i ĐẠI HỌC THÁI NGUYÊN TRƢỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH HỌC VIÊN: TRẦN XUÂN HƢNG NGƢỜI HƢỚNG DẪN: TS. NGUYỄN CÔNG ĐIỀU ĐỀ TÀI: CÁC PHƢƠNG PHÁP TÍNH TOÁN TRONG SỰ BÁO CHUỖI THỜI GIAN MỞ THÁI NGUYÊN, 2015 Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com ii MỤC LỤC MỞ ĐẦU . 5 MỘT SỐ KHÁI NIỆM VỀ LÝ THUYẾT TẬP MỜ .1 Lý thuyết tập mờ .1 Định nghĩa tập mờ .2 Suy luận xấp xỉ và suy diễn mờ .1 Bộ mờ hoá .2 Hệ luật mờ.4 Bộ giải mờ. 26 MÔ HÌNH CHUỖI THỜI GIAN MỜ VÀ CÁC THUẬT TOÁN CƠ BẢN .1 Các kiến thức cơ bản về chuỗi thời gian .2 Tính chất của chuỗi thời gian .3 Tính xu hướng .4 Tính mùa vụ.3 Phân loại chuỗi thời gian .1 Chuỗi thời gian tuyến tính .2 Chuỗi thời gian phi tuyến .3 Chuỗi thời gian đơn biến .4 Chuỗi thời gian đa biến .5 Chuỗi thời gian hỗn loạn .4 Mô hình chuỗi thời gian . 31 Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn LUAN VAN CHAT LUONG download : add luanvanchat@agmail.2 Chuỗi thời gian mờ .2 Một số định nghĩa liên quan đến chuỗi thời gian mờ .3 Một số thuật toán trong mô hình chuỗi thời gian mờ .1 Các phương pháp chia khoảng .1 Phương pháp lựa chọn ngẫu nhiên .2 Phương pháp độ dài dựa trên sự phân bố giá trị .3 Phương pháp độ dài dựa trên giá trị trung bình .4 Phương pháp dựa trên mật độ .2 Mô hình thuật toán của Song và Chissom .3 Mô hình thuật toán của Chen.4 Mô hình chuỗi thời gian mờ đơn giản của Singh .5 Mô hình chuỗi thời gian mờ bậc cao của Singh . 44 ỨNG DỤNG TRONG TÍNH TOÁN THỬ NGHIỆM .1 Ứng dụng trong dự báo .1 Dự báo mức tiêu thụ điện bằng mô hình đơn giản của Singh .2 So sánh kết quả dự báo của phương pháp Singh đơn giản và bậc cao với các phương pháp khác .2 Đồ thị so sánh kết quả .1 Đồ thị so sánh của Chen và Singh đơn giản .2 Đồ thị so sánh Chen với Singh bậc cao . 58 Chƣơng trình: . 58 Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com iv Singh bậc cao . 62 Tài liệu tham khảo . 69 DANH MỤC HÌNH VẼ Hình 1.1 Hàm thuộc μA(x) có mức chuyển đổi tuyến tính.2 Hàm thuộc của tập B.3 Miền xác định và miền tin cậy của tập mờ A.4 Biểu diễn tập mờ chiều cao.5 Tập bù của tập mờ A.6 Hợp hai tập mờ có cùng tập vũ trụ.7 Giao hai tập mờ có cùng tập vũ trụ.8 Biểu diễn theo biểu đồ Sagittal .9 Cấu hình cơ bản của hệ mờ . 22 DANH MỤC BẢNG Bảng 1.1 Biểu diễn tập mờ A.2 Một số phép kéo theo mờ thông dụng .1 Ánh xạ cơ sở .1 Số liệu mức độ tiêu thụ điện tại trường Cao đẳng Y tế Phú Thọ .2 Phân bố giá trị trong từng khoảng .4 Mối quan hệ mờ .5 Nhóm mối quan hệ mờ .6 Kết quả dự báo của Chen .7 Bảng so sánh kết quả dự báo . 51 Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com v DANH MỤC BIỂU ĐỒ Biểu đồ 3.1 Biểu đồ so sánh 1 .2 Biểu đồ so sánh 2 . 55 Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 1 MỞ ĐẦU Chuỗi thời gian đang được sử dụng như một công cụ hữu hiệu để phân tích số liệu trong kinh tế, xã hội cũng như trong nghiên cứu khoa học. Chính do tầm quan trọng của phân tích chuỗi thời gian, rất nhiều tác giả đã đề xuất các công cụ phân tích chuỗi thời gian để trích xuất ra những thông tin quan trọng tờ trong các dãy số liệu. Trước đây, phương pháp chủ yếu để phân tích chuỗi thời gian là sử dụng các công cụ của thống kê như hồi qui, phân tích Fourie