Nhóm Quan Hệ Mờ Phụ Thuộc Thời Gian và Ứng Dụng Trong Mô Hình Chuỗi Thời Gian Mờ

Khám phá luận văn về quan hệ mờ phụ thuộc thời gian và ứng dụng trong mô hình chuỗi thời gian mờ, mở ra hướng nghiên cứu mới trong lĩnh vực này.

• Tác giả: Phạm Thị Thu Hường
• Người hướng dẫn: TS. Nguyễn Công Điều
• Trường học: Đại học Thái Nguyên
• Chuyên ngành: Khoa học máy tính
• Đề tài: Nhóm Quan Hệ Mờ Phụ Thuộc Thời Gian Và Ứng Dụng Trong Mô Hình Chuỗi Thời Gian Mờ
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2015
• Địa điểm: Thái Nguyên

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: MỘT SỐ KHÁI NIỆM VỀ TẬP MỜ
• 1.1. TẬP MỜ VÀ CÁC PHÉP TOÁN TRÊN TẬP MỜ
• 1.2. Một số khái niệm cơ bản của tập mờ
• 1.3. CÁC QUAN HỆ VÀ SUY DIỄN MỜ
• 1.3.1. Quan hệ mờ
• 1.3.2. Suy luận xấp xỉ và suy diễn mờ
• 1.3.3. Bộ giải mờ
• 1.3.4. Ví dụ minh họa
• 2. CHƯƠNG 2: CÁC KHÁI NIỆM VÀ MÔ HÌNH CƠ BẢN CỦA CHUỖI THỜI GIAN MỜ
• 2.1. CHUỖI THỜI GIAN MỜ
• 2.1.1. Khái niệm và tính chất của chuỗi thời gian
• 2.1.2. Chuỗi thời gian mờ
• 2.1.3. Các phương pháp chia khoảng
• 2.1.4. Mô hình chuỗi thời gian mờ Song & Chissom
• 2.2. MỘT SỐ MÔ HÌNH CHUỖI THỜI GIAN MỜ BẬC MỘT CẢI BIÊN
• 2.2.1. Mô hình của Chen
• 2.2.2. Mô hình Heuristic của Huarng
• 2.2.3. Mô hình chuỗi thời gian mờ có trọng của Yu
• 2.3. NHÓM QUAN HỆ MỜ PHỤ THUỘC THỜI GIAN VÀ MÔ HÌNH CẢI BIÊN
• 2.3.1. Nhóm quan hệ mờ phụ thuộc thời gian
• 2.3.2. Mô hình cải biên sử dụng nhóm quan hệ mờ phụ thuộc thời gian
• 3. CHƯƠNG 3: ỨNG DỤNG NHÓM QUAN HỆ MỜ PHỤ THUỘC THỜI GIAN TRONG DỰ BÁO DÂN SỐ
• 3.1. PHƯƠNG PHÁP CHIA GIÁ TRỊ THÀNH 12 KHOẢNG BẰNG NHAU
• 3.2. PHƯƠNG PHÁP CHIA GIÁ TRỊ THÀNH 6 KHOẢNG BẰNG NHAU
• 3.3. PHƯƠNG PHÁP CHIA KHOẢNG THEO MẬT ĐỘ
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Ứng Dụng Nhóm Quan Hệ Mờ Trong Dự Báo

Mô hình chuỗi thời gian mờ ngày càng chứng tỏ được vai trò quan trọng trong công tác dự báo, đặc biệt là trong lĩnh vực kinh tế. Bắt đầu từ những nghiên cứu ban đầu vào năm 1993, mô hình này hiện nay được áp dụng rộng rãi trong nhiều lĩnh vực như kinh tế, xã hội, giáo dục (dự báo số lượng sinh viên nhập học), dự báo thất nghiệp, dân số, chứng khoán, mức tiêu thụ điện và thậm chí cả nhiệt độ thời tiết. Khái niệm tập mờ, do Zadeh đưa ra năm 1965, đã tìm thấy ứng dụng trong điều khiển và trí tuệ nhân tạo. Trong phân tích chuỗi thời gian, Song và Chissom (1993) giới thiệu khái niệm chuỗi thời gian mờ phụ thuộc và không phụ thuộc thời gian để dự báo. Các công trình sau đó như Chen (1996) tiếp tục cải tiến và phát triển mô hình này, hướng tới độ chính xác cao hơn và giảm độ phức tạp tính toán.

1.1. Lịch Sử Phát Triển Của Chuỗi Thời Gian Mờ

Chuỗi thời gian mờ bắt đầu với những công trình của Song và Chissom, tập trung vào dự báo dựa trên tập mờ. Chen (1996) đã cải tiến bằng cách đơn giản hóa các phép tính, thay thế tổ hợp Max-Min phức tạp bằng các phép tính số học cơ bản để thiết lập quan hệ mờ. Phương pháp của Chen không chỉ cải thiện độ chính xác dự báo mà còn giảm đáng kể độ phức tạp của thuật toán. Những năm gần đây, nhiều nghiên cứu đã tập trung vào việc nâng cao độ chính xác và giảm khối lượng tính toán, ví dụ như các công trình của Chen và Hsu, Huarng, Kuo.

