Ảnh hưởng của phương pháp shuffle đối với giải thuật tiến hóa vi phân ứng dụng trong dự báo chuỗi thời gian

TRƯỜNG ĐẠI HỌC HÙNG VƯƠNG KHOA KỸ THUẬT – CÔNG NGHỆ - TRẦN ĐẠO NGHĨA ẢNH HƯỞNG CỦA PHƯƠNG PHÁP SHUFFLE ĐỐI VỚI GIẢI THUẬT TIẾN HÓA VI PHÂN ỨNG DỤNG TRONG DỰ BÁO CHUỖI THỜI GIAN KHÓA LUẬN TỐT NGHIỆP ĐẠI HỌC Ngành Công Nghệ Thông Tin Phú Thọ, (2017) TRƯỜNG ĐẠI HỌC HÙNG VƯƠNG KHOA KỸ THUẬT – CÔNG NGHỆ - TRẦN ĐẠO NGHĨA ẢNH HƯỞNG CỦA PHƯƠNG PHÁP SHUFFLE ĐỐI VỚI GIẢI THUẬT TIẾN HÓA VI PHÂN ỨNG DỤNG TRONG DỰ BÁO CHUỖI THỜI GIAN KHĨA LUẬN TỐT NGHIỆP ĐẠI HỌC Ngành: Cơng Nghệ Thơng Tin NGƯỜI HƯỚNG DẪN: ThS VŨ THỊ THU MINH Phú Thọ, (2017) i LỜI CẢM ƠN Sau trình tìm hiểu đề tài “Ảnh hưởng phương pháp Shuffle giải thuật tiến hóa vi phân ứng dụng dự báo chuỗi thời gian”, em hoàn thành tiến độ dự kiến ban đầu Để đạt kết này, em nỗ lực thực đồng thời nhận nhiều giúp đỡ từ thầy cơ, gia đình, người thân bạn bè Em xin chân thành cảm ơn thầy, cô khoa Kỹ Thuật - Công Nghệ Trường Đại học Hùng Vương tận tình dạy dỗ, truyền đạt cho chúng em nhiều kiến thức, kinh nghiệm quý báu suốt trình học làm khóa luận trường Đặc biệt, em xin tỏ lòng biết ơn sâu sắc đến cô giáo ThS Vũ Thị Thu Minh trực tiếp dìu dắt, giúp đỡ em tận tình, chu đáo suốt thời gian em hồn thiện khóa luận lần Xin chân thành cảm ơn bạn lớp K11 – Công nghệ thông tin, khoa Kỹ Thuật - Công Nghệ, trường Đại Học Hùng Vương giúp đỡ, động viên tơi nhiều q trình thực đề tài Em xin chân thành cảm ơn! Việt Trì, tháng 5, năm 2017 Sinh viên Trần Đạo Nghĩa ii DANH MỤC HÌNH VẼ Hình 1.1: Mơ hình hoạt động giải thuật di truyền Hình 1.2: Ví dụ hai chiều hàm mục tiêu 111 Hình 1.3: Minh họa trình chéo cho đề án DE1 13 Hình 1.4: Ví dụ hai chiều hàm mục tiêu 14 Hình 1.5: Sơ đồ khối mơ tả luật học giám sát 19 Hình 1.6: Cấu trúc chung mạng neural 22 Hình 1.7: Mơ hình mạng neural có lớp S neural 22 Hình 1.8: Mơ hình neural lớp 23 Hình 1.9: Biểu đồ thể mạng lan truyền tiến lớp ANN 33 Hình 1.10: Quá trình hoạt động nút đặc trưng ANN 33 Hình 2.1: Q trình để có tập huấn luyện xác nhận tập 39 Hình 2.2: Quy trình mã hóa thơng số ban đầu 40 Hình 2.3: ANNs thiết kế theo lược đồ DE 42 Hình 2.4: ANN thiết kế theo lược đồ DE q trình để có fisness 42 Hình 2.5: Quy trình lấy mẫu huấn luyện xác nhận với "Shuffle" 44 Hình 2.6: Đào tạo xác nhận tập mẫu thu theo 45 Hình 3.1: Dữ liệu chuỗi thời gian 46 Hình 3.2: Dữ liệu thơ ban đầu chọn từ liệu Abraham12 46 Hình 3.3: Kết lưu vào hai file chương trình kết thúc 48 Hình 3.4: File “File 1” chứa liệu chuẩn hóa 48 Hình 3.5: File “best_sofar_File1” chứa giá trị Fitness chọn lọc 49 Hình 3.6: Thư mục chứa kết đánh giá 49 iii DANH MỤC BẢNG BIỂU Bảng 3.1: Bảng so sánh kết dự báo GA DE 50 Bảng 