Luận án tiến sĩ: Xây dựng mô hình lai cho bài toán dự báo theo tiếp cận mờ hướng dữ liệu

• Tác giả: Nguyễn Đức Hiển
• Người hướng dẫn: PGS. Lê Mạnh Thạnh
• Trường học: Đại học Khoa học - Đại học Huế
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Xây dựng mô hình lai dự báo theo tiếp cận mờ hướng dữ liệu trong khoa học máy tính
• Loại tài liệu: luận án
• Năm xuất bản: 2019
• Địa điểm: Thừa Thiên Huế

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• DANH MỤC THUẬT NGỮ
• MỤC LỤC
• DANH MỤC BẢNG BIỂU
• DANH MỤC HÌNH ẢNH
• MỞ ĐẦU. 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
• 1. CHƯƠNG 1: TÍCH HỢP TRI THỨC TIÊN NGHIỆM VÀO MÔ HÌNH MỜ HƯỚNG DỮ LIỆU
• 1.1. Tri thức tiên nghiệm
• 1.2. Vai trò của tri thức tiên nghiệm trong học mô hình mờ
• 1.3. Học dựa trên sự giải thích (EBL)
• 1.4. Học dựa trên sự thích hợp (RBL)
• 1.5. Học quy nạp dựa trên tri thức (KBIL)
• 1.6. Xác định tri thức tiên nghiệm để tích hợp vào mô hình mờ trích xuất từ máy học véc-tơ hỗ trợ
• 1.7. Tích hợp tri thức tiên nghiệm vào mô hình mờ trích xuất từ máy học véc-tơ hỗ trợ
• 2. CHƯƠNG 2: THUẬT TOÁN SVM-IF
• 2.1. Qui trình trích xuất mô hình mờ dựa trên thuật toán SVM-IF có lựa chọn giá trị tối ưu cho các tham số
• 2.2. Tổ chức thực nghiệm
• 2.3. Mô tả thực nghiệm. Bài toán hồi quy phi tuyến. Bài toán dự báo dữ liệu chuỗi thời gian hỗn loạn Mackey-Glass
• 2.4. Hệ thống Lorenz
• 2.5. Tiểu kết Chương 2
• 3. CHƯƠNG 3: LAI GHÉP KỸ THUẬT PHÂN CỤM VỚI MÔ HÌNH MỜ HƯỚNG DỮ LIỆU
• 3.1. Bài toán dự báo
• 3.2. Dự báo dữ liệu chuỗi thời gian
• 3.3. Bài toán dự báo dữ liệu chuỗi thời gian
• 3.4. Đánh giá độ phù hợp của mô hình dự báo
• 3.5. Đề xuất mô hình mờ dự báo dữ liệu chuỗi thời gian
• 3.6. Phân cụm dữ liệu đầu vào. Kỹ thuật phân cụm k-Means
• 3.7. Kỹ thuật phân cụm SOM
• 3.8. Phân cụm dữ liệu đầu vào bằng SOM
• 3.9. Mô hình thực nghiệm cho bài toán dự báo giá cổ phiếu
• 3.10. Lựa chọn dữ liệu đầu vào
• 3.11. Lựa chọn các thông số đánh giá hiệu quả mô hình
• 3.12. Triển khai thực nghiệm. Dữ liệu thực nghiệm
• 3.13. Phân tích kết quả thực nghiệm
• 3.14. Tiểu kết Chương 3
• Những công trình của tác giả liên quan đến luận án
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Mô hình lai trong dự báo

Mô hình lai là sự kết hợp giữa các phương pháp truyền thống và hiện đại để nâng cao độ chính xác trong dự báo. Trong khoa học máy tính, việc xây dựng mô hình lai dựa trên tiếp cận mờ và hướng dữ liệu đã trở thành xu hướng nghiên cứu quan trọng. Mô hình lai không chỉ tận dụng ưu điểm của từng phương pháp mà còn khắc phục những hạn chế riêng. Dự báo dựa trên mô hình lai thường đạt độ chính xác cao hơn so với các phương pháp đơn lẻ.

