Luận văn thạc sĩ: Ứng dụng mô hình ANFIS vào bài toán dự báo trên dữ liệu chuỗi thời gian

Khám phá ứng dụng mô hình ANFIS trong dự báo chuỗi thời gian qua luận văn thạc sĩ, mang lại hiểu biết sâu sắc về phân tích dữ liệu.

• Tác giả: Hoàng Thăng Long
• Người hướng dẫn: TS. Đàng Tráng Háp
• Trường học: Trường Đại Học Công Nghiệp Hà Nội
• Chuyên ngành: Ngành Hệ Thống Thông Tin
• Đề tài: Ứng Dụng Mô Hình ANFIS Trong Dự Báo Chuỗi Thời Gian
• Loại tài liệu: Đồ Án Tốt Nghiệp
• Năm xuất bản: 2024
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT
• DANH MỤC CÁC BẢNG
• DANH MỤC CÁC HÌNH
• 1. CHƯƠNG 1: TỔNG QUAN LOGIC MỜ VÀ MẠNG NƠ- RON NHÂN TẠO
• 1.1. TỔNG QUAN LOGIC MỜ
• 1.1.1. Tập mờ (Ying, 2000)
• 1.1.2. Các phép toán trên tập mờ (Ying, 2000)
• 1.1.3. Logic mờ (Jang, 1997)
• 1.1.4. Kiến trúc của hệ mờ
• 1.1.5. Các khái niệm cơ bản
• 1.1.6. Ứng dụng của Logic mờ
• 1.2. TỔNG QUAN MẠNG NƠ- RON NHÂN TẠO
• 2. CHƯƠNG 2: THUẬT TOÁN ANFIS VÀ BÀI TOÁN DỰ BÁO DỮ LIỆU CHUỖI THỜI GIAN
• 2.1. THUẬT TOÁN ANFIS
• 2.1.1. Giới thiệu sơ lược và mô hình nơron - mờ (Jang, 1993)
• 2.1.2. Luật mờ if-then và hàm suy diễn mờ (Jang, 1993)
• 2.1.3. Mạng thích nghi
• 2.1.4. Cấu trúc của ANFIS (Jang, 1993)
• 2.1.5. Thuật toán huấn luyện hàm ANFIS
• 2.1.6. Ứng dụng của thuật toán ANFIS
• 2.2. DỮ LIỆU CHUỖI THỜI GIAN
• 2.2.1. Giới thiệu dữ liệu chuỗi thời gian
• 2.2.2. Một số phương pháp dự báo chuỗi thời gian đơn giản
• 2.3. ỨNG DỤNG THUẬT TOÁN ANFIS VÀO BÀI TOÁN DỰ BÁO DỮ LIỆU CHUỖI THỜI GIAN
• 2.3.1. Mô tả bài toán (El-Shafie, A.)
• 2.3.2. Xây dựng mô hình (Bằng, 2018)
• 2.3.2.1. Lựa chọn biến đầu vào
• 2.3.2.2. Cấu trúc mô hình dự báo
• 2.3.3. Thu thập dữ liệu
• 2.3.4. Chỉ số đánh giá
• 2.3.5. Kết quả thí nghiệm
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu về mô hình ANFIS

Mô hình ANFIS (Adaptive-Network-based Fuzzy Inference System) là một phương pháp mạnh mẽ trong việc dự báo chuỗi thời gian. ANFIS kết hợp giữa lý thuyết tập mờ và mạng nơron, giúp tối ưu hóa khả năng dự đoán thông qua việc học từ dữ liệu. Mô hình này có khả năng xử lý các biến đầu vào không chắc chắn, đồng thời cung cấp các kết quả đầu ra chính xác hơn so với các phương pháp truyền thống. Theo Jang (1993), ANFIS sử dụng các quy tắc if-then để xây dựng mô hình mờ, cho phép nó học hỏi từ dữ liệu và tự động điều chỉnh các tham số để cải thiện độ chính xác của dự đoán. Điều này đặc biệt hữu ích trong các lĩnh vực như tài chính, khí tượng và sản xuất, nơi mà việc dự đoán chính xác là cực kỳ quan trọng.

1.1. Cấu trúc của mô hình ANFIS

Cấu trúc của ANFIS bao gồm ba thành phần chính: lớp đầu vào, lớp ẩn và lớp đầu ra. Lớp đầu vào nhận dữ liệu từ môi trường, lớp ẩn thực hiện các phép toán mờ và lớp đầu ra cung cấp kết quả dự đoán. Các quy tắc mờ được áp dụng để xử lý thông tin từ lớp đầu vào, cho phép mô hình phản ánh các mối quan hệ phức tạp giữa các biến. ANFIS cũng sử dụng thuật toán huấn luyện để tối ưu hóa các trọng số trong mạng, từ đó cải thiện khả năng dự đoán. Điều này giúp ANFIS trở thành một công cụ mạnh mẽ trong việc phân tích và dự đoán chuỗi thời gian.

II. Ứng dụng của ANFIS trong dự báo chuỗi thời gian

ANFIS đã được áp dụng rộng rãi trong việc dự báo chuỗi thời gian, từ dự báo thời tiết đến dự báo tài chính. Việc sử dụng ANFIS cho phép các nhà nghiên cứu và chuyên gia có thể khai thác dữ liệu một cách hiệu quả hơn. Theo nghiên cứu của El-Shafie (2021), ANFIS có thể đạt được độ chính xác cao trong việc dự báo giá cả hàng hóa và xu hướng thị trường. Khả năng của ANFIS trong việc xử lý các biến đầu vào không chắc chắn và mờ giúp cho nó trở thành một công cụ lý tưởng để dự đoán các hiện tượng phức tạp. Thực tế, ANFIS đã được chứng minh là có khả năng vượt trội hơn so với các phương pháp truyền thống như hồi quy tuyến tính và mạng nơron đơn giản trong nhiều bài toán dự báo.

2.1. Dự báo thời tiết

Một trong những ứng dụng nổi bật của ANFIS là trong lĩnh vực dự báo thời tiết. Việc dự đoán chính xác các yếu tố như nhiệt độ, độ ẩm và lượng mưa là rất quan trọng đối với nhiều ngành, từ nông nghiệp đến du lịch. ANFIS có khả năng tích hợp nhiều nguồn dữ liệu khác nhau, từ dữ liệu lịch sử đến các chỉ số thời tiết hiện tại, để tạo ra các mô hình dự đoán chính xác. Nghiên cứu cho thấy rằng ANFIS có thể cải thiện đáng kể độ chính xác của các dự báo thời tiết so với các phương pháp truyền thống.

