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

130
1
0

Phí lưu trữ

30.000 VNĐ

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

Tài liệu "Phương Pháp Nâng Cao Độ Chính Xác Dự Báo Trong Mô Hình Chuỗi Thời Gian Mờ" tập trung vào việc cải thiện độ chính xác của các mô hình dự báo chuỗi thời gian bằng cách áp dụng các kỹ thuật mờ. Nó phân tích các phương pháp tối ưu hóa để giảm thiểu sai số dự báo, đồng thời đề xuất các giải pháp hiệu quả nhằm nâng cao hiệu suất của mô hình. Điều này mang lại lợi ích lớn cho các nhà nghiên cứu và chuyên gia trong lĩnh vực khoa học dữ liệu, giúp họ đưa ra các dự đoán chính xác hơn trong các ứng dụng thực tế.

Để hiểu sâu hơn về các thuật toán liên quan, bạn có thể tham khảo Luận văn thạc sĩ nghiên cứu một số thuật toán học máy để phân lớp dữ liệu và thử nghiệm, tài liệu này cung cấp cái nhìn tổng quan về các thuật toán học máy trong phân lớp dữ liệu. Ngoài ra, Luận văn thạc sĩ khoa học máy tính so sánh hai phương pháp thu gọn tập huấn luyện rhc và naive ranking trong phân lớp dữ liệu chuỗi thời gian sẽ giúp bạn hiểu rõ hơn về các phương pháp xử lý dữ liệu chuỗi thời gian. Cuối cùng, Luận văn thạc sĩ khoa học máy tính cải tiến giải thuật kmeans cho bài toán gom cụm dữ liệu chuỗi thời gian là một tài liệu hữu ích để khám phá các cải tiến trong thuật toán gom cụm dữ liệu.

Những tài liệu này sẽ mở rộng kiến thức của bạn về các phương pháp và thuật toán liên quan đến xử lý dữ liệu chuỗi thời gian, giúp bạn áp dụng hiệu quả hơn trong nghiên cứu và thực tiễn.