Luận Án Tiến Sĩ: Xây Dựng Mô Hình Lai Cho Bài Toán Dự Báo Theo Tiếp Cận Mờ Hướng Dữ Liệu

Luận án tiến sĩ nghiên cứu xây dựng mô hình lai cho bài toán dự báo theo tiếp cận mờ hướng dữ liệu, phát triển phương pháp mới, đánh giá hiệu quả ứng dụng trong lĩnh vực kỹ thuật

• Tác giả: Nguyễn Đức Hiển
• Người hướng dẫn: PGS. Lê Mạnh Thạnh
• Trường học: Đại học Huế - Trường Đại học Khoa học
• Chuyên ngành: Khoa học máy tính
• Đề tài: Xây dựng mô hình lai cho bài toán dự báo theo tiếp cận mờ hướng dữ liệu
• Loại tài liệu: Luận án tiến sĩ
• Năm xuất bản: 2019
• Địa điểm: Huế

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• DANH MỤC THUẬT NGỮ
• 1. MỞ ĐẦU
• 1.1. Tính cấp thiết của đề tài
• 1.2. Mục tiêu nghiên cứu
• 1.3. Cách tiếp cận và phương pháp nghiên cứu
• 1.4. Phạm vi và đối tượng nghiên cứu
• 1.5. Đóng góp của luận án
• 1.6. Bố cục của luận án
• 2. TRÍCH XUẤT MÔ HÌNH MỜ HƯỚNG DỮ LIỆU DỰA TRÊN MÁY HỌC VÉC-TƠ HỖ TRỢ
• 2.1. Cơ bản về logic mờ
• 2.2. Lý thuyết tập mờ. Luật mờ “IF-THEN”
• 2.3. Mô hình mờ hướng dữ liệu
• 2.4. Mô hình mờ Mamdani
• 2.5. Mô hình mờ TSK
• 2.6. Sinh luật mờ từ dữ liệu
• 2.7. Máy học véc-tơ hỗ trợ
• 2.8. Lý thuyết máy học Véc-tơ hỗ trợ
• 2.9. Máy học Véc-tơ hỗ trợ cho vấn đề tối ưu hóa hồi qui. Trích xuất mô hình mờ TSK dựa vào máy học véc-tơ hỗ trợ
• 2.10. Lựa chọn các tham số
• 2.11. Chọn các tham số của hàm thành viên
• 2.12. Vai trò của tham số ε
• 2.13. Tổ chức thực nghiệm
• 2.14. Mô tả thực nghiệm. Bài toán hồi quy phi tuyến. Bài toán dự báo dữ liệu chuỗi thời gian hỗn loạn Mackey-Glass
• 2.15. Tiểu kết Chương 1
• 3. TÍCH HỢP TRI THỨC TIÊN NGHIỆM VÀO MÔ HÌNH MỜ HƯỚNG DỮ LIỆU
• 3.1. Tri thức tiên nghiệm
• 3.2. Vai trò của tri thức tiên nghiệm trong học mô hình mờ
• 3.3. Học dựa trên sự giải thích (EBL)
• 3.4. Học dựa trên sự thích hợp (RBL)
• 3.5. Học quy nạp dựa trên tri thức (KBIL)
• 3.6. Xác định tri thức tiên nghiệm để tích hợp vào mô hình mờ trích xuất từ máy học véc-tơ hỗ trợ
• 3.7. Tích hợp tri thức tiên nghiệm vào mô hình mờ trích xuất từ máy học véc-tơ hỗ trợ
• 3.8. Thuật toán SVM-IF
• 3.9. Qui trình trích xuất mô hình mờ dựa trên thuật toán SVM-IF có lựa chọn giá trị tối ưu cho các tham số
• 3.10. Tổ chức thực nghiệm
• 3.11. Mô tả thực nghiệm. Bài toán hồi quy phi tuyến. Bài toán dự báo dữ liệu chuỗi thời gian hỗn loạn Mackey-Glass
• 3.12. Hệ thống Lorenz
• 3.13. Tiểu kết Chương 2
• 4. LAI GHÉP KỸ THUẬT PHÂN CỤM VỚI MÔ HÌNH MỜ HƯỚNG DỮ LIỆU
• 4.1. Bài toán dự báo
• 4.2. Dự báo dữ liệu chuỗi thời gian
• 4.3. Bài toán dự báo dữ liệu chuỗi thời gian
• 4.4. Đánh giá độ phù hợp của mô hình dự báo
• 4.5. Đề xuất mô hình mờ dự báo dữ liệu chuỗi thời gian
• 4.6. Phân cụm dữ liệu đầu vào. Kỹ thuật phân cụm k-Means
• 4.7. Kỹ thuật phân cụm SOM
• 4.8. Phân cụm dữ liệu đầu vào bằng SOM
• 4.9. Mô hình thực nghiệm cho bài toán dự báo giá cổ phiếu
• 4.10. Lựa chọn dữ liệu đầu vào
• 4.11. Lựa chọn các thông số đánh giá hiệu quả mô hình
• 4.12. Triển khai thực nghiệm. Dữ liệu thực nghiệm
• 4.13. Phân tích kết quả thực nghiệm
• 4.14. Tiểu kết Chương 3
• NHỮNG CÔNG TRÌNH CỦA TÁC GIẢ LIÊN QUAN ĐẾN LUẬN ÁN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu về mô hình lai