III. Phân tích và đánh giá hiệu quả của ANFIS

Phân tích hiệu quả của ANFIS trong dự báo chuỗi thời gian cho thấy rằng mô hình này không chỉ mang lại độ chính xác cao mà còn có khả năng học hỏi từ dữ liệu mới. Việc áp dụng ANFIS giúp giảm thiểu sai số trong dự đoán, từ đó nâng cao hiệu quả trong các quyết định quản lý và kinh doanh. Theo nghiên cứu của Bằng (2018), ANFIS đã cho thấy khả năng tối ưu hóa các tham số mô hình, giúp cải thiện đáng kể kết quả dự báo. Thêm vào đó, ANFIS cũng có thể dễ dàng điều chỉnh và mở rộng để phù hợp với các bài toán khác nhau, tạo điều kiện thuận lợi cho việc áp dụng trong thực tiễn.

3.1. Đánh giá độ chính xác

Đánh giá độ chính xác của ANFIS thường được thực hiện thông qua các chỉ số như RMSE (Root Mean Square Error) và CORR (Correlation Coefficient). Các nghiên cứu đã chỉ ra rằng ANFIS có thể đạt được các chỉ số này tốt hơn so với nhiều phương pháp khác. Sự kết hợp giữa khả năng học hỏi và xử lý thông tin không chắc chắn giúp ANFIS trở thành một lựa chọn ưu việt trong việc dự đoán chuỗi thời gian. Việc sử dụng ANFIS không chỉ giúp cải thiện độ chính xác mà còn tiết kiệm thời gian và nguồn lực trong quá trình phân tích dữ liệu.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Khai thác và phân tích dữ liệu lịch sử nhằm dự báo các giá trị tương lai với độ chính xác cao là một bài toán mang tính thách thức lớn trong lĩnh vực xử lý dữ liệu và trí tuệ nhân tạo. Hiện nay, hầu hết các nguồn dữ liệu phát sinh trên toàn cầu đều tồn tại dưới dạng chuỗi thời gian (time-series data) và khối lượng dữ liệu này đang gia tăng theo cấp số nhân. Các dữ liệu chuỗi thời gian như thời tiết, thị trường chứng khoán, lượng điện tiêu thụ, lưu lượng giao thông, hay lượng mưa đòi hỏi phải được mô hình hóa và dự báo chuẩn xác để hỗ trợ công tác quản trị, lập kế hoạch và ra quyết định kịp thời.

Trong bối cảnh biến đổi khí hậu diễn biến phức tạp, việc dự báo lưu lượng mưa tại các khu vực đóng vai trò thiết yếu đối với nhiều hoạt động phát triển kinh tế - xã hội như: lập kế hoạch sản xuất nông nghiệp, du lịch, đánh bắt và nuôi trồng thủy sản, quản lý và khai thác nguồn tài nguyên nước, tính toán lượng nước phục vụ tưới tiêu, điều tiết hồ chứa và chủ động phòng tránh, giảm nhẹ thiệt hại do thiên tai. Tuy nhiên, dữ liệu chuỗi thời gian lượng mưa mang bản chất phi tuyến phức tạp, biến động đa dạng và chứa đựng nhiều yếu tố bất định, khiến các phương pháp ngoại suy và mô hình tuyến tính truyền thống khó đạt độ chính xác cao. Do đó, việc ứng dụng hệ suy diễn mờ thích nghi trên nền mạng nơ-ron (ANFIS - Adaptive-Network-based Fuzzy Inference System) – mô hình kết hợp khả năng tự học của mạng nơ-ron nhân tạo và năng lực xử lý tri thức bất định của logic mờ – trở thành một hướng tiếp cận quan trọng để giải quyết bài toán dự báo chuỗi thời gian.

Mục tiêu nghiên cứu: Đề tài tập trung nghiên cứu cơ sở lý thuyết của hệ suy diễn mờ và mạng nơ-ron nhân tạo, từ đó ứng dụng thuật toán ANFIS vào việc xây dựng mô hình phân tích và dự báo trên dữ liệu chuỗi thời gian, nhằm nâng cao độ chính xác dự báo và giảm thiểu sai số.

Nhiệm vụ nghiên cứu:

1. Nghiên cứu tổng quan lý thuyết về logic mờ (tập mờ, các phép toán đại số trên tập mờ, cấu trúc hệ mờ nhiều đầu vào - một đầu ra) và mạng nơ-ron nhân tạo (cấu trúc nơ-ron, các hàm kích hoạt, nguyên tắc học có giám sát/củng cố/không giám sát, thuật toán lan truyền ngược).
2. Phân tích nguyên lý hoạt động và kiến trúc của mạng suy diễn mờ thích nghi ANFIS, cấu trúc 5 tầng mạng, thuật toán huấn luyện hệ mờ kết hợp lan truyền ngược, cùng các khái niệm và đặc tính của dữ liệu chuỗi thời gian.
3. Ứng dụng thuật toán ANFIS vào bài toán thực nghiệm dự báo dữ liệu chuỗi thời gian lượng mưa, thiết lập các tập tham số/biến đầu vào cho các mô hình (M1 đến M5) và thực hiện đánh giá định lượng độ chính xác của mô hình theo các khoảng thời gian (vụ 1 tháng, vụ 3 tháng, vụ 6 tháng) dựa trên các chỉ số sai số RMSE và hệ số tương quan CORR.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Thuật toán lai ANFIS (mạng thích nghi dựa trên hệ suy luận mờ) và phương pháp dự báo dữ liệu chuỗi thời gian.
• Phạm vi nghiên cứu: Dữ liệu chuỗi thời gian lượng mưa; thực nghiệm mô hình hóa với các cấu hình đầu vào khác nhau (từ mô hình M1 đến M5) phục vụ bài toán dự báo lượng mưa ngắn và trung hạn theo các chu kỳ vụ 1 tháng, 3 tháng và 6 tháng.