1.1. Tiếp cận mờ trong dự báo

Tiếp cận mờ là phương pháp sử dụng logic mờ để xử lý các dữ liệu không chắc chắn hoặc mơ hồ. Trong dự báo, tiếp cận mờ giúp mô hình hóa các yếu tố không rõ ràng trong dữ liệu. Mô hình mờ dựa trên hướng dữ liệu cho phép trích xuất các quy luật từ dữ liệu thực tế, tăng tính khách quan và độ tin cậy. Kỹ thuật mờ được áp dụng rộng rãi trong các bài toán phân tích dữ liệu và học máy.

1.2. Hướng dữ liệu trong mô hình lai

Hướng dữ liệu là phương pháp xây dựng mô hình dựa trên việc phân tích và khai thác dữ liệu thực tế. Trong mô hình lai, hướng dữ liệu giúp tối ưu hóa quá trình học và dự đoán. Phân tích dữ liệu là bước quan trọng để xác định các mẫu và xu hướng trong dữ liệu. Học máy và trí tuệ nhân tạo là các công cụ hỗ trợ hiệu quả trong việc xây dựng mô hình dự báo dựa trên hướng dữ liệu.

II. Ứng dụng của mô hình lai trong khoa học máy tính

Mô hình lai đã được ứng dụng rộng rãi trong khoa học máy tính, đặc biệt trong các bài toán dự báo và phân tích dữ liệu. Sự kết hợp giữa mô hình mờ và học máy mang lại hiệu quả cao trong việc xử lý các dữ liệu phức tạp. Trí tuệ nhân tạo cũng đóng vai trò quan trọng trong việc tối ưu hóa mô hình dự báo.

2.1. Dự báo dữ liệu chuỗi thời gian

Dự báo dữ liệu chuỗi thời gian là một trong những ứng dụng quan trọng của mô hình lai. Mô hình mờ kết hợp với học máy giúp dự đoán chính xác các xu hướng trong dữ liệu. Kỹ thuật mờ được sử dụng để xử lý các yếu tố không chắc chắn trong chuỗi thời gian. Phân tích dữ liệu là bước không thể thiếu để xác định các mẫu và xu hướng.

2.2. Phân tích dữ liệu lớn

Phân tích dữ liệu lớn là lĩnh vực ứng dụng quan trọng của mô hình lai. Hướng dữ liệu giúp khai thác hiệu quả các thông tin từ dữ liệu lớn. Học máy và trí tuệ nhân tạo là các công cụ hỗ trợ hiệu quả trong việc phân tích và dự đoán. Mô hình dự báo dựa trên mô hình lai đã chứng minh hiệu quả trong nhiều bài toán thực tế.

III. Đánh giá và triển vọng của mô hình lai

Mô hình lai đã mang lại nhiều kết quả tích cực trong dự báo và phân tích dữ liệu. Tuy nhiên, vẫn còn nhiều thách thức cần giải quyết, đặc biệt là việc tối ưu hóa mô hình mờ và học máy. Khoa học máy tính tiếp tục là lĩnh vực nghiên cứu tiềm năng để phát triển các mô hình lai hiệu quả hơn.

3.1. Thách thức trong xây dựng mô hình lai

Một trong những thách thức lớn là việc tích hợp tiếp cận mờ và hướng dữ liệu một cách hiệu quả. Mô hình mờ cần được tối ưu hóa để đảm bảo tính chính xác và khả năng diễn dịch. Học máy và trí tuệ nhân tạo cũng cần được cải tiến để hỗ trợ tốt hơn cho mô hình dự báo.

3.2. Triển vọng phát triển

Với sự phát triển của khoa học máy tính, mô hình lai sẽ tiếp tục được cải tiến và ứng dụng rộng rãi. Dự báo dựa trên mô hình lai sẽ trở nên chính xác và hiệu quả hơn. Phân tích dữ liệu và học máy sẽ là những công cụ không thể thiếu trong việc xây dựng các mô hình dự báo tiên tiến.