Mô hình dự báo chuỗi thời gian mờ dựa trên đại số gia tử và tối ưu bầy đàn

Bài viết đề xuất mô hình dự báo chuỗi thời gian mờ mới dựa trên đại số gia tử (ĐSGT) và thuật toán tối ưu bầy đàn (PSO). Trong đó, ĐSGT được sử dụng như một công cụ để chia tập nền thành các khoảng có độ dài khác nhau tương ứng với các khoảng ngữ nghĩa tính toán được của các hạng từ ngôn ngữ.
Nội dung trích xuất từ tài liệu:
Mô hình dự báo chuỗi thời gian mờ dựa trên đại số gia tử và tối ưu bầy đàn Kỷ yếu Hội nghị KHCN Quốc gia lần thứ XI về Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR); Hà Nội, ngày 09-10/8/2018 DOI: 10.15625/vap.2018.00034 MÔ HÌNH DỰ BÁO CHUỖI THỜI GIAN MỜ DỰA TRÊN ĐẠI SỐ GIA TỬ VÀ TỐI ƯU BẦY ĐÀN Nghiêm Văn Tính1*, Nguyễn Công Điều2, Nguyễn Tiến Duy1 1 Trường Đại học Kỹ thuật Công nghiệp - Đại học Thái Nguyên 2 Trường Đại học Thăng Long nghiemvantinh@tnut.edu.vn, ncdieu@yahoo.com, duy.infor@tnut.edu.vn TÓM TẮT: Những năm gần đây, nhiều mô hình dự báo dựa trên chuỗi thời gian mờ được đề xuất nhằm phân tích chuỗi thời gian. Trong mô hình dự báo, các yếu tố chính có thể ảnh hưởng đến độ chính xác dự báo của mô hình là độ dài của khoảng chia tập nền và nhóm quan hệ mờ. Trong bài báo này, chúng tôi đề xuất mô hình dự báo chuỗi thời gian mờ mới dựa trên đại số gia tử (ĐSGT) và thuật toán tối ưu bầy đàn (PSO). Trong đó, ĐSGT được sử dụng như một công cụ để chia tập nền thành các khoảng có độ dài khác nhau tương ứng với các khoảng ngữ nghĩa tính toán được của các hạng từ ngôn ngữ. Sau quá trình chia khoảng, các giá trị quan sát được biểu diễn bởi các tập mờ và sử dụng chúng để thiết lập các nhóm quan hệ mờ. Cuối cùng, mô hình đề xuất được kết hợp với kỹ thuật PSO để tìm ra khoảng chia phù hợp nhằm tăng độ chính dự báo của mô hình. Đánh giá hiệu quả của mô hình trên tập dữ liệu kinh điển về số lượng sinh viên nhập học tại Đại học Alabama. Thực nghiệm cho thấy mô hình đề xuất đưa ra kết quả dự báo chính xác hơn một số mô hình dự báo đã được công bố gần đây dựa vào chuỗi thời gian mờ bậc 1 và bậc cao. Từ khóa: Chuỗi thời gian mờ, Nhóm quan hệ mờ phụ thuộc thời gian, Tối ưu bày đàn, PSO, Tuyển sinh. I. GIỚI THIỆU Trong vài thập kỷ qua, nhiều mô hình dự báo đã được đề xuất nhằm giải quyết các bài toán dự báo khác nhau để giúp con người đưa ra các quyết định, như: dự báo tuyển sinh đại học cho năm tiếp theo, dự báo nhiệt độ cho các ngày tới, dự báo dân số hàng năm, dự báo tài chính,... Dựa trên lý thuyết tập mờ, Song và Chissom đã đưa ra hai mô hình chuỗi thời gian mờ không phụ thuộc thời gian [1] và phụ thuộc thời gian [2] bằng việc sử dụng các phép toán max - min trong quan hệ mờ để giải quyết bài toán dự báo tuyển sinh đại học của Trường Đại học Alabama. So sánh với các mô hình dự báo truyền thống trước đây như: Phân tích hồi huy, trung bình trượt, trung bình hàm mũ và mô hình ARIMA thì các mô hình [1], [2] có thể giải quyết tốt hơn đối với các bài toán dự báo có chuỗi số liệu được biểu diễn bởi giá trị ngữ nghĩa hay chuỗi dữ liệu không chắc chắn. Hơn nữa, các mô hình chuỗi thời gian