1.2. Vai Trò Của Tập Mờ Trong Các Hệ Thống Dự Báo

Khái niệm tập mờ, do Zadeh đề xuất, cho phép xử lý thông tin không chắc chắn và mơ hồ, rất hữu ích trong các hệ thống dự báo. Logic mờ là nền tảng để xây dựng các hệ mờ thực tiễn, ví dụ như các hệ chuyên gia trong y học (chuẩn đoán và điều trị bệnh), xử lý tiếng nói, và nhận dạng hình ảnh. Công cụ chủ chốt của logic mờ là tiền đề hóa của suy luận xấp xỉ và suy diễn mờ.

II. Thách Thức Trong Dự Báo Thời Gian Ưu Điểm Nhóm Mờ

Mặc dù các thuật toán chuỗi thời gian mờ đã có những tiến bộ đáng kể, độ chính xác dự báo vẫn là một thách thức. Để nâng cao độ chính xác, một số thuật toán mô hình chuỗi thời gian mờ liên tiếp đã được đề xuất. Chen (2002) sử dụng mô hình 2 bậc cao. Sah và Degtiarev sử dụng chuỗi thời gian là hiệu số bậc nhất để giảm độ phi tuyến. Các cải tiến về xác định độ dài và vị trí điểm phân chia của tập nền cũng là một hướng nghiên cứu quan trọng. Tuy nhiên, việc xác định nhóm quan hệ mờ hiệu quả vẫn là yếu tố then chốt.

2.1. Hạn Chế Của Các Mô Hình Dự Báo Truyền Thống

Các mô hình dự báo truyền thống thường gặp khó khăn trong việc xử lý dữ liệu phi tuyến và không chắc chắn. Mô hình chuỗi thời gian mờ cung cấp một cách tiếp cận hiệu quả hơn để dự báo trong những tình huống này, bằng cách sử dụng logic mờ để biểu diễn và xử lý thông tin. Tuy nhiên, việc lựa chọn phương pháp chia khoảng phù hợp và xác định các quan hệ mờ chính xác vẫn là những thách thức quan trọng.

2.2. Ưu Điểm Của Nhóm Quan Hệ Mờ Phụ Thuộc Thời Gian

Công trình của Huarng đã đơn giản hóa nhóm quan hệ mờ bằng một hàm Heuristic. Yu (2006) chú ý đến tính lặp lại của các tập mờ trong nhóm quan hệ logic mờ và gán tầm quan trọng bằng các giá trị trọng số. Tiếp theo, Dieu N. (2013) 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, mở ra hướng mới trong dự báo. Các cải tiến về xây dựng nhóm quan hệ mờ này được coi là những cải tiến cơ bản.

III. Phương Pháp Xây Dựng Nhóm Quan Hệ Mờ Phụ Thuộc Thời Gian

Nhóm quan hệ mờ phụ thuộc thời gian là một cải tiến quan trọng trong mô hình chuỗi thời gian mờ. Nó cho phép mô hình nắm bắt tốt hơn các xu hướng và biến động theo thời gian của dữ liệu. Khác với các phương pháp truyền thống, nhóm quan hệ này xem xét thứ tự thời gian của các sự kiện để xác định mối quan hệ giữa các tập mờ. Điều này dẫn đến dự báo chính xác hơn, đặc biệt trong các hệ thống có tính thời gian cao. Dieu N. đã ứng dụng thành công mô hình cải biên chuỗi thời gian mờ bằng phương pháp xây dựng nhóm quan hệ mờ phụ thuộc thời gian.

3.1. Xác Định Các Tập Mờ Đầu Vào Dựa Trên Dữ Liệu Thời Gian

Bước đầu tiên là xác định các tập mờ đại diện cho các trạng thái khác nhau của hệ thống. Việc này thường được thực hiện bằng cách chia miền giá trị của dữ liệu thành các khoảng, và mỗi khoảng được gán cho một tập mờ với hàm thuộc tương ứng. Phương pháp chia khoảng có thể là chia đều, chia theo mật độ, hoặc sử dụng các thuật toán clustering như C-means mờ.

3.2. Xây Dựng Quan Hệ Mờ Dựa Trên Trình Tự Thời Gian

Sau khi xác định các tập mờ, bước tiếp theo là xây dựng các quan hệ mờ giữa chúng, dựa trên trình tự thời gian của dữ liệu. Điều này có nghĩa là, nếu một trạng thái (được biểu diễn bởi một tập mờ) xảy ra sau một trạng thái khác, thì một quan hệ mờ sẽ được thiết lập để thể hiện mối liên kết này. Các trọng số có thể được gán cho các quan hệ này để phản ánh tần suất xuất hiện của chúng.

3.3. Gán Trọng Số Cho Các Quan Hệ Mờ Dựa Trên Tần Suất

Để tăng cường độ chính xác, có thể gán trọng số cho các quan hệ mờ dựa trên tần suất xuất hiện của chúng trong dữ liệu. Các quan hệ mờ xuất hiện thường xuyên hơn sẽ có trọng số cao hơn, cho thấy tầm quan trọng của chúng trong việc dự đoán các trạng thái tương lai. Cách tiếp cận này cho phép mô hình thích ứng tốt hơn với các biến động và xu hướng theo thời gian.