---

Cơ sở lý thuyết và phương pháp

Đồ án xây dựng nền tảng dựa trên các khung lý thuyết toán học và mô hình tính toán thông minh sau:

• Lý thuyết tập mờ và Logic mờ (Fuzzy Logic): Dựa trên lý thuyết tập mờ khởi xướng bởi L. Zadeh (1965) và các công trình tiếp nối (Ying, 2000; Jang, 1997). Nghiên cứu sử dụng các khái niệm về độ thuộc (membership degree), các phép toán đại số trên tập mờ (phép hợp lấy giá trị cực đại, phép giao lấy giá trị cực tiểu, phép bù). Hệ suy diễn mờ (FIS) được thiết lập theo cấu trúc hệ nhiều đầu vào - một đầu ra (MISO), bao gồm các khối: cơ sở luật (chứa các luật IF-THEN dạng Mamdani hoặc Takagi-Sugeno), cơ sở dữ liệu hàm liên thuộc, bộ mờ hóa (sử dụng hàm dạng tam giác, hình thang, hình chuông Bell, Gauss hoặc hàm sigmoid), bộ suy diễn mờ (max-min, max-tích) và bộ giải mờ (phương pháp trung bình trọng số, phép cắt, trung vị hoặc giá trị cực đại).
• Mạng nơ-ron nhân tạo (Artificial Neural Network - ANN): Mô hình hóa cấu trúc phân tán song song lấy cảm hứng từ tế bào nơ-ron sinh học, gồm các lớp đầu vào, lớp ẩn và lớp đầu ra. Các hàm chuyển đổi (kích hoạt) được khảo sát gồm: hàm bước nhảy, hàm dấu, hàm dốc, hàm tuyến tính bão hòa, hàm sigmoid đơn cực và lưỡng cực. Thuật toán huấn luyện mạng được áp dụng là thuật toán lan truyền ngược (Backpropagation - BP do Werbos đề xuất), sử dụng kỹ thuật hạ độ dốc (gradient descent) để điều chỉnh vector trọng số liên kết $w_{ji}$ và ngưỡng độ lệch $b_j$ nhằm tối thiểu hóa sai số giữa đầu ra thực tế $o_j$ và đầu ra mong muốn $t_j$.
• Hệ suy diễn mờ thích nghi (ANFIS): Đồ án triển khai cấu trúc mạng thích nghi 5 lớp của Jang (1993, 1997) với luật mờ bậc nhất Takagi-Sugeno:
  • Lớp 1 (Mờ hóa): Các nút thích nghi tính giá trị hàm thuộc $\mu_{A_i}(x)$ (sử dụng hàm Bell hoặc Gauss) đối với biến đầu vào.
  • Lớp 2 (Tính cường độ luật): Các nút cố định (ký hiệu $\Pi$) tính tích độ thuộc của các đầu vào, tạo ra cường độ kích hoạt luật $w_i = \mu_{A_i}(x) \times \mu_{B_i}(y)$.
  • Lớp 3 (Chuẩn hóa cường độ luật): Các nút cố định (ký hiệu $N$) tính tỷ lệ cường độ luật chuẩn hóa $\bar{w}_i = \frac{w_i}{w_1 + w_2}$.
  • Lớp 4 (Kết luận luật): Các nút thích nghi tính toán giá trị đầu ra của từng luật theo hàm tuyến tính: $\bar{w}_i f_i = \bar{w}_i (p_i x + q_i y + r_i)$, trong đó ${p_i, q_i, r_i}$ là tập tham số kết luận.
  • Lớp 5 (Tổng đầu ra): Nút cố định duy nhất (ký hiệu $\Sigma$) tính tổng tất cả các tín hiệu đầu vào: $\sum_i \bar{w}_i f_i = \frac{\sum_i w_i f_i}{\sum_i w_i}$.
• Phương pháp nghiên cứu: Đồ án kết hợp nghiên cứu lý thuyết định lượng, phân tích thuật toán toán học và phương pháp thực nghiệm mô hình hóa chuỗi thời gian. Dữ liệu huấn luyện được xử lý qua thuật toán cập nhật ma trận hệ số suy luận mờ kết hợp kiểm tra điều kiện hội tụ sai số (Error) và số lần lặp (epochs < 1000).
• Chỉ số đánh giá độ chính xác:
  • Sai số dự đoán căn bậc hai trung bình (RMSE - Root Mean Square Error).
  • Hệ số tương quan (CORR - Correlation Coefficient).

---

Nội dung chính theo từng chương

Mở đầu

Phần mở đầu trình bày tính cấp thiết của đề tài dự báo dữ liệu chuỗi thời gian trong bối cảnh khối lượng dữ liệu toàn cầu tăng nhanh. Tác giả chỉ ra vai trò của các mô hình dự báo định lượng và định tính, nêu rõ sự cần thiết của việc dự báo thời tiết và lượng mưa phục vụ phát triển nông nghiệp, thủy sản và quản lý nguồn nước. Phần này cũng xác định mục đích, đối tượng và phạm vi nghiên cứu của đồ án, khẳng định tiềm năng ứng dụng của mô hình lai ANFIS trong việc mô hình hóa các mối quan hệ phi tuyến phức tạp.

Chương 1: Tổng quan logic mờ và mạng nơ-ron nhân tạo

Chương 1 cung cấp cơ sở lý thuyết toán học toàn diện về hai trụ cột công nghệ tạo nên mô hình lai:

1. Tổng quan Logic mờ: Trình bày chi tiết lý thuyết tập mờ của Zadeh, các phép toán đại số (tập con, phép hợp, giao, bù), cấu trúc hệ mờ tổng quát và hệ mờ nhiều đầu vào - một đầu ra (MISO). Tác giả phân tích cụ thể các kỹ thuật mờ hóa (hàm tam giác, hình thang, hình chuông, chuông Gauss, hàm sigmoid) và 4 phương pháp giải mờ (trung bình trọng số, phép cắt, giá trị cực đại, trung vị).
2. Tổng quan Mạng nơ-ron nhân tạo: Mô tả giải phẫu nơ-ron sinh học và biểu diễn toán học nơ-ron nhân tạo với công thức tổng trọng số $net = \sum w_j x_j + b$ cùng các hàm kích hoạt (sigmoid, step, dấu, dốc, bão hòa). Tác giả phân loại mạng truyền thẳng một lớp/nhiều lớp và mạng hồi quy; trình bày ba nguyên lý học chính (học có giám sát, học củng cố, học không giám sát) và mô tả chi tiết từng bước của thuật toán lan truyền ngược (Backpropagation) dựa trên đạo hàm giảm độ dốc.

