• 1.4.4.2. Mô hình dự báo của Chen
• 1.4.4.3. Mô hình dự báo của Yu
• 1.4.5. Tiêu chuẩn đánh giá độ chính xác của các mô hình dự báo
• 1.5. Một số phương pháp liên quan đến phân khoảng tập nền
• 1.5.1. Thuật toán phân cụm K-means
• 1.5.2. Thuật toán phân cụm mờ Fuzzy C-means
• 1.5.3. Thuật toán tối ưu bầy đàn (PSO)
• 1.6. Đại số gia tử
• 1.7. Kết luận Chương 1
• 2. CHƯƠNG 2: XÂY DỰNG CÁC MÔ HÌNH DỰ BÁO CHUỖI THỜI GIAN MỜ VỚI NHÓM QUAN HỆ MỜ PHỤ THUỘC THỜI GIAN
• 2.1. Nhóm quan hệ mờ phụ thuộc thời gian (NQHM-PTTG)
• 2.1.1. Các định nghĩa về nhóm quan hệ mờ phụ thuộc thời gian
• 2.1.2. Thuật toán tạo NQHM-PTTG bậc m
• 2.2. Các mô hình chuỗi thời gian mờ một nhân tố và hai nhân tố đề xuất
• 2.2.1. Mô hình dự báo chuỗi thời gian mờ một nhân tố (FTS-1NT)
• 2.2.2. Mô hình dự báo chuỗi thời gian mờ hai nhân tố (FTS-2NT)
• 2.3. Các phương pháp phân khoảng dữ liệu trong tập nền
• 2.3.1. Phân khoảng dữ liệu
• 2.3.1.1. Phân khoảng với độ dài bằng nhau
• 2.3.1.2. Phân khoảng với độ dài khác nhau
• 2.3.2. Các phương pháp phân khoảng đề xuất
• 2.3.2.1. Phân khoảng sử dụng phân cụm K-means
• 2.3.2.2. Phân khoảng sử dụng Đại số gia tử
• 2.4. Tổ chức thực nghiệm và so sánh đánh giá cho các mô hình FTS đề xuất và các phương pháp phân khoảng
• 2.4.1. Mô tả dữ liệu
• 2.4.2. Kết quả thực nghiệm của mô hình FTS một nhân tố (FTS-1NT)
• 2.4.2.1. Kết quả thực nghiệm của mô hình FTS-1NT trên tập dữ liệu tuyển sinh
• 2.4.2.2. Kết quả thực nghiệm của mô hình FTS-1NT trên tập dữ liệu thị trường chứng khoán (TAIFEX)
• 2.4.3. Kết quả thử nghiệm của mô hình FTS hai nhân tố (FTS-2NT)
• 2.4.4. Kết quả thực nghiệm trên mô hình FTS-1NT sử dụng hai phương pháp phân khoảng HA và K-means
• 2.4.4.1. So sánh đánh giá giữa hai phương pháp phân khoảng HA và K-means với các phương pháp phân khoảng khác trên cùng mô hình FTS-1NT
• 2.4.4.2. So sánh đánh giá mô hình FTS-1NT sử dụng phương pháp phân khoảng HA và K-means với các mô hình dự báo khác dựa trên QHM bậc 1
• 2.4.4.3. So sánh đánh giá mô hình FTS-1NT sử dụng phương pháp phân khoảng HA và K-means với các mô hình dự báo khác dựa trên QHM bậc cao
• 2.5. Kết luận Chương 2
• 3. CHƯƠNG 3: NÂNG CAO HIỆU QUẢ CỦA MÔ HÌNH DỰ BÁO SỬ DỤNG CÁC KỸ THUẬT TÍNH TOÁN MỀM
• 3.1. Các mô hình dự báo chuỗi thời gian mờ đề xuất
• 3.1.1. Mô hình chuỗi thời gian mờ một nhân tố (FTS-1NT) kết hợp giữa FCM và PSO
• 3.1.2. Mô hình chuỗi thời gian mờ hai nhân tố (FTS-2NT) sử dụng FCM và PSO
• 3.2. Tổ chức thực nghiệm và đánh giá hiệu quả của các mô hình dự báo được đề xuất
• 3.2.1. Đánh giá hiệu quả của mô hình FTS một nhân tố FTS1NT-CMPSO
• 3.2.1.1. Mô tả các chuỗi dữ liệu thời gian
• 3.2.1.2. Thiết lập các tham số của mô hình FTS1NT-CMPSO cho các tập dữ liệu
• 3.2.1.3. Áp dụng dự báo tuyển sinh đại học của trường đại học Alabama
• 3.2.1.4. Áp dụng dự báo thị trường chứng khoán Đài Loan TAIFEX
• 3.2.1.5. Áp dụng dự báo tai nạn ô tô tại Bỉ
• 3.2.2. Đánh giá hiệu quả của mô hình FTS hai nhân tố FTS2NT-CMPSO
• 3.2.2.1. Áp dụng dự báo trên tập dữ liệu nhiệt độ
• 3.2.2.2. Áp dụng dự báo trên tập dữ liệu thị trường chứng khoán
• 3.3. Kết luận Chương 3
• KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC CỦA TÁC GIẢ LIÊN QUAN ĐẾN LUẬN ÁN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu về mô hình chuỗi thời gian mờ