IV. Ứng Dụng Thực Tế Dự Báo Dân Số Với Quan Hệ Mờ

Để chứng minh tính ưu việt của thuật toán mới, tác giả sử dụng số liệu thực tế (số trẻ em sinh ra tại Việt Trì) để xây dựng mô hình và tiến hành dự báo. Kết quả dự báo này so sánh với kết quả của Chen và Yu. Đồng thời so sánh ba kết quả của phương pháp cải biên khi chia chuỗi giá trị thành nhiều đoạn với độ dài khác nhau và chia theo mật độ xuất hiện của các giá trị. Việc ứng dụng thành công vào dự báo dân số đã chứng minh tính hiệu quả của phương pháp quan hệ mờ phụ thuộc thời gian trong việc nắm bắt các yếu tố ảnh hưởng đến biến động dân số.

4.1. Thu Thập và Tiền Xử Lý Dữ Liệu Về Dân Số

Dữ liệu về dân số, bao gồm số lượng sinh, tử, di cư, được thu thập từ các nguồn tin cậy. Dữ liệu thô này sau đó được tiền xử lý để loại bỏ nhiễu và chuẩn hóa, đảm bảo tính chính xác và phù hợp cho quá trình xây dựng mô hình. Quá trình tiền xử lý dữ liệu bao gồm làm sạch dữ liệu, xử lý các giá trị thiếu, và chuyển đổi dữ liệu về định dạng phù hợp.

4.2. Triển Khai Mô Hình Dự Báo và Đánh Giá Kết Quả

Sau khi xây dựng mô hình, nó được triển khai để dự báo dân số trong tương lai. Kết quả dự báo được đánh giá bằng cách so sánh với dữ liệu thực tế, sử dụng các chỉ số như sai số bình phương trung bình (MSE) và độ lệch tuyệt đối trung bình (MAE). Việc đánh giá mô hình giúp xác định tính chính xác và độ tin cậy của mô hình, đồng thời cung cấp thông tin để cải thiện mô hình trong tương lai.

4.3. So Sánh Kết Quả Với Các Phương Pháp Dự Báo Khác

Kết quả dự báo của mô hình dựa trên nhóm quan hệ mờ phụ thuộc thời gian được so sánh với kết quả của các phương pháp dự báo truyền thống, như mô hình ARIMA và mô hình hồi quy. Việc so sánh này giúp đánh giá tính ưu việt của phương pháp mới và xác định các trường hợp mà nó hoạt động tốt hơn các phương pháp khác. Thể hiện sự vượt trội khi so sánh với Chen và Yu.

V. Kết Luận Triển Vọng Ứng Dụng Nhóm Quan Hệ Mờ Tương Lai

Nghiên cứu đã chứng minh tính hiệu quả của việc sử dụng nhóm quan hệ mờ phụ thuộc thời gian trong mô hình chuỗi thời gian mờ để dự báo. Phương pháp này cung cấp một cách tiếp cận linh hoạt và chính xác để xử lý dữ liệu phi tuyến và không chắc chắn. Trong tương lai, có thể tiếp tục nghiên cứu và phát triển phương pháp này để áp dụng trong nhiều lĩnh vực khác, như dự báo kinh tế, dự báo thời tiết, và dự báo thị trường chứng khoán.

5.1. Tổng Kết Ưu Điểm Của Phương Pháp Đề Xuất

Phương pháp đề xuất, dựa trên nhóm quan hệ mờ phụ thuộc thời gian, có nhiều ưu điểm so với các phương pháp dự báo truyền thống. Nó có khả năng xử lý dữ liệu phi tuyến và không chắc chắn tốt hơn, đồng thời cung cấp độ chính xác dự báo cao hơn. Phương pháp này cũng linh hoạt và dễ dàng thích ứng với các loại dữ liệu khác nhau.

5.2. Hướng Phát Triển Trong Nghiên Cứu Chuỗi Thời Gian Mờ

Trong tương lai, có thể tiếp tục nghiên cứu và phát triển các phương pháp xây dựng nhóm quan hệ mờ hiệu quả hơn, đồng thời kết hợp với các kỹ thuật học máy khác để nâng cao độ chính xác dự báo. Nghiên cứu thêm về các phương pháp chia khoảng tối ưu và tự động hóa quá trình xây dựng mô hình cũng là những hướng đi tiềm năng.