Tiêu chí	Mạng nơ-ron nhân tạo	Logic mờ
Thể hiện tri thức	Không tường minh, khó giải thích, khó chỉnh sửa ("hộp đen").	Tường minh, biểu diễn bằng luật ngôn ngữ, dễ kiểm chứng và sửa đổi.
Khả năng học	Có khả năng tự học và thích nghi từ tập dữ liệu huấn luyện.	Không có khả năng tự học; người thiết kế phải tự định nghĩa luật và hàm thuộc.
Xử lý bất định	Xấp xỉ phi tuyến mạnh thông qua điều chỉnh trọng số.	Mô hình hóa tốt thông tin mờ, không chắc chắn dựa trên tập mờ.

Tác giả cũng tổng hợp sự tương đồng giữa các phương pháp học của mạng nơ-ron với cách học của bộ não con người:

• Học có sự hướng dẫn của giáo viên tương ứng với Học có giám sát (Supervised Learning).
• Học có sự đánh giá của giáo viên tương ứng với Học củng cố (Reinforcement Learning).
• Tự học tương ứng với Học không giám sát (Unsupervised Learning).

Chương 2: Thuật toán ANFIS và bài toán dự báo dữ liệu chuỗi thời gian

Chương 2 tập trung đi sâu vào cấu trúc tích hợp nơron - mờ và các đặc trưng của bài toán dự báo chuỗi thời gian:

1. Thuật toán ANFIS: Phân tích sự kết hợp giữa logic mờ (tính tường minh, biểu diễn tri thức dạng luật IF-THEN) và mạng nơ-ron (khả năng học tham số, xử lý song song). Trình bày hai dạng luật mờ (Mamdani và Takagi-Sugeno), trong đó ANFIS ứng dụng luật Takagi-Sugeno với phần hệ quả là hàm tuyến tính. Tác giả mô tả chi tiết cấu trúc mạng thích nghi 5 tầng của ANFIS và quy trình thuật toán huấn luyện:
   • Khởi tạo: Tạo tập ma trận mờ $M\text{-fuzzy}$, khởi tạo vector trọng số $W$, chuẩn hóa $W$, khởi tạo ma trận hệ số suy luận $R$ và tính sai số ban đầu.
   • Vòng lặp huấn luyện: Lặp cập nhật ma trận hệ số suy luận $R$ dựa trên hàm lỗi với điều kiện sai số đạt ngưỡng hoặc số lần lặp đạt tối đa 1000 lần.
   • Ứng dụng của ANFIS: Liệt kê 10 lĩnh vực ứng dụng bao gồm dự báo tài chính/thị trường, hệ thống điều khiển tự động, xử lý ảnh/âm thanh, y học, quản lý tài nguyên - môi trường, công nghiệp và robot.
2. Dữ liệu chuỗi thời gian: Trình bày 4 đặc điểm cốt lõi cấu thành chuỗi thời gian: tính xu hướng (trend), tính mùa vụ (seasonality), biến đổi có chu kỳ (cyclical) và biến đổi ngẫu nhiên (irregular/noise). Tác giả phân loại dự báo theo khoảng thời gian (ngắn hạn < 3 tháng hoặc < 1 năm, trung hạn 3 tháng - 3 năm, dài hạn > 3 năm), theo nội dung (kinh tế, kỹ thuật công nghệ, nhu cầu sản phẩm) và theo phương pháp (định tính Delphi vs định lượng). Hai phương pháp dự báo chuỗi thời gian đơn giản cũng được trình bày làm cơ sở đối sánh:
   • Phương pháp trung bình giản đơn (Simple Average): $F_t = \frac{1}{n} \sum_{i=1}^n X_{t-i}$
   • Phương pháp trung bình động có trọng số (Weighted Moving Average): $F_t = \sum_{i=1}^n w_i X_{t-i}$ với $\sum w_i = 1$.

Chương 3: Ứng dụng thuật toán ANFIS vào bài toán dự báo dữ liệu chuỗi thời gian

Chương 3 triển khai toàn bộ quy trình thực nghiệm ứng dụng mô hình ANFIS vào bài toán cụ thể:

1. Mô tả bài toán và xây dựng mô hình: Thiết lập bài toán dự báo lượng mưa dựa trên việc khai thác dữ liệu chuỗi thời gian lịch sử. Cấu trúc mô hình dự báo ANFIS được thiết lập với các tập biến đầu vào khác nhau, tạo thành các mô hình thử nghiệm từ M1 đến M5.
2. Thu thập dữ liệu và chỉ số đánh giá: Thu thập và tiền xử lý dữ liệu chuỗi thời gian lượng mưa thực tế. Để đo lường độ chính xác và mức độ bám sát dữ liệu thực tế của mô hình, đồ án sử dụng hai chỉ số thống kê tiêu chuẩn: sai số căn bậc hai trung bình (RMSE) và hệ số tương quan (CORR).
3. Kết quả thử nghiệm: Tiến hành huấn luyện và kiểm thử các mô hình M1, M2, M3, M4, M5 trên 3 kịch bản chu kỳ thời gian dự báo:
   • Đánh giá kết quả chỉ số dự báo lượng mưa vụ 1 tháng (Bảng 3.1 và Hình 3.2).
   • Đánh giá kết quả chỉ số dự báo lượng mưa vụ 3 tháng (Bảng 3.2 và Hình 3.3).
   • Đánh giá kết quả chỉ số dự báo lượng mưa vụ 6 tháng (Bảng 3.3 và Hình 3.4).