và một vài công cụ khác. Nhưng hiệu quả nhất có lẽ là phương pháp sử dụng mô hình ARIMA của Box-Jenkins. Mô hình này đã cho một kết quả khá tốt trong phân tích dữ liệu và đang được sử dụng rất rộng rãi trong thực tế. Tuy nhiên trong một số lĩnh vực nhất là trong kinh tế, mô hình ARIMA chưa thể hiện tính hiệu quả vì chuỗi số liệu diễn biến mang tính chất phi tuyến. Do đó để dự báo chuỗi thời gian trong kinh tế, người ta phải có những cải biên như sử dụng mô hình ARCH. Tuy vậy vẫn còn khá nhiều hạn chế khi áp dụng mô hình này khi chuỗi số liệu ngắn và có nhiều biến động mang tính chất phi tuyến. Để vượt qua được những khó khăn trên, gần đây nhiều tác giả đã sử dụng mô hình chuỗi thời gian mờ. Khái niệm tập mờ được Zadeh đưa ra từ năm 1965 và ngày càng tìm được ứng dụng trong nhiều lĩnh vực khác nhau nhất là trong điều khiển và trí tuệ nhân tạo. Trong lĩnh vực phân tích chuỗi thời gian, Song và Chissom [1-3] đã đưa ra khái niệm chuỗi thời gian mờ không phụ thuộc vào thời gian (chuỗi thời gian dừng) và phụ thuộc vào thời gian (không dừng) để dự báo. Chen [4] đã cải tiến và đưa ra phương pháp mới đơn giản và hữu hiệu hơn so với phương pháp của Song và Chissom. Trong phương pháp của mình, thay vì sử dụng các phép tính tổ hợp Max-Min phức tạp, Chen đã tính toán bằng các phép tính số học đơn giản để thiết lập các mối quan hệ mờ. Phương pháp của Chen cho hiệu quả cao hơn về mặt sai số dự báo và giảm độ phức tạp của thuật toán. LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 2 Từ các công trình ban đầu về chuỗi thời gian mờ được xuất hiện năm 1993, hiện nay mô hình này đang được sử dụng để dự báo trong rất nhiều lĩnh vực của kinh tế hay xã hội như giáo dục để dự báo số sinh viên nhập trường [2], [4] hay trong lĩnh vực dự báo thất nghiệp, dân số , chứng khoán và trong đời sống như dự báo mức tiêu thụ điện, hay dự báo nhiệt độ của thời tiết. Tuy nhiên xét về độ chính xác của dự báo, các thuật toán trên cho kết quả chưa cao. Để nâng cao độ chính xác của dự báo, một số thuật toán cho mô hình chuỗi thời gian mờ liên tiếp được đưa ra. Chen [5] đã sử dụng mô hình bậc cao của chuỗi thời gian mờ để tính toán. Sah và Degtiarev thay vì dự báo chuỗi thời gian đã sử dụng chuỗi thời gian là hiệu số bậc nhất để nâng cao độ chính xác và làm giảm độ phi tuyến. Trong thời gian gần đây có khá nhiều cải tiến được các nhà nghiên cứu trên thế giới đưa ra để cải tiến độ chính xác của mô hình theo nhiều hướng khác nhau. Chen (2002) dựa trên mô hình trước đây đã đưa ra mô hình chuỗi thời gian mờ bậc cao và ứng dụng trong dự báo. Huarng (2001) đã nghiên cứu ảnh hưởng của độ dài khoảng lên độ chính xác của mô hình và đã đề xuất ra hai phương pháp chia khoảng là phân chia dựa trên phân bố và dựa trên giá trị trung bình. Tiếp theo hướng phát triên này, Huarng và Yu (2006), Chen và Chung (2006), Kuo (2008) đã tập trung vào việc phân chia khoảng để nâng cao độ chính xác của mô hình. Chen và Chung (2006) đã sử dụng giải thuật gen để điều chỉnh độ dài của khoảng cho mô hình bậc một và bậc cao của chuỗi thời gian mờ. Li và Cheng (2008) đã sử dụng thuật toán c-mean mờ cũng cho mục đích này. Cuối cùng là Kuo và các tác giả khác (2008) đã đề xuất