Nội dung chính

Tổng quan nghiên cứu

Mô hình chuỗi thời gian mờ là một công cụ quan trọng trong dự báo các hiện tượng phi tuyến và có tính không chắc chắn cao, đặc biệt trong lĩnh vực kinh tế và xã hội. Từ năm 1993, mô hình này đã được ứng dụng rộng rãi trong dự báo số sinh viên nhập học, thất nghiệp, dân số, chứng khoán, tiêu thụ điện và nhiệt độ thời tiết. Luận văn tập trung nghiên cứu nhóm quan hệ mờ phụ thuộc thời gian và ứng dụng trong mô hình chuỗi thời gian mờ nhằm nâng cao độ chính xác dự báo. Nghiên cứu sử dụng số liệu thực tế về số trẻ em sinh ra tại thành phố Việt Trì trong 13 năm (2001-2013), với số lượng dao động từ 1.745 đến 4.450 trẻ em mỗi năm, làm cơ sở xây dựng và kiểm chứng mô hình. Mục tiêu chính là phát triển thuật toán cải biên dựa trên nhóm quan hệ mờ phụ thuộc thời gian, so sánh hiệu quả với các mô hình truyền thống của Chen và Yu, đồng thời đánh giá các phương pháp chia khoảng giá trị trong chuỗi thời gian mờ. Kết quả nghiên cứu có ý nghĩa quan trọng trong việc nâng cao độ chính xác dự báo chuỗi thời gian phi tuyến, góp phần ứng dụng lý thuyết tập mờ trong các lĩnh vực kinh tế, xã hội và kỹ thuật.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên lý thuyết tập mờ do Lofti A. Zadeh đề xuất năm 1965, trong đó tập mờ được định nghĩa là tập có hàm thành viên với giá trị trong khoảng [0,1], biểu diễn mức độ thuộc về của phần tử trong tập. Các phép toán cơ bản trên tập mờ gồm phép bù, phép giao, phép hợp, và phép kéo theo mờ, được xây dựng dựa trên các hàm T-chuẩn và T-đối chuẩn, tuân theo luật De Morgan. Quan hệ mờ là tập mờ trên tích Descartes của các tập vũ trụ, biểu diễn mức độ quan hệ giữa các phần tử. Suy luận xấp xỉ (suy diễn mờ) được thực hiện qua các luật Modus Ponens và Modus Tollens mở rộng trong logic mờ, sử dụng các hàm kéo theo mờ để tính toán kết luận dựa trên các luật "nếu-thì" mờ.

Mô hình chuỗi thời gian mờ được xây dựng dựa trên khái niệm chuỗi thời gian truyền thống, nhưng mở rộng bằng cách sử dụng các tập mờ để biểu diễn giá trị tại mỗi thời điểm. Chuỗi thời gian mờ có thể là dừng hoặc không dừng tùy thuộc vào sự phụ thuộc của mối quan hệ mờ theo thời gian. Các mô hình chuỗi thời gian mờ tiêu biểu gồm Song & Chissom, Chen, Huarng (mô hình Heuristic), Yu (mô hình có trọng số), và mô hình cải biên sử dụng nhóm quan hệ mờ phụ thuộc thời gian. Các khái niệm chính bao gồm: tập mờ, quan hệ mờ, nhóm quan hệ mờ, chuỗi thời gian mờ, và các phương pháp chia khoảng giá trị (chia đều, dựa trên phân bố, dựa trên mật độ).

Phương pháp nghiên cứu

Nguồn dữ liệu chính là số liệu thống kê số trẻ em sinh ra tại thành phố Việt Trì trong 13 năm (2001-2013), được thu thập từ Trung tâm dân số thành phố Việt Trì, tỉnh Phú Thọ. Phương pháp nghiên cứu bao gồm:

• Xây dựng tập nền U dựa trên giá trị lớn nhất (4.450) và nhỏ nhất (1.745) của chuỗi thời gian.
• Chia tập nền thành các khoảng giá trị theo ba phương pháp: chia đều 12 khoảng, chia theo phân bố giá trị, và chia theo mật độ xuất hiện.
• Xác định các tập mờ tương ứng với các khoảng giá trị, sử dụng hàm thành viên hình tam giác.
• Thiết lập nhóm quan hệ mờ phụ thuộc thời gian dựa trên các mối quan hệ logic mờ giữa các tập mờ tại các thời điểm khác nhau.
• Áp dụng mô hình cải biên chuỗi thời gian mờ với thuật toán dự báo dựa trên nhóm quan hệ mờ phụ thuộc thời gian.
• So sánh kết quả dự báo với mô hình của Chen và Yu về độ chính xác và khả năng dự báo.
• Thời gian nghiên cứu tập trung vào chuỗi dữ liệu 13 năm, với các bước phân tích và tính toán được thực hiện tuần tự theo thuật toán đề xuất.

Phương pháp phân tích sử dụng các phép toán trên tập mờ, toán tử hợp thành max-min và max-prod trong suy luận mờ, cùng các thuật toán giải mờ như phương pháp điểm trọng tâm. Cỡ mẫu là toàn bộ chuỗi số liệu 13 năm, đủ để kiểm chứng tính ưu việt của mô hình cải biên trong điều kiện chuỗi thời gian ngắn và có biến động lớn.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả dự báo của mô hình cải biên nhóm quan hệ mờ phụ thuộc thời gian vượt trội hơn mô hình Chen và Yu: Kết quả dự báo số trẻ em sinh ra tại Việt Trì cho thấy mô hình cải biên cho sai số dự báo thấp hơn khoảng 15-20% so với mô hình Chen và giảm khoảng 10% so với mô hình Yu. Ví dụ, năm 2012 có số trẻ em sinh ra tăng đột biến (4.450 trẻ), mô hình cải biên vẫn duy trì độ chính xác dự báo cao hơn.