---

Kết quả và đóng góp

• Kết quả thực nghiệm chính:
  • Hệ thống hóa đầy đủ cơ sở toán học của mô hình ANFIS 5 tầng, kết hợp hàm thành viên mờ (Gauss/Bell) với bộ suy diễn mờ Takagi-Sugeno bậc nhất.
  • Xây dựng thành công quy trình tiền xử lý, huấn luyện và kiểm thử mô hình ANFIS trên dữ liệu chuỗi thời gian lượng mưa theo 5 cấu hình thử nghiệm (M1 - M5).
  • Thu được các bảng kết quả chỉ số đánh giá định lượng (RMSE và CORR) cho 3 khung thời gian dự báo khác nhau: vụ 1 tháng (Bảng 3.1), vụ 3 tháng (Bảng 3.2) và vụ 6 tháng (Bảng 3.3), chứng minh tính khả thi của mô hình ANFIS trong việc nắm bắt đặc tính biến thiên phi tuyến và tính mùa vụ của lượng mưa.
• Giải pháp và đề xuất của tác giả:
  • Đề xuất quy trình kết hợp mạng nơ-ron và logic mờ nhằm tự động hóa việc xác định tham số hàm thuộc và trích xuất luật mờ từ dữ liệu số, giải quyết rào cản phụ thuộc vào kinh nghiệm chuyên gia của hệ mờ truyền thống.
  • Khuyến nghị ứng dụng mô hình dự báo chuỗi thời gian ANFIS vào công tác quản lý tài nguyên nước, vận hành hồ chứa, tưới tiêu nông nghiệp và cảnh báo thiên tai tại các địa phương.
• Đóng góp về mặt khoa học và kỹ thuật:
  • Khắc phục nhược điểm "hộp đen" không thể giải thích của mạng nơ-ron nhân tạo thuần túy bằng cách tích hợp khả năng suy luận tường minh dựa trên luật ngôn ngữ của logic mờ.
  • Khắc phục hạn chế không có khả năng tự học của hệ suy diễn mờ thông qua việc sử dụng thuật toán lan truyền ngược điều chỉnh tham số tiền đề (hàm thuộc) và tham số kết luận.

---

Hạn chế và hướng nghiên cứu tiếp

• Hạn chế:
  • Nghiên cứu tập trung đánh giá thử nghiệm trên tập dữ liệu chuỗi thời gian lượng mưa đơn biến và các chu kỳ vụ cụ thể (1 tháng, 3 tháng, 6 tháng), chưa khảo sát đồng thời tác động của nhiều biến khí tượng ngoại cảnh phức tạp khác (như nhiệt độ, độ ẩm, áp suất khí quyển, tốc độ gió) trong cùng một mô hình đa biến (MIMO).
  • Việc tối ưu hóa tham số mạng ANFIS vẫn dựa trên thuật toán lan truyền ngược truyền thống, có thể gặp nguy cơ rơi vào cực tiểu cục bộ hoặc tốc độ hội tụ phụ thuộc vào việc khởi tạo tham số ban đầu.
• Hướng nghiên cứu tiếp:
  • Mở rộng ứng dụng mô hình ANFIS cho các dạng dữ liệu chuỗi thời gian phức tạp trong các lĩnh vực khác như: dự báo phụ tải điện năng, biến động giá cổ phiếu tài chính, lưu lượng giao thông đô thị và nồng độ ô nhiễm không khí.
  • Nghiên cứu kết hợp các thuật toán tối ưu hóa thông minh toàn cục (như thuật toán di truyền - GA, thuật toán bầy đàn hạt - PSO) để tối ưu hóa đồng thời cấu trúc luật mờ và tập tham số của mạng ANFIS.

---

Giá trị tham khảo

Đồ án tốt nghiệp Thạc sĩ này là tài liệu tham khảo có giá trị học thuật và ứng dụng thực tiễn cao cho:

• Học viên cao học, sinh viên và nghiên cứu sinh thuộc các chuyên ngành Hệ thống thông tin, Khoa học dữ liệu, Công nghệ thông tin, Kỹ thuật điều khiển & Tự động hóa đang thực hiện các đề tài nghiên cứu về tính toán mềm (Soft Computing), mô hình lai nơ-ron mờ và học máy.
• Các kỹ sư và chuyên viên phân tích dữ liệu trong lĩnh vực khí tượng thủy văn, nông nghiệp, năng lượng và tài chính cần xây dựng hệ thống dự báo chuỗi thời gian phi tuyến.
• Nội dung giá trị nhất để tham khảo: Cấu trúc toán học chi tiết của mạng ANFIS 5 lớp (Mục 2.4 Chương 2), thuật toán huấn luyện tham số mờ (Mục 2.5 Chương 2) và phương pháp thiết lập các biến đầu vào cho mô hình dự báo chuỗi thời gian thực nghiệm (Chương 3).

---

Câu hỏi thường gặp

1. Mô hình ANFIS giải quyết được những hạn chế cố hữu nào của Mạng nơ-ron nhân tạo (ANN) và Hệ logic mờ khi hoạt động độc lập?
Mạng nơ-ron có khả năng tự học và xử lý phi tuyến mạnh nhưng mang tính chất "hộp đen", không thể giải thích tri thức bằng ngôn ngữ tự nhiên. Ngược lại, logic mờ có tính tường minh cao qua các luật IF-THEN nhưng không có khả năng tự học từ dữ liệu mà phụ thuộc hoàn toàn vào chuyên gia. ANFIS kết hợp cả hai: sử dụng mạng nơ-ron để tự động học và điều chỉnh các tham số hàm thuộc từ dữ liệu, đồng thời giữ nguyên khả năng biểu diễn tri thức rõ ràng của hệ mờ.

2. Cấu trúc mạng ANFIS được chia thành mấy lớp và chức năng của từng lớp là gì?
ANFIS gồm 5 lớp:

• Lớp 1 (Nút thích nghi): Tính độ thuộc của từng biến đầu vào theo hàm thành viên dạng Chuông (Bell) hoặc Gaussian.
• Lớp 2 (Nút $\Pi$): Tính tích các độ thuộc để xác định cường độ kích hoạt của từng luật mờ.
• Lớp 3 (Nút $N$): Chuẩn hóa cường độ kích hoạt của từng luật mờ so với tổng cường độ của tất cả các luật.
• Lớp 4 (Nút thích nghi): Tính toán giá trị đầu ra của từng luật theo hàm kết luận tuyến tính kiểu Takagi-Sugeno: $\bar{w}_i (p_i x + q_i y + r_i)$.
• Lớp 5 (Nút $\Sigma$): Tính tổng các tín hiệu đầu ra chuẩn hóa từ lớp 4 để cho ra kết quả dự báo số cuối cùng.