Mô hình chuỗi thời gian mờ (FTS) là một công cụ mạnh mẽ trong việc dự báo các hiện tượng không chắc chắn. Dự báo chuỗi thời gian là một lĩnh vực nghiên cứu quan trọng, giúp các nhà quản lý và nhà khoa học đưa ra quyết định chính xác hơn. Mô hình này cho phép xử lý các dữ liệu không chính xác và không đầy đủ, từ đó nâng cao độ chính xác dự báo. Các mô hình truyền thống như ARIMA thường yêu cầu dữ liệu phải là tuyến tính và dừng, điều này không phải lúc nào cũng khả thi trong thực tế. Do đó, việc áp dụng mô hình mờ giúp giải quyết những hạn chế này, cho phép dự báo trong các tình huống phức tạp hơn.

1.1. Khái niệm về chuỗi thời gian

Chuỗi thời gian là một tập hợp các giá trị được ghi lại theo thời gian. Việc phân tích chuỗi thời gian giúp nhận diện các xu hướng và mẫu trong dữ liệu. Mô hình chuỗi thời gian mờ cho phép xử lý các yếu tố không chắc chắn, từ đó cải thiện khả năng dự báo. Các mô hình này có thể được áp dụng trong nhiều lĩnh vực như kinh tế, khí tượng, và quản lý rủi ro. Việc sử dụng mô hình mờ giúp tăng cường khả năng dự đoán trong các tình huống mà dữ liệu không hoàn hảo.

II. Các phương pháp nâng cao độ chính xác dự báo

Để nâng cao độ chính xác dự báo, nhiều phương pháp đã được đề xuất. Một trong số đó là việc sử dụng kỹ thuật dự báo kết hợp với các mô hình mờ. Các mô hình như FCM (Fuzzy C-Means) và PSO (Particle Swarm Optimization) đã được áp dụng để tối ưu hóa quá trình dự báo. Việc kết hợp các phương pháp này giúp cải thiện đáng kể độ chính xác của các mô hình chuỗi thời gian mờ. Các nghiên cứu cho thấy rằng, việc áp dụng các phương pháp này không chỉ giúp cải thiện độ chính xác mà còn giảm thiểu sai số trong dự báo.

2.1. Mô hình FTS 1NT và FTS 2NT

Mô hình chuỗi thời gian mờ một nhân tố (FTS-1NT) và chuỗi thời gian mờ hai nhân tố (FTS-2NT) là hai trong số các mô hình được nghiên cứu. FTS-1NT sử dụng một yếu tố để dự báo, trong khi FTS-2NT kết hợp hai yếu tố. Việc áp dụng các mô hình này cho phép khai thác tối đa thông tin từ dữ liệu, từ đó nâng cao độ chính xác dự báo. Các kết quả thực nghiệm cho thấy rằng, mô hình FTS-2NT thường cho kết quả tốt hơn so với FTS-1NT, đặc biệt trong các tình huống phức tạp.

III. Kết quả thực nghiệm và đánh giá

Kết quả thực nghiệm cho thấy rằng các mô hình chuỗi thời gian mờ đề xuất có khả năng dự báo tốt hơn so với các mô hình truyền thống. Việc áp dụng các phương pháp phân khoảng như K-means và đại số gia tử đã giúp cải thiện đáng kể độ chính xác dự báo. Các số liệu thu thập từ các thử nghiệm cho thấy rằng mô hình FTS-1NT và FTS-2NT đều đạt được kết quả khả quan trong việc dự báo các chuỗi dữ liệu thực tế. Điều này chứng tỏ rằng việc áp dụng kỹ thuật mờ trong dự báo là một hướng đi đúng đắn.

3.1. So sánh với các mô hình khác

Khi so sánh với các mô hình khác như ARIMA hay mạng nơron, mô hình chuỗi thời gian mờ cho thấy ưu thế vượt trội trong việc xử lý dữ liệu không chắc chắn. Các nghiên cứu đã chỉ ra rằng, mô hình FTS-1NT và FTS-2NT có thể đạt được độ chính xác dự báo cao hơn, đặc biệt trong các tình huống mà dữ liệu có tính phi tuyến. Điều này mở ra nhiều cơ hội cho việc áp dụng các mô hình mờ trong thực tiễn, từ quản lý rủi ro đến dự báo kinh tế.