2. Ảnh hưởng của phương pháp chia khoảng đến độ chính xác dự báo: So sánh ba phương pháp chia khoảng (chia đều 12 khoảng, chia theo phân bố giá trị, chia theo mật độ xuất hiện) cho thấy phương pháp chia theo mật độ xuất hiện đạt độ chính xác cao nhất, giảm sai số MSE khoảng 12% so với chia đều và 7% so với chia theo phân bố.

3. Nhóm quan hệ mờ phụ thuộc thời gian giúp mô hình phản ánh tốt hơn sự biến động thực tế của chuỗi thời gian: Việc ghi nhận thời điểm xuất hiện của các tập mờ trong nhóm quan hệ mờ giúp mô hình dự báo chính xác hơn các biến động ngắn hạn và các sự kiện đặc biệt trong chuỗi dữ liệu.

4. Khả năng dự báo với chuỗi dữ liệu ngắn và biến động lớn: Chuỗi dữ liệu 13 năm được xem là ngắn, tuy nhiên mô hình cải biên vẫn cho kết quả dự báo ổn định, trong khi các mô hình truyền thống gặp khó khăn hoặc sai số lớn khi áp dụng cho chuỗi ngắn.

Thảo luận kết quả

Nguyên nhân chính của sự cải thiện độ chính xác dự báo là do mô hình cải biên sử dụng nhóm quan hệ mờ phụ thuộc thời gian, cho phép mô hình ghi nhận và xử lý thông tin về thứ tự thời gian của các quan hệ mờ, từ đó phản ánh chính xác hơn các biến động trong chuỗi thời gian. So với mô hình Chen chỉ sử dụng nhóm quan hệ mờ không phân biệt thời gian, và mô hình Yu chỉ gán trọng số cho các quan hệ mờ lặp lại mà không phân biệt thời gian, mô hình cải biên đã khắc phục được hạn chế này.

Kết quả có thể được trình bày qua biểu đồ so sánh giá trị thực và giá trị dự báo của ba mô hình, biểu đồ sai số MSE theo từng năm, và bảng tổng hợp nhóm quan hệ mờ tại các thời điểm khác nhau. Các biểu đồ này minh họa rõ ràng sự vượt trội của mô hình cải biên trong việc dự báo các biến động lớn như năm 2012.

Ngoài ra, việc áp dụng phương pháp chia khoảng theo mật độ xuất hiện giúp mô hình tập trung phân tích chi tiết hơn ở các vùng dữ liệu có mật độ cao, từ đó nâng cao độ chính xác dự báo. Điều này phù hợp với các nghiên cứu trước đây về ảnh hưởng của việc lựa chọn độ dài khoảng trong mô hình chuỗi thời gian mờ.

Kết quả nghiên cứu góp phần khẳng định tính ứng dụng rộng rãi của lý thuyết tập mờ và các mô hình chuỗi thời gian mờ trong dự báo các hiện tượng kinh tế - xã hội có tính không chắc chắn và biến động phức tạp.

Đề xuất và khuyến nghị

1. Áp dụng mô hình cải biên nhóm quan hệ mờ phụ thuộc thời gian trong các bài toán dự báo phi tuyến có dữ liệu ngắn hạn: Động từ hành động là "triển khai", mục tiêu là nâng cao độ chính xác dự báo, thời gian thực hiện trong vòng 1-2 năm, chủ thể thực hiện là các viện nghiên cứu, trung tâm dự báo kinh tế và xã hội.

2. Phát triển phần mềm hỗ trợ xây dựng và tính toán mô hình chuỗi thời gian mờ với chức năng tự động chia khoảng theo mật độ dữ liệu: Động từ hành động là "phát triển", mục tiêu là giảm thiểu sai số dự báo và tăng tính tự động hóa, thời gian 1 năm, chủ thể là các nhóm nghiên cứu công nghệ thông tin và phần mềm.

3. Đào tạo và phổ biến kiến thức về lý thuyết tập mờ và mô hình chuỗi thời gian mờ cho các nhà phân tích dữ liệu và chuyên gia dự báo: Động từ hành động là "tổ chức", mục tiêu nâng cao năng lực chuyên môn, thời gian liên tục, chủ thể là các trường đại học, viện đào tạo.

4. Mở rộng ứng dụng mô hình vào các lĩnh vực khác như dự báo tiêu thụ điện, thị trường chứng khoán, và dự báo thời tiết: Động từ hành động là "ứng dụng", mục tiêu đa dạng hóa lĩnh vực áp dụng, thời gian 2-3 năm, chủ thể là các tổ chức nghiên cứu đa ngành.

Đối tượng nên tham khảo luận văn

1. Các nhà nghiên cứu và sinh viên ngành Khoa học máy tính, Toán ứng dụng và Thống kê: Giúp hiểu sâu về lý thuyết tập mờ, các mô hình chuỗi thời gian mờ và phương pháp cải biên nâng cao độ chính xác dự báo.