Mô hình lai là một phương pháp kết hợp giữa các kỹ thuật khác nhau nhằm tối ưu hóa quá trình dự báo. Trong bối cảnh bài toán dự báo, việc xây dựng mô hình lai cho phép kết hợp các ưu điểm của nhiều phương pháp khác nhau, từ đó nâng cao độ chính xác và khả năng diễn giải của mô hình. Mô hình lai thường được áp dụng trong các lĩnh vực như tài chính, kinh tế và khoa học máy tính, nơi mà dữ liệu có tính phức tạp và không đồng nhất. Việc áp dụng mô hình lai trong bài toán dự báo không chỉ giúp cải thiện độ chính xác mà còn tạo ra những hiểu biết sâu sắc hơn về dữ liệu. Theo nghiên cứu, việc kết hợp các phương pháp như mô hình mờ và máy học véc-tơ hỗ trợ (SVM) có thể tạo ra những mô hình dự báo hiệu quả hơn. Điều này cho thấy tầm quan trọng của việc phát triển các mô hình lai trong nghiên cứu dự báo.

1.1. Tính cấp thiết của mô hình lai

Tính cấp thiết của việc xây dựng mô hình lai trong bài toán dự báo xuất phát từ nhu cầu ngày càng cao về độ chính xác trong dự đoán. Trong bối cảnh dữ liệu ngày càng phong phú và phức tạp, các phương pháp dự báo truyền thống thường không đáp ứng được yêu cầu. Việc áp dụng mô hình lai cho phép kết hợp các kỹ thuật khác nhau, từ đó tối ưu hóa quy trình dự báo. Nghiên cứu cho thấy rằng, việc tích hợp các phương pháp như mô hình mờ và SVM không chỉ giúp cải thiện độ chính xác mà còn tăng cường khả năng diễn giải của mô hình. Điều này đặc biệt quan trọng trong các lĩnh vực như tài chính, nơi mà quyết định dựa trên dự báo có thể ảnh hưởng lớn đến kết quả kinh doanh. Do đó, việc phát triển và ứng dụng mô hình lai là một xu hướng tất yếu trong nghiên cứu dự báo hiện nay.

