Đồ án tốt nghiệp: Xây dựng mô hình dự báo chuỗi thời gian đa biến áp dụng mô hình VARNN

• Tác giả: Phạm Minh Long
• Người hướng dẫn: ThS. Trần Trọng Bình
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Kỹ thuật dữ liệu
• Đề tài: Xây dựng mô hình dự báo cho chuỗi thời gian đa biến áp dụng mô hình Vector Autoregressive Neural Network (VARNN)
• Loại tài liệu: đồ án tốt nghiệp
• Năm xuất bản: 2024
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN VỀ CHUỖI THỜI GIAN VÀ DỰ BÁO TRÊN CHUỖI THỜI GIAN
• 1.1. CHUỖI THỜI GIAN
• 1.1.1. Khái niệm chuỗi thời gian
• 1.1.2. Các thành phần của chuỗi thời gian
• 1.1.3. Định nghĩa chuỗi dừng
• 1.1.4. Phương pháp kiểm định chuỗi dừng
• 1.1.5. Phân loại chuỗi dừng
• 1.1.6. Chuẩn hóa chuỗi thời gian. Chuỗi thời gian đa biến
• 1.2. BÀI TOÁN DỰ BÁO TRÊN CHUỖI THỜI GIAN ĐA BIẾN
• 1.2.1. Các mô hình dự báo chuỗi thời gian đa biến
• 1.2.2. Mô hình thống kê
• 1.2.3. Mô hình học máy
• 1.2.4. Đánh giá mô hình
• 1.2.5. Đánh giá kết quả
• 2. CHƯƠNG 2: MÔ HÌNH VECTOR AUTOREGRESSIVE NEURAL NETWORK (VARNN)
• 2.1. MÔ HÌNH AUTOREGRESSIVE (AR)
• 2.1.1. Kiến trúc mô hình
• 2.1.2. Kết quả là một dự đoán cho giá trị hiện tại của biến
• 2.2. MÔ HÌNH VECTOR AUTOREGRESSION (VAR)
• 2.2.1. Vector nhiễu trắng
• 2.2.2. Ước lượng và kiểm định
• 2.2.3. Lựa chọn độ trễ
• 2.2.4. Kiểm định nhân quả Granger
• 2.2.5. Hàm phản ứng và phân rã phương sai
• 2.2.5.1. Hàm phản ứng (IRF)
• 2.2.5.2. Phân rã phương sai (VDF)
• 2.2.6. Ứng dụng hàm phản ứng và phân rã phương sai
• 2.2.7. Ứng dụng Vector Autoregression vào bài toán dự báo dữ liệu chuỗi thời gian đa biến
• 2.3. MÔ HÌNH FEED-FORWARD NEURAL NETWORK (FFNN)
• 2.3.1. Kiến trúc mô hình
• 2.3.2. Ứng dụng Feed-Forward Neural Network vào bài toán dự báo dữ liệu chuỗi thời gian
• 2.4. VECTOR AUTOREGRESSIVE NEURAL NETWORK (VARNN)
• 2.4.1. Nguyên lý hoạt động
• 2.4.2. Kiến trúc mô hình
• 2.4.3. Quá trình huấn luyện mô hình
• 2.4.4. Quá trình lan truyền tiến và lan truyền ngược của mô hình
• 2.4.4.1. Lan truyền tiến (Forward propagation)
• 2.4.4.2. Lan truyền ngược (Backpropagation)
• 2.4.5. Mô phỏng hai quá trình lan truyền tiến và lan truyền ngược
• 2.4.6. Ứng dụng vector autoregressive neural network vào bài toán dự báo dữ liệu chuỗi thời gian đa biến
• 3. CHƯƠNG 3: CÀI ĐẶT CÁC MÔ HÌNH
• 3.1. LOẠI BỎ WARNING
• 3.2. ĐỌC DỮ LIỆU
• 3.3. TIỀN XỬ LÝ DỮ LIỆU
• 3.4. TRÍCH XUẤT CHUỖI CON
• 3.5. MÔ HÌNH VECTOR AUTOREGRESSION NEURAL NETWORK
• 3.6. QUÁ TRÌNH KIỂM TRA
• 3.7. ĐÁNH GIÁ ĐỘ CHÍNH XÁC
• 3.8. THỜI GIAN THỰC THI
• 4. CHƯƠNG 4: THỰC NGHIỆM ĐÁNH GIÁ KẾT QUẢ
• 4.1. DỮ LIỆU THỰC NGHIỆM
• 4.1.1. Tập dữ liệu thời tiết
• 4.1.2. Tập dữ liệu chứng khoán
• 4.1.3. Tập dữ liệu kinh tế vĩ mô Việt Nam
• 4.2. TIÊU CHÍ ĐÁNH GIÁ
• 4.2.1. Thời gian thực thi
• 4.3. CÁC TRƯỜNG HỢP THỰC NGHIỆM
• 4.3.1. Thực nghiệm tìm các tham số tốt nhất cho mô hình VARNN
• 4.3.2. So sánh mô hình VARNN với các mô hình khác
• 4.3.3. So sánh từng biến của mô hình VARNN với các mô hình khác
• 4.4. KẾT QUẢ THỰC NGHIỆM
• 4.4.1. Thực nghiệm tìm các tham số tốt nhất cho mô hình VARNN
• 4.4.2. Tìm độ trễ tốt nhất
• 4.4.3. Tìm số nơ-ron lớp ẩn tốt nhất
• 4.4.4. So sánh mô hình VARNN với các mô hình đơn biến
• 4.4.5. So sánh từng biến của mô hình VARNN với các mô hình khác
• 4.5. XÂY DỰNG WEBSITES DỰ ĐOÁN GIÁ TRỊ CHUỖI THỜI GIAN
• PHẦN KẾT LUẬN
• K.1. KẾT QUẢ ĐẠT ĐƯỢC CỦA ĐỀ TÀI
• K.2. HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Xây dựng mô hình dự báo chuỗi thời gian đa biến