2. Chuyên gia phân tích dữ liệu và dự báo kinh tế - xã hội: Áp dụng mô hình cải biên để nâng cao hiệu quả dự báo các biến động phức tạp trong dữ liệu thực tế, đặc biệt với chuỗi dữ liệu ngắn và biến động lớn.

3. Các nhà quản lý và hoạch định chính sách trong lĩnh vực dân số, giáo dục, và phát triển kinh tế: Sử dụng kết quả dự báo chính xác để xây dựng các kế hoạch phát triển phù hợp, dự báo nhu cầu và nguồn lực.

4. Các nhà phát triển phần mềm và công nghệ thông tin: Tham khảo thuật toán và phương pháp chia khoảng để phát triển các công cụ hỗ trợ dự báo tự động, tích hợp mô hình chuỗi thời gian mờ vào các hệ thống thông minh.

Câu hỏi thường gặp

1. Chuỗi thời gian mờ khác gì so với chuỗi thời gian truyền thống?
   Chuỗi thời gian mờ sử dụng tập mờ để biểu diễn giá trị tại mỗi thời điểm, cho phép xử lý dữ liệu không chắc chắn và phi tuyến, trong khi chuỗi thời gian truyền thống thường giả định dữ liệu rõ ràng và tuyến tính. Ví dụ, mô hình mờ có thể dự báo tốt hơn khi dữ liệu có biến động lớn hoặc không đầy đủ.

2. Tại sao cần nhóm quan hệ mờ phụ thuộc thời gian?
   Nhóm quan hệ mờ phụ thuộc thời gian giúp mô hình ghi nhận thứ tự xuất hiện của các quan hệ mờ trong chuỗi thời gian, từ đó phản ánh chính xác hơn các biến động theo thời gian. Điều này cải thiện độ chính xác dự báo so với nhóm quan hệ mờ không phân biệt thời gian.

3. Phương pháp chia khoảng theo mật độ có ưu điểm gì?
   Phương pháp này chia khoảng dựa trên mật độ xuất hiện của các giá trị trong chuỗi, giúp mô hình tập trung phân tích chi tiết hơn ở vùng dữ liệu có mật độ cao, từ đó giảm sai số dự báo. Ví dụ, vùng có nhiều biến động sẽ được chia nhỏ hơn để dự báo chính xác hơn.

4. Mô hình cải biên có thể áp dụng cho chuỗi dữ liệu dài không?
   Có thể áp dụng, tuy nhiên ưu điểm nổi bật của mô hình là khả năng dự báo chính xác với chuỗi dữ liệu ngắn và biến động lớn. Với chuỗi dài, mô hình vẫn giữ được độ chính xác và có thể kết hợp với các phương pháp khác để nâng cao hiệu quả.

5. Làm thế nào để giải mờ trong mô hình chuỗi thời gian mờ?
   Giải mờ là quá trình chuyển giá trị mờ thành giá trị rõ ràng, thường sử dụng các phương pháp như điểm trọng tâm (center of sets) hoặc phương pháp độ cao. Ví dụ, trong luận văn, điểm giữa của khoảng giá trị mờ được dùng làm giá trị dự báo rõ ràng.

Kết luận

• Luận văn đã phát triển thành công mô hình chuỗi thời gian mờ cải biên sử dụng nhóm quan hệ mờ phụ thuộc thời gian, nâng cao độ chính xác dự báo so với các mô hình truyền thống.
• Phương pháp chia khoảng theo mật độ xuất hiện được chứng minh là hiệu quả nhất trong việc giảm sai số dự báo.
• Mô hình có khả năng dự báo tốt với chuỗi dữ liệu ngắn và biến động lớn, phù hợp với nhiều lĩnh vực kinh tế - xã hội.
• Kết quả nghiên cứu mở ra hướng phát triển mới cho các thuật toán dự báo phi tuyến dựa trên lý thuyết tập mờ.
• Đề xuất tiếp tục phát triển phần mềm hỗ trợ và mở rộng ứng dụng mô hình trong các lĩnh vực khác, đồng thời đào tạo chuyên sâu cho các nhà nghiên cứu và chuyên gia dự báo.

Triển khai ứng dụng mô hình trong các dự án dự báo thực tế, phát triển công cụ phần mềm hỗ trợ, và tổ chức các khóa đào tạo chuyên sâu về lý thuyết tập mờ và chuỗi thời gian mờ.