mờ này, không yêu cầu số lượng quan sát lớn hay giả định tuyến tính như mô hình truyền thống. Tuy nhiên, các mô hình [1], [2] mất nhiều thời gian tính toán khi xử lý với ma trận mờ lớn. Do đó, để khắc phục hạn chế này, Chen [3] đã đưa ra phương pháp mới khá hiệu quả bằng việc sử dụng các phép tính số học đơn giản thay vì các phép tính kết hợp max-min phức tạp trong xử lý mối quan hệ mờ. Từ việc mở rộng của công trình [3] thành mô hình chuỗi thời gian mờ bậc cao [4] và mức ảnh hưởng của độ dài khoảng trong mô hình [5] cùng với việc phát triển từ các mô hình một nhân tố thành mô hình chuỗi thời gian mờ hai nhân tố [6] là nền tảng cho sự phát triển mạnh mẽ của mô hình chuỗi thời gian mờ trong những khoảng thời gian tiếp sau. Gần đây, nhiều tác giả đã sử dụng các kỹ thuật khác nhau vào từng pha (giai đoạn) trong mô hình chuỗi thời gian mờ nhằm nâng cao độ chính xác dự báo. Chen và Tanuwijaya [7] đã sử dụng phương pháp phân cụm tự động để chia tập nền thành các khoảng có độ dài khác nhau trong pha mờ hóa dữ liệu của mô hình. Một số tác giả khác dựa dựa trên kỹ thuật tối ưu kết hợp với các mô hình chuỗi thời gian mờ khác nhau nhằm điều chỉnh lại các khoảng chia từ tập nền [8]-[19]. Dựa trên tư tưởng tìm độ dài khoảng tối ưu, một số mô hình lại dùng kỹ thuật phân cụm để phân tập dữ liệu quan sát thành các cụm, sau đó điều chỉnh các cụm này thành các khoảng có độ dài khác nhau như: Phân cụm K-mean [20], [21] phân cụm C-mean [22], [23]. Một cách tiếp cận hoàn toàn khác biệt dựa trên lý thuyết đại số gia tử [24] để ngữ nghĩa hóa và giải ngữ phi tuyến [25] thay vì các phép mờ hóa dữ liệu và giải mờ dự báo trong mô hình chuỗi thời gian mờ. Cũng dựa trên đại số gia tử, trong công trình [26] sử dụng nó để phân chia tập nền thành các khoảng khác nhau bằng việc ánh xạ ngữ nghĩa của các hạng từ ngôn ngữ thành các khoảng mờ. Hai công trình theo hướng tiếp cận ĐSGT nêu trên chỉ tập trung vào xây dựng mô hình dự báo bậc 1 để dự báo số lượng sinh viên nhập học của Trường Đại học Alabama. Dựa vào sự phân tích của các công trình trên cho thấy, độ dài khoảng và bậc của nhóm quan hệ mờ là các yếu tố ảnh hưởng rất lớn đến độ chính xác dự báo của mô hình. Bài báo này, chúng tôi đề xuất mô hình dự báo chuỗi thời gian mờ bậc một và bậc cao dựa trên ĐSGT và PSO cho bài toán tuyển sinh đại học trong [3]. Trong nghiên cứu này, trước tiên ĐSGT được sử dụng để phân chia tập nền thành các khoảng có độ dài khác nhau bằng cách định lượng chính các hạng từ ngôn ngữ dùng để biểu diễn chuỗi dữ liệu quan sát. Sau đó, tính giá trị đầu ra dự báo cho các nhóm quan hệ mờ bậc 1 và bậc cao đã được chúng tôi đề xuất trong công trình [14] bằng quy tắc giải mờ mới. Cuối cùng, mô hình đề xuất được kết hợp với thuật toán PSO để hiệu chỉnh lại độ dài khoảng chia ban đầu nhằm cải thiện độ chính xác dự báo hơn nữa. Phần còn lại của bài báo được bố cục như sau: Phần II trình bày một số khái niệm liên quan đến chuỗi thời mờ và ĐSGT. Phần III giới thiệu từng bước của mô hình dự báo kết hợp giữa ĐSGT và PSO. Phần IV đánh giá hiệu qu ...