thuật toán dựa trên phương pháp tối ưu đám đông để cải tiến cách xây dựng độ dài của khoảng. Một hướng khác là sử dụng các cấu trúc khác nhau về mối quan hệ logic mờ để xây dựng các luật dự báo. Yu (2005) đã chú ý đến tính lặp lại của các tập mờ trong nhóm quan hệ logic mờ để gán tầm quan trọng của chúng bằng LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 3 các giá trị trọng số của mỗi lần lặp. (2010) đã chú ý đến yếu tố thời gian trong nhóm quan hệ logic mờ của Yu và đề xuất khái niệm nhóm quan hệ logic mờ phụ thuộc thời gian và ứng dụng trong dự báo. Như đã trình bày ở trên, mô hình chuỗi thời gian mờ đang có nhiều ứng dụng trong công tác dự báo. Tuy nhiên kết quả dự báo của các phương pháp đề xuất còn chưa cao. Do đó việc tìm tòi các mô hình có độ chính xác cao hơn và thuật toán đơn giản hơn đang là một ưu tiên. Trong những năm gần đây một số công trình đã được hoàn thành theo hướng nâng cao độ chính xác và giảm khối lượng tính toán trong mô hình chuỗi thời gian mờ như các công trình của Chen và Hsu, Huarng, Singh,. Mô hình chuỗi thời gian mờ bậc cao đã được xem xét nhiều và được coi là một công cụ đắc lực để nâng cao hiệu quả tính toán. Cách tiếp cận khác là sử dụng mô hình chuỗi thời gian mờ bậc cao hai nhân tố đã được một số tác giả nghiên cứu hứa hẹn thu được nhiều kết quả tốt. Trong số các phương pháp cải tiến, mô hình của Singh đáng quan tâm chủ yếu đơn giản trong thuật toán nhưng cho hiệu quả cao trong thực tế. Đặc biệt các thuật toán đưa ra trong mô hình này rất thuận tiện cho việc lập trình. Với mục tiêu tìm hiểu về việc sử dụng mô hình chuỗi thời gian mờ trong dự báo, em đã lựa chọn đề tài “Các phƣơng pháp tính toán trong dự báo chuỗi thời gian mờ” mà trọng tâm là các mô hình tính toán của Singh. Các mô hình này đặt trọng tâm là xây dựng các công cụ tính toán khá đơn giản để dự báo và mô hình được xét cả mô hình chuỗi thời gian mờ bậc nhất và bậc cao. Sau đó em sử dụng các mô hình này để dự báo “mức độ tiêu thụ điện tại trƣờng cao đẳng Y tế Phú Thọ” làm minh họa cho tính hiệu quả của các mô hình đã đề xuất trong luận văn tốt nghiệp của mình. Với Mục tiêu trên, nội dung của đề tài là tìm hiểu và nghiên cứu những khái niệm, tính chất và thuật toán trong mô hình chuỗi thời gian mờ và đặt trọng tâm vào tìm hiểu Các phƣơng pháp tính toán trong dự báo chuỗi LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 4 thời gian mờ của Singh và thử nghiệm tính hiệu quả của mô hình trong dự báo mức độ tiêu thụ điện tại trƣờng cao đẳng Y tế Phú Thọ.
Luận Văn Thạc Sĩ Về Các Phương Pháp Tính Toán Trong Dự Báo Chuỗi Thời Gian Mờ
Khám phá các phương pháp tính toán trong dự báo chuỗi thời gian mờ qua luận văn thạc sĩ, cung cấp kiến thức và ứng dụng thực tiễn.
Phí lưu trữ
30 PointMục lục chi tiết
THÔNG TIN CHI TIẾT
Tác giả: Trần Xuân Hưng
Người hướng dẫn: Ts. Nguyễn Công Điều
Trường học: Đại học Thái Nguyên - Trường Đại học Công nghệ Thông tin và Truyền thông
Chuyên ngành: Khoa học máy tính
Đề tài: Các phương pháp tính toán trong dự báo chuỗi thời gian mờ
Loại tài liệu: Luận văn thạc sĩ
Năm xuất bản: 2015
Địa điểm: Thái Nguyên
Trích đoạn nội dung tài liệu
Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