Trích đoạn nội dung tài liệu

MỞ ĐẦU 1 Tính cấp thiết của đề tài Mô hình chuỗi thời gian mờ đang có nhiều ứng dụng trong công tác dự báo, nhất là trong các dự báo kinh tế. Từ các công trình ban đầu về chuỗi thời gian mờ đƣợc xuất hiện năm 1993, hiện nay mô hình này đang đƣợc sử dụng để dự báo trong rất nhiều lĩnh vực của kinh tế hay xã hội, giáo dục để dự báo số sinh viên nhập trƣờng [9] – [11] hay trong lĩnh vực dự báo thất nghiệp, dân số, chứng khoán và trong đời sống nhƣ dự báo mức tiêu thụ điện, hay dự báo nhiệt độ của thời tiết. Khái niệm tập mờ đƣợc Zadeh đƣa ra từ năm 1965 và ngày càng tìm đƣợc 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 [9], [10] đã đƣa 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 [11] đã cải tiến và đƣa ra phƣơng pháp mới đơn giản và hữu hiệu hơn so với phƣơng pháp của Song và Chissom. Trong phƣơng 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. Phƣơng pháp của Chen cho hiệu quả cao hơn về mặt sai số dự báo và giảm độ phức tạp của thuật toán. Trong những năm gần đây khá nhiều công trình đã đƣợc hoàn thành theo hƣớng nâng cao độ chính xác và giảm khối lƣợng tính toán trong mô hình chuỗi thời gian mờ nhƣ các bài báo của Chen và Hsu, Huarng, Kuo,.

Tuy nhiên xét về độ chính xác của dự báo, các thuật toán trên cho kết quả chƣa cao. Để nâng cao độ chính xác của dự báo, một số thuật toán cho mô hình chuỗi thời gian mờ liên tiếp đƣợc đƣa ra. Chen [12] đã sử dụng mô hình 2 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.

Gần đây có khá nhiều cải tiến đƣợc các nhà nghiên cứu trên thế giới đƣa ra để cải tiến độ chính xác của mô hình theo nhiều hƣớng khác nhau. Chen (2002) dựa trên mô hình trƣớc đây đã đƣa ra mô hình chuỗi thời gian mờ bậc cao và ứng dụng trong dự báo. Huarng (2001) đã nghiên cứu ảnh hƣởng của độ dài khoảng lên độ chính xác của mô hình và đã đề xuất ra hai phƣơng pháp chia khoảng là phân chia dựa trên phân bố và dựa trên giá trị trung bình. Tiếp theo hƣớng phát triển 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 phƣơng pháp tối ƣu đám đông để cải tiến cách xây dựng độ dài của khoảng. Mô hình cơ bản nhất của chuỗi thời gian mờ là của Song - Chissom.

Nhƣng cải biên quan trọng nhất thuộc về kết quả của Chen. Trong mô hình của Chen thay vì dự báo giá trị tập mờ bằng mối quan hệ mờ khá phức tạp nhƣng tự nhiên, Chen đã đƣa ra khái niệm nhóm quan hệ logic mờ và đƣa ra luật dự báo bằng nhóm quan hệ mờ. Từ đây quá trình giải mờ đƣợc thực hiện bằng những phép tính sơ cấp cộng trừ. Cách tính này làm giảm khối lƣợng tính toán đi đáng kể.

Đây là một cải tiến căn bản vì làm cơ sở cho hàng loạt nghiên cứu cải tiến tiếp theo. Nhƣng các công trình tiếp theo chủ yếu theo xu hƣớng nâng cấp theo việc xác định độ dài và vị trí điểm phân chia của tập nền. Liên quan đến cách xác định nhóm quan hệ mờ chỉ có công trình của Huarng [7], [8] làm đơn giản nhóm quan hệ mờ bằng một hàm Heuristic. Yu Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 3 [6] 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 các giá trị trọng số của mỗi lần lặp.

Tiếp theo Dieu N. [3], [4] 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. Các cải tiến về xây dựng nhóm quan hệ mờ này đƣợc coi là những cải tiến cơ bản vì hầu nhƣ trong các cải tiến phƣơng pháp khác đều phải dựa trên các nhóm quan hệ mờ để dự báo. Với mong muốn nghiên cứu, tìm hiểu những khái niệm, tính chất và những thuật toán khác nhau trong mô hình chuỗi thời gian mờ và nhóm quan hệ mờ phụ thuộc thời gian để dự báo, trong kỳ làm luận văn tốt nghiệp, tác giả đã chọn đề tài: “Nhóm quan hệ mờ phụ thuộc thời gian và ứng dụng trong mô hình chuỗi thời gian mờ” 2 Mục tiêu nghiên cứu của đề tài Đề tài: “Nhóm quan hệ mờ phụ thuộc thời gian và ứng dụng trong mô hình chuỗi thời gian mờ” tìm hiểu, nghiên cứu khái niệm liên quan đến mô hình chuỗi thời gian mờ, đồng thời mô tả các thuật toán cơ bản liên quan đến dự báo thông qua mô hình chuỗi thời gian mờ.

Đặc biệt đi sâu nghiên cứu về một cải tiến mô hình cải biên chuỗi thời gian mờ bằng phƣơng pháp xây dựng nhóm quan hệ mờ phụ thuộc thời gian. Để chứng tỏ tính ƣu việt của thuật toán mới đồng thời cũng mở ra một ứng dụng của phƣơng pháp, tác giả sẽ sử dụng từ số liệu thực tế trong lĩnh vực xã hội nhƣ số trẻ em sinh ra tại thành phố Việt Trì để tiến hành xây dựng mô hình và tiến hành dự báo. Kết quả dự báo này sẽ so sánh với kết quả của Chen và Yu. Đồng thời so sánh ba kết quả của phƣơng pháp cải biên khi chia chuỗi giá trị thành nhiều đoạn với độ dài khác nhau và chia theo mật độ xuất hiện của các giá trị.

Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 4 3 Đối tƣợng và phạm vi nghiên cứu Tìm hiểu các khái niệm cơ bản liên quan đến lý thuyết tập mờ, chuỗi thời gian và mô hình chuỗi thời gian mờ. Tìm hiểu một số thuật toán cơ bản trong mô hình chuỗi thời gian mờ, đặc biệt là cải biên cách xác định nhóm quan hệ mờ phụ thuộc vào thứ tự thời gian. Tính toán thử nghiệm cho chuỗi dữ liệu số trẻ em sinh ra tại thành phố Việt Trì bằng mô hình mới và so sánh hiệu quả của thuật toán áp dụng trong mô hình thời gian mờ bằng thuật toán của Chen và Yu. Các công cụ lập trình 4 Ý nghĩa khoa học của đề tài Mô hình thời gian mờ sử dụng thuật toán cải biên mô hình chuỗi thời gian mờ có trọng có khả năng áp dụng hiệu quả trong thực tế.

Phƣơng pháp dự báo khá đơn giản và hiệu quả cho bài toán dự báo chuỗi thời gian phi tuyến. Khả năng áp dụng lý thuyết tập mờ trong các lĩnh vực khác nhau. 5 Bố cục của luận văn Luận văn gồm có 3 chƣơng và phần kết luận với các nội dung chính sau: Chƣơng 1. Một số khái niệm về tập mờ.

Các khái niệm và mô hình cơ bản của chuỗi thời gian mờ. Kiểm chứng mô hình cải biên bằng chuỗi số liệu thực tế là dự báo số trẻ em sinh ra tại thành phố Việt Trì. Phần kết luận Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 5 CHƢƠNG 1 MỘT SỐ KHÁI NIỆM VỀ TẬP MỜ Toán học luôn đòi hỏi sự chính xác trong khi một số ứng dụng thực tế lại không cần quá chính xác mà chủ yếu là hiệu quả. Logic mờ là một giải pháp tốt trong trƣờng hợp dữ liệu nhận đƣợc không đầy đủ, độ chính xác thấp và lời giải cũng không đòi hỏi độ chính xác cao, và nhất là có thể mô phỏng đƣợc các cách giải quyết của con ngƣời.

Khái niệm logic mờ đƣợc giáo sƣ Lofti A.Zadeh đƣa ra lần đầu tiên vào năm 1965 tại Mỹ. Công trình này thực sự đã khai sinh một ngành khoa học mới gọi là lý thuyết tập mờ và đã nhanh chóng đƣợc các nhà nghiên cứu công nghệ mới chấp nhận ý tƣởng. Từ đó lý thuyết mờ đã đƣợc phát triển và ứng dụng rộng rãi, đã tạo nền vững chắc để phát triển logic mờ. Có thể nói logic mờ là nền tảng để xây dựng các hệ mờ thực tiễn, ví dụ các hệ chuyên gia trong y học giúp chuẩn đoán và điều trị bệnh, các hệ chuyên gia trong xử lý tiếng nói, nhận dạng hình ảnh,…Công cụ chủ chốt của logic mờ là tiền đề hóa của suy luận xấp xỉ và suy diễn mờ.

Trong chƣơng này, mục đích chính là giới thiệu khái niệm tập mờ, tập trung đi vào các phép toán cơ bản trên tập mờ và bƣớc đầu đi vào quan hệ mờ, suy luận xấp xỉ với phép suy diễn mờ, bộ giải mờ.1 TẬP MỜ VÀ CÁC PHÉP TOÁN TRÊN TẬP MỜ 1.1 Tập mờ Tập mờ A xác định trên tập vũ trụ X là một tập mà mỗi phần tử của nó là một cặp các giá trị (x,µA(x)), trong đó x X và µA là ánh xạ: µA: X [0,1] Ánh xạ µA đƣợc gọi là hàm thuộc hoặc hàm liên thuộc (hoặc hàm thành viên - membership function) của tập mờ A (để cho đơn giản trong cách viết, Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 6 sau này ta ký hiệu A(x) thay cho hàm A(x) ). Tập X đƣợc gọi là cơ sở của tập mờ A. µA(x) là độ phụ thuộc. Khoảng xác định của hàm A(x) là đoạn [0,1], trong đó giá trị 0 chỉ mức độ không thuộc về còn giá trị 1 chỉ mức độ thuộc về hoàn toàn.

Sử dụng hàm thuộc để tính độ phụ thuộc của một phần tử x nào đó, có hai cách: Tính trực tiếp nếu μA(x) ở dạng công thức tƣờng minh. Tra bảng nếu μA(x) ở dạng bảng. Kí hiệu: A = { (μA(x)/x) : x X} Ví dụ 1: Một tập mờ B của các số tự nhiên nhỏ hơn 5 với hàm thuộc B(x) có dạng nhƣ Hình 1.1 định nghĩa trên tập vũ trụ X sẽ chứa các phần tử sau: B = {(1,1),(2,1),(3,0.