3. Đồ án sử dụng các chỉ số thống kê nào để đánh giá độ chính xác của các mô hình dự báo?
Tác giả sử dụng hai chỉ số đánh giá định lượng: sai số căn bậc hai trung bình (RMSE - Root Mean Square Error) dùng để đo lường độ lệch giữa giá trị dự báo và giá trị thực tế, cùng hệ số tương quan (CORR - Correlation Coefficient) để đánh giá mức độ tương quan tuyến tính và xu hướng biến thiên giữa chuỗi dữ liệu dự báo với dữ liệu thực tế.

4. Dữ liệu chuỗi thời gian có những đặc tính cơ bản nào và được phân loại theo khoảng thời gian như thế nào trong đồ án?
Chuỗi thời gian gồm 4 đặc tính: tính xu hướng, tính mùa vụ, biến đổi có chu kỳ và biến đổi ngẫu nhiên. Về mặt thời gian, đồ án phân loại thành 3 nhóm dự báo: ngắn hạn (dưới 3 tháng hoặc dưới 1 năm), trung hạn (từ 3 tháng đến 3 năm) và dài hạn (trên 3 năm).

5. Thuật toán huấn luyện hệ ANFIS trong văn bản được thực hiện qua các bước nào?
Quá trình huấn luyện gồm 2 bước chính:

• Bước 1 (Khởi tạo): Tạo ma trận mờ $M\text{-fuzzy}$ từ tập dữ liệu huấn luyện, khởi tạo và chuẩn hóa vector trọng số $W$, khởi tạo ngẫu nhiên ma trận hệ số suy luận $R$ và tính sai số ban đầu.
• Bước 2 (Huấn luyện lặp): Duyệt qua từng bộ dữ liệu, cập nhật ma trận hệ số $R$ dựa trên hàm lỗi, tính ma trận dự báo $F$, chuẩn hóa ma trận dự báo, tính sai số lỗi (Error) và lưu trữ ma trận hệ số $R_i$. Quá trình lặp dừng lại khi sai số đạt ngưỡng cho phép hoặc số lần lặp vượt quá 1000 chu kỳ (epochs).

---

Kết luận

Đồ án tốt nghiệp Thạc sĩ "Nghiên cứu ứng dụng mô hình ANFIS vào bài toán dự báo trên dữ liệu chuỗi thời gian" của tác giả Hoàng Thăng Long đã hệ thống hóa sâu sắc lý thuyết về logic mờ, mạng nơ-ron nhân tạo và kiến trúc mạng lai ANFIS 5 tầng. Công trình đã ứng dụng thành công mô hình ANFIS vào bài toán thực nghiệm dự báo chuỗi thời gian lượng mưa theo các khung thời gian 1 tháng, 3 tháng và 6 tháng, kiểm chứng định lượng hiệu quả thông qua các chỉ số RMSE và CORR trên 5 cấu hình mô hình (M1 - M5). Kết quả nghiên cứu khẳng định tiềm năng to lớn của mô hình nơron - mờ trong việc nâng cao độ chính xác dự báo các dữ liệu chuỗi thời gian phi tuyến phức tạp, cung cấp cơ sở khoa học tin cậy cho công tác quản lý tài nguyên và hỗ trợ ra quyết định thực tiễn.

Trích đoạn nội dung tài liệu

Bä CÔNG TH£¡NG TR£àNG Đ¾I HàC CÔNG NGHIàP HÀ NâI --------------- HOÀNG THĂNG LONG NGUYÊN CĀU ĀNG DĀNG MÔ HÌNH ANFIS VÀO BÀI TOÁN DĄ BÁO TRÊN DĂ LIàU CHUàI THàI GIAN Đ ÁN TàT NGHIàP TH¾C S) Hà THàNG THÔNG TIN Hà Nåi – 2024 Bä CÔNG TH£¡NG TR£àNG Đ¾I HàC CÔNG NGHIàP HÀ NâI --------------- HOÀNG THĂNG LONG NGUYÊN CĀU ĀNG DĀNG MÔ HÌNH ANFIS VÀO BÀI TOÁN DĄ BÁO TRÊN DĂ LIàU CHUàI THàI GIAN Ngành Há tháng thông tin Mã sá: 8480104 Đ ÁN TàT NGHIàP TH¾C S) Hà THàNG THÔNG TIN NG£èI H£æNG DÀN KHOA HàC: 1. ĐÀNG TRàNG HĀP Hà Nåi – 2024 i MĀC LĀC MĂC LĂC. i LèI CAM ĐOAN. iii DANH MĂC CÁC KÝ HIàU, CÁC CHĂ VIÀT TÄT.

iv DANH MĂC CÁC BÀNG. vi Mê ĐÀU. TàNG QUAN LOGIC Mè VÀ M¾NG N¡-RON NHÂN T¾O .1 TàNG QUAN LOGIC Mè .2 Các phép toán đ¿i sá trên tÃp mé (Ying, 2000) .3 Logic mé (Jang, J.2 TàNG QUAN M¾NG N¡-RON NHÂN T¾O .2 Các lo¿i mô hình c¿u trúc m¿ng n¢-ron .3 Các tính ch¿t cÿa m¿ng n¢-ron .5 ThuÃt toán lan truyÃn ng¤āc. THUÂT TOÁN ANFIS VÀ BÀI TOÁN DĄ BÁO DĂ LIàU CHUâI THèI GIAN.3 Các ph¤¢ng pháp.2 THUÂT TOÁN ANFIS .1 Giçi thiáu s¢ l¤āc và mô hình n¢ron - mé (Jang, 1993) .2 LuÃt mé if-then và há suy dißn mé (Jang, 1993) .3 M¿ng thích nghi .4 C¿u trúc cÿa ANFIS (Jang, J.5 ThuÃt toán hu¿n luyán há ANFIS .6 Āng dăng cÿa thuÃt toán ANFIS .3 DĂ LIàU CHUâI THèI GIAN .1 Giçi thiáu dă liáu chuãi théi gian .2 Måt sá ph¤¢ng pháp dą báo chuãi théi gian đ¢n giÁn.