Xây dựng mô hình là trọng tâm của đồ án, tập trung vào việc áp dụng mô hình VARNN (Vector Autoregressive Neural Network) để dự báo chuỗi thời gian đa biến. Mô hình này kết hợp ưu điểm của mô hình thống kê và học máy, cho phép xử lý các tương tác phức tạp giữa các biến. Phương pháp dự báo này được đánh giá cao nhờ khả năng mô hình hóa các yếu tố thời gian và tương quan đa biến, mang lại kết quả dự đoán chính xác hơn so với các mô hình truyền thống như ARIMA hay LSTM.

1.1. Khái niệm và ứng dụng của chuỗi thời gian đa biến

Chuỗi thời gian đa biến là tập hợp các biến số được ghi lại theo thời gian, có mối quan hệ phụ thuộc lẫn nhau. Trong khoa học dữ liệu, việc phân tích và dự báo chuỗi thời gian đa biến giúp dự đoán các xu hướng tương lai, từ đó hỗ trợ ra quyết định trong nhiều lĩnh vực như tài chính, thời tiết và kinh tế vĩ mô. Mô hình VARNN được xây dựng để giải quyết bài toán này, tận dụng khả năng xử lý phi tuyến và đa biến của mạng nơ-ron.

1.2. Phương pháp xây dựng mô hình VARNN

Quá trình xây dựng mô hình bao gồm các bước: tiền xử lý dữ liệu, thiết kế kiến trúc mạng nơ-ron và huấn luyện mô hình. Phân tích dữ liệu được thực hiện để chuẩn hóa và loại bỏ nhiễu, đảm bảo đầu vào chất lượng. Mô hình VARNN kết hợp cơ chế lan truyền tiến và lan truyền ngược, tối ưu hóa các tham số để đạt độ chính xác cao. Kết quả thực nghiệm cho thấy mô hình này vượt trội so với các phương pháp truyền thống.

II. Phân tích và đánh giá mô hình VARNN

Phân tích dữ liệu và đánh giá hiệu suất là bước quan trọng trong đồ án. Mô hình VARNN được kiểm tra trên các tập dữ liệu đa dạng như thời tiết, chứng khoán và kinh tế vĩ mô. Kỹ thuật dữ liệu được áp dụng để đo lường độ chính xác thông qua các chỉ số như MSE, RMSE và MAE. Kết quả cho thấy VARNN đạt hiệu suất cao hơn so với các mô hình ARIMA, VAR, FFNN và LSTM, đặc biệt trong việc dự báo đa biến.

2.1. Thực nghiệm trên các tập dữ liệu

Đồ án sử dụng 06 tập dữ liệu từ các lĩnh vực khác nhau để đánh giá mô hình dự báo. Các tập dữ liệu được tiền xử lý và chia thành chuỗi con để huấn luyện và kiểm tra. Ứng dụng VARNN cho thấy khả năng dự báo chính xác các biến số phức tạp, đặc biệt trong các tình huống có nhiều yếu tố tương tác. Kết quả thực nghiệm được so sánh với các mô hình khác, khẳng định ưu thế của VARNN.

2.2. So sánh hiệu suất với các mô hình khác

Mô hình VARNN được so sánh với ARIMA, VAR, FFNN và LSTM trên các tiêu chí về độ chính xác và thời gian thực thi. Kết quả cho thấy VARNN vượt trội trong việc dự báo đa biến, đặc biệt khi xử lý các chuỗi thời gian phi tuyến. Điều này khẳng định giá trị thực tiễn của mô hình trong khoa học dữ liệu và trí tuệ nhân tạo.

III. Ứng dụng thực tiễn và hướng phát triển

Ứng dụng VARNN trong thực tế mang lại nhiều lợi ích, từ dự báo thời tiết đến phân tích tài chính và kinh tế vĩ mô. Đồ án cũng đề xuất hướng phát triển trong tương lai, bao gồm tối ưu hóa mô hình và mở rộng ứng dụng sang các lĩnh vực khác. Kỹ thuật dữ liệu và học máy sẽ tiếp tục đóng vai trò quan trọng trong việc nâng cao hiệu suất của các mô hình dự báo.

3.1. Ứng dụng trong các lĩnh vực cụ thể

Mô hình VARNN được áp dụng thành công trong dự báo thời tiết, chứng khoán và kinh tế vĩ mô. Kết quả thực nghiệm cho thấy khả năng dự báo chính xác các biến số phức tạp, hỗ trợ ra quyết định hiệu quả. Điều này khẳng định giá trị thực tiễn của mô hình trong khoa học dữ liệu và trí tuệ nhân tạo.

3.2. Hướng phát triển trong tương lai

Đồ án đề xuất các hướng phát triển như tối ưu hóa tham số, tích hợp thêm các kỹ thuật xử lý dữ liệu tiên tiến và mở rộng ứng dụng sang các lĩnh vực mới. Mô hình dự báo sẽ tiếp tục được cải thiện để đáp ứng nhu cầu ngày càng cao trong phân tích và dự đoán dữ liệu.