II. Phương pháp xây dựng mô hình lai

Phương pháp xây dựng mô hình lai cho bài toán dự báo thường bao gồm nhiều bước quan trọng. Đầu tiên, cần xác định các kỹ thuật sẽ được kết hợp, chẳng hạn như mô hình mờ và SVM. Sau đó, việc thu thập và xử lý dữ liệu là rất cần thiết để đảm bảo rằng dữ liệu đầu vào là chính xác và đầy đủ. Tiếp theo, các tham số của mô hình cần được tối ưu hóa để đạt được hiệu quả cao nhất. Việc sử dụng các kỹ thuật như phân cụm và hồi quy có thể giúp cải thiện chất lượng của mô hình. Cuối cùng, việc đánh giá hiệu quả của mô hình lai thông qua các chỉ số như RMSE và MAE là rất quan trọng để xác định tính khả thi của mô hình trong thực tế. Nghiên cứu cho thấy rằng, việc áp dụng các phương pháp này có thể tạo ra những mô hình lai có độ chính xác cao và khả năng diễn giải tốt.

2.1. Tích hợp tri thức tiên nghiệm

Tích hợp tri thức tiên nghiệm vào mô hình lai là một yếu tố quan trọng giúp nâng cao hiệu quả dự báo. Tri thức tiên nghiệm có thể được thu thập từ các chuyên gia trong lĩnh vực hoặc từ các nghiên cứu trước đó. Việc sử dụng tri thức này không chỉ giúp cải thiện độ chính xác của mô hình mà còn tạo ra những hiểu biết sâu sắc hơn về dữ liệu. Nghiên cứu cho thấy rằng, việc kết hợp tri thức tiên nghiệm với mô hình mờ có thể tạo ra những mô hình có khả năng diễn giải tốt hơn. Điều này đặc biệt quan trọng trong các lĩnh vực như y tế và tài chính, nơi mà quyết định dựa trên dự báo có thể ảnh hưởng lớn đến kết quả. Do đó, việc tích hợp tri thức tiên nghiệm vào mô hình lai là một xu hướng cần thiết trong nghiên cứu dự báo hiện nay.

III. Ứng dụng của mô hình lai trong dự báo

Ứng dụng của mô hình lai trong dự báo đã được chứng minh qua nhiều nghiên cứu thực tiễn. Trong lĩnh vực tài chính, việc dự đoán giá cổ phiếu dựa trên các mô hình lai đã cho thấy kết quả khả quan. Các nhà nghiên cứu đã áp dụng mô hình mờ kết hợp với SVM để dự đoán xu hướng giá cổ phiếu, từ đó giúp các nhà đầu tư đưa ra quyết định chính xác hơn. Ngoài ra, trong lĩnh vực y tế, mô hình lai cũng được sử dụng để dự đoán sự phát triển của bệnh tật dựa trên các dữ liệu lâm sàng. Việc áp dụng mô hình lai không chỉ giúp cải thiện độ chính xác mà còn tạo ra những hiểu biết sâu sắc hơn về các yếu tố ảnh hưởng đến dự báo. Điều này cho thấy rằng, mô hình lai có tiềm năng lớn trong việc nâng cao hiệu quả của các hệ thống dự báo trong nhiều lĩnh vực khác nhau.

3.1. Kết quả thực nghiệm

Kết quả thực nghiệm từ việc áp dụng mô hình lai cho bài toán dự báo đã cho thấy những cải thiện đáng kể về độ chính xác. Các nghiên cứu đã chỉ ra rằng, việc kết hợp mô hình mờ với SVM giúp giảm thiểu sai số dự báo so với các phương pháp truyền thống. Cụ thể, các chỉ số như RMSE và MAE đã được cải thiện rõ rệt, cho thấy rằng mô hình lai có khả năng dự đoán chính xác hơn. Hơn nữa, việc áp dụng mô hình lai cũng giúp tăng cường khả năng diễn giải của mô hình, cho phép các chuyên gia dễ dàng hiểu và áp dụng các quy tắc trong thực tế. Điều này không chỉ nâng cao hiệu quả dự báo mà còn tạo ra những giá trị thực tiễn cho các lĩnh vực như tài chính và y tế.