ĀNG DĂNG THUÂT TOÁN ANFIS VÀO BÀI TOÁN DĄ BÁO DĂ LIàU CHUâI THèI GIAN .1 MÔ TÀ BÀI TOÁN (El-Shafie, A.2 XÂY DĄNG MÔ HÌNH (Bằng, 2018) .2 Ląa chán biÁn đÁu vào .3 C¿u trúc mô hình dą báo .3 THU THÂP DĂ LIàU .4 CHâ Sà ĐÁNH GIÁ .5 KÀT QUÀ THĀ NGHIàM. 58 TÀI LIàU THAM KHÀO. 59 iii LàI CAM ĐOAN Tôi xin cam đoan rằng đà án th¿c s* Há tháng thông tin <Nghiên cāu āng dăng thuÃt toán ANFIS vào bài toán dą báo trên dă liáu chuãi théi gian= là công trình nghiên cāu cÿa tôi d¤çi są h¤çng dÁn cÿa TS. ĐÁng Tráng Hāp.

Toàn bå nåi dung đ¤āc trình bày trong đà án này hoÁc là đÁn tÿ są tìm hiểu nghiên cāu cÿa tôi hoÁc là táng hāp, thu thÃp tÿ các tài liáu khác nhau đÃu đ¤āc trích dÁn đÁy đÿ trong phÁn tài liáu tham khÁo. Các tài liáu tham khÁo này đ¤āc sā dăng måt cách hāp lý và minh b¿ch. Tôi xin cam đoan rằng không có b¿t cā vi ph¿m nào đái vçi các quy đßnh đ¿o đāc nghiên cāu khoa hác trong quá trình thąc hián dą án. Tôi xin hoàn toàn chßu trách nhiám và chßu mái hình thāc kỷ luÃt theo quy đßnh và tính chính xác và trung thąc cÿa đà án nghiên cāu này.

Hà Nåi, ngày tháng năm 2024 Tác giÁ đà án iv DANH MĀC CÁC KÝ HIàU, CÁC CHĂ VI¾T TÂT Vi¿t tÃt Ti¿ng Anh Ti¿ng Viát AI Artificial Intelligence Trí tuá nhân t¿o ANN Artificial Neural Network M¿ng N¢-ron nhân t¿o Adaptive-Network-based M¿ng thích nghi dąa trên c¢ së ANFIS Fuzzy Inference System há suy luÃn mé BP Back Propagation Lan truyÃn ng¤āc MIMO Multi Input Multi Output NhiÃu đÁu vào – nhiÃu đÁu ra MISO Multi Input Single Output NhiÃu đÁu vào – måt đÁu ra RMSE Root mean square error Sai sá dą đoán CORR Correlation Coefficient Há sá t¤¢ng quan v DANH MĀC CÁC BÀNG BÁng 1.1 So sánh bå não con ng¤éi vçi ph¤¢ng pháp hác cÿa m¿ng n¢ron nhân t¿o.1 So sánh m¿ng n¢ron và logic mé .1 KÁt quÁ chã sá đánh giá l¤āng m¤a vă 1 tháng .2 KÁt quÁ chã sá đánh giá l¤āng m¤a vă 3 tháng .3 KÁt quÁ chã sá đánh giá l¤āng m¤a vă 6 tháng. 56 vi DANH MĀC CÁC HÌNH Hình 1.1 Hāp cÿa hai tÃp mé A và B.2 Giao cÿa hai tÃp mé A và B .3 PhÁn bù cÿa tÃp hāp A .4 KiÁn trúc cÿa há mé táng quát .5 Há mé nhiÃu đÁu vào – måt đÁu ra .6 TÁ bào n¢ron sinh hác .7 M¿ng n¢ron nhân t¿o .8 TÁ bào n¢ron nhân t¿o .9 Các d¿ng hàm tác đång thông dăng .10 Mô hình tÁ bào n¢ron .12 Các lo¿i m¿ng n¢ron nhân t¿o thông dăng .16 S¢ đß táng quát måt tÁ bào n¢ron nhân t¿o trong hu¿n luyán.17 KiÁn trúc cÿa m¿ng n¢ron lan truyÃn ng¤āc .1 Dą báo đßnh tính và dą báo đßnh l¤āng.2 Há tháng suy luÃn mé .3 M¿ng thích nghi.4 C¿u trúc thuÃt toán ANFIS .5 Phân lo¿i các ph¤¢ng pháp dą báo chuãi théi gian .2 KÁt quÁ dą báo l¤āng m¤a vă 1 tháng cÿa M1-M5 .3 KÁt quÁ dą báo l¤āng m¤a vă 3 tháng cÿa M1-M5 .4 KÁt quÁ dą báo l¤āng m¤a vă 6 tháng cÿa M1-M5. Lý do chán đề tài Khai thác dă liáu tÿ quá khā để dą báo dă liáu t¤¢ng lai vçi đå chính xác cao là v¿n đà thā thách trong nghiên cāu hián nay. M¿ng n¢ron nhân t¿o nói chung và há suy dißn mé- n¢ron thích nghi (ANFIS - Adaptive-Network- based Fuzzy Inference System) nói riêng là måt trong các kỹ thuÃt để dą báo dă liáu chuãi théi gian.

Các dă liáu chuãi théi gian nh¤ théi tiÁt, chāng khoán, l¤āng đián tiêu thă, l¤āng m¤a,. cÁn đ¤āc dą báo để phân tích, đánh giá, đ¤a ra quyÁt đßnh quÁn lý kßp théi. Trong nhăng năm gÁn đây, dißn biÁn và théi tiÁt r¿t phāc t¿p đ¤āc quan tâm và nghiên cāu nhiÃu trong đó có l¤u l¤āng m¤a các khu vąc phăc vă cho các ho¿t đång phát triển kinh tÁ nh¤: kÁ ho¿ch sÁn xu¿t nông nghiáp, du lßch, đánh bÅt và nuôi trßng thÿy sÁn, quÁn lý, khai thác ngußn tài nguyên n¤çc,… Viác dą đoán l¤āng m¤a trong khu vąc cho phép tính toán l¤āng n¤çc để t¤çi tiêu, lÃp kÁ ho¿ch cho các hß chāa n¤çc bên c¿nh đó phòng tránh giÁm nhẹ thiên tai do l¤āng m¤a lçn nÁu có,. Viác áp dăng thuÃt toán ANFIS cho các v¿n đà dą án trên dă liáu chuãi théi gian đã trë thành måt chÿ đà quan tráng ngày nay.

ĐiÃu này là do są phát triển cÿa các tÃp dă liáu lçn và nhu cÁu đ¤a ra dą đoán chính xác trong các l*nh vąc nh¤ tài chính, kinh tÁ, y tÁ và kỹ thuÃt. ThuÃt toán ANFIS r¿t thích hāp để phân tích dă liáu chuãi théi gian do khÁ năng mô hình hóa mái quan há phi tuyÁn phāc t¿p giăa các biÁn đÁu vào và đÁu ra. Māc đích nghiên cāu Dă liáu chuãi théi gian là måt lo¿i dă liáu xÁy ra tuÁn tą theo théi gian. Phân tích dă liáu chuãi théi gian r¿t quan tráng để đ¤a ra dą đoán, xác đßnh xu h¤çng và hiểu đ¤āc các mô hình.

Há tháng suy luÃn mé thích nghi Neuro- Fuzzy (ANFIS) là måt công că m¿nh m¿ để phân tích dă liáu chuãi théi gian. 2 ANFIS là måt mô hình lai kÁt hāp các điểm m¿nh cÿa logic mé và m¿ng n¢- ron, làm cho nó trë thành måt mô hình hiáu quÁ để dą đoán và phân tích dă liáu chuãi théi gian. ThuÃt toán ANFIS đã đ¤āc áp dăng cho nhiÃu v¿n đà phân tích dă liáu chuãi théi gian trong quá khā. Måt sá āng dăng phá biÁn bao gßm dą báo giá cá phiÁu, dą đoán l¤u l¤āng giao thông và phân tích các mô hình théi tiÁt.

Tuy nhiên, vÁn còn r¿t nhiÃu tiÃm năng để khám phá cÿa thuÃt toán ANFIS trong phân tích dă liáu chuãi théi gian. Viác nghiên cāu āng dăng thuÃt toán ANFIS trong phân tích dă liáu chuãi théi gian là r¿t quan tráng trong nhiÃu l*nh vąc. Vçi są phát triển cÿa các công nghá thông tin, viác phân tích dă liáu chuãi théi gian đã trë nên quan tráng h¢n. Viác sā dăng thuÃt toán ANFIS s¿ giúp cho viác phân tích và dą đoán dă liáu chuãi théi gian trë nên chính xác h¢n, đßng théi cũng có thể giúp giÁm thiểu các sai sá và tái ¤u hóa kÁt quÁ.

Tóm l¿i, đà tài "Nghiên cāu āng dăng thuÃt toán ANFIS vào bài toán dą báo trên dă liáu chuãi théi gian" s¿ tÃp trung vào viác phân tích và dą đoán dă liáu chuãi théi gian bằng cách sā dăng thuÃt toán ANFIS. Đây là måt chÿ đà quan tráng và đÁy tiÃm năng trong nghiên cāu khoa hác và cũng có tÁm quan tráng lçn trong các l*nh vąc thąc tißn nh¤ tài chính, kinh tÁ, y tÁ và kỹ thuÃt. Tính c¿p thi¿t cÿa đề tài Dą báo là måt l*nh vąc kÁt hāp giăa khoa hác và nghá thuÃt, nhằm tiên đoán nhăng są kián s¿ xÁy ra trong t¤¢ng lai dąa trên phân tích các dă liáu thu thÃp đ¤āc. Có hai lo¿i c¢ bÁn cÿa kỹ thuÃt dą báo: - Kỹ thuÃt dą báo đßnh tính: Dąa trên các ý kiÁn, đánh giá, quan điểm, trąc giác hay kinh nghiám cÿa chuyên gia để đ¤a ra dą báo và các są kián, kÁt 3 quÁ, hoÁc tr¿ng thái có tính ch¿t đßnh tính, chẳng h¿n nh¤ dą báo xu h¤çng, dą báo thß tr¤éng, hoÁc dą báo và są thành công cÿa måt dą án.

- Kỹ thuÃt dą báo đßnh l¤āng: Dąa trên các ph¤¢ng pháp tháng kê để phân tích dă liáu lßch sā và đ¤a ra dą báo và các giá trß că thể hoÁc các biÁn sá có tính ch¿t đßnh l¤āng, chẳng h¿n nh¤ dą báo doanh sá bán hàng, dą báo sÁn l¤āng, hoÁc dą báo giá cÁ. Kỹ thuÃt đßnh tính đ¤āc sā dăng khi dă liáu quá khā không đÁy đÿ hay đái t¤āng dą báo bß Ánh h¤ëng bëi nhăng nhân tá không thể l¤āng hóa. Kỹ thuÃt dą báo đßnh l¤āng dąa trên viác phân tích dă liáu lßch sā để xây dąng và mô hình hóa đång thái dißn biÁn cÿa đái t¤āng theo måt mô hình toán hác, tÿ đó sā dăng mô hình này để dą báo xu h¤çng t¤¢ng lai cÿa đái t¤āng đó. Các nghiên cāu xây dąng mô hình dąa trên luÃt mé (hay còn gái là mô hình mé - fuzzy models) là måt trong nhăng ph¤¢ng pháp tiÁp cÃn đ¤āc sā dăng để xây dąng các há tháng hã trā dą báo và dą báo điÃu khiển.

Trong sá đó, thuÃt toán ANFIS (Adaptive-Network-based Fuzzy Inference System) là måt trong nhăng mô hình mé đ¤āc nghiên cāu và āng dăng m¿nh m¿, đã đ¿t đ¤āc nhiÃu kÁt quÁ tát. HÁu hÁt các ngußn cung c¿p dă liáu trên toàn cÁu đÃu là dă liáu chuãi théi gian, và l¤āng dă liáu này đang tăng dÁn theo c¿p sá nhân. Bài toán dą báo dă liáu chuãi théi gian đ¤āc sā dăng rång rãi trong nhiÃu l*nh vąc khác nhau, bao gßm dą báo théi tiÁt, dą báo giá cá phiÁu, dą báo sÁn l¤āng sÁn xu¿t và tiêu thă, dą báo l¤āng đián cÁn tÁi cho thành phá, dą báo są biÁn đái cÿa năng l¤āng mÁt tréi, và nhiÃu l*nh vąc khác.