3.2: Bảng so sánh kết dự báo DE với phương pháp khác 50 iv DANH MỤC CÁC TỪ VIẾT TẮT STT Từ viết tắt Tiếng anh Nghĩa tiếng việt ANN Atificial Neural Networks Mạng neural nhân tạo BP Back Propagation DE Differential Evolution EA Evolutionary Algorithm Giải thuật tiến hóa GA Genetic Algorithms Giải thuật di truyền MLP Multilayer Perceptron Mạng lan truyền thẳng nhiều lớp LR Learning Factor Hệ số học Mạng lan truyền ngược sai số Giải thuật tiến hóa vi phân v MỤC LỤC LỜI CẢM ƠN i DANH MỤC HÌNH VẼ ii DANH MỤC BẢNG BIỂU iii DANH MỤC CÁC TỪ VIẾT TẮT iv MỤC LỤC v MỞ ĐẦU 1 Tính cấp thiết đề tài khóa luận Ý nghĩa khoa học thực tiễn Mục tiêu khóa luận Nhiệm vụ nghiên cứu Phương pháp nghiên cứu Đối tượng phạm vi nghiên cứu Bố cục khóa luận NỘI DUNG CHƯƠNG I: TỔNG QUAN VỀ VẤN ĐỀ NGHIÊN CỨU 1.1 Tổng quan giải thuật tiến hóa 1.1.1 Giải thuật di truyền 1.1.2 Giải thuật tiến hóa 1.1.3 Giải thuật tiến hóa vi phân 10 1.2 Mạng neural nhân tạo 14 1.2.1 Định nghĩa 14 1.2.2 Một số chức mạng neural nhân tạo 15 1.2.3 Phân loại mạng neural nhân tạo 17 1.2.4 Hoạt động mạng neural nhân tạo 18 vi 1.2.5 Luật học mạng neural 18 1.2.6 Mạng neural nhiều lớp 20 1.2.7 Mơ hình mạng neural nhân tạo 21 1.2.8 Thuật toán lan truyền ngược sai số ANN 29 1.2.9 Lan truyề n tiế n của ANN 32 1.3 Q trình chuẩn hóa chuỗi thời gian 33 1.3.1 Khái niệm 33 1.3.2 Chuẩn hóa liệu 34 1.3.3 Chuỗi thời gian trình ngẫu nhiên 34 1.3.4 Quá trình ngẫu nhiên dừng 35 1.3.5 Hàm tự tương quan 36 CHƯƠNG II: THIẾT KẾ GIẢI THUẬT TIẾN HÓA VI PHÂN ĐÁNH GIÁ ẢNH HƯỞNG PHƯƠNG PHÁP SHUFFLE CHO BÀI TOÁN DỰ BÁO 37 2.1 Thiết kế tiến hoá mạng neural nhân tạo 37 2.1.1 Chuỗi thời gian ANN 37 2.1.2 Quá trình thiết kế ANN 38 2.2 Quá trình tìm kiếm ANN 39 2.3 Phương pháp shuffle 43 CHƯƠNG III: KẾT QUẢ ĐÁNH GIÁ VÀ THỰC NGIỆM 46 3.1 Thực nghiệm 46 3.1.1 Chuẩn bị liệu 46 3.1.2 Chuẩn hóa liệu 47 3.1.3 Thơng số cài đặt cho tốn 47 3.2 Kết đánh giá 47 3.2.1 Kết 47 vii 3.2.2 Đánh giá 49 KẾT LUẬN CHUNG 52 TÀI LIỆU THAM KHẢO 53 MỞ ĐẦU Tính cấp thiết đề tài khóa luận Ngày nay, phát triển nhanh chóng khoa học cơng nghệ, đặc biệt CNTT, việc tiến hóa từ giải thuật di truyền nhà nghiên cứu quan tâm Giải thuật tiến hóa ứng dụng rộng rãi lĩnh vực phức tạp, vấn đề khó, sử dụng kỹ thuật tìm kiếm lời giải, với khơng gian tìm kiếm lớn, tốn cần có lượng giá, đánh giá tối ưu kết thu Chính vậy, giải thuật tiến hóa vi phân trở thành đề tài nghiên cứu thú vị đem đến nhiều ứng dụng thực tiễn Một hướng quan tâm nghiên cứu dự báo chuỗi thời gian dựa vào kỹ thuật mạng neural Kỹ thuật bước đầu ứng dụng cho kết quan trọng Điều nói lên tính cấp thiết khoa học mạng neural việc giải nhiều toán thực tiễn Khả ứng dụng mạng neural khơng cịn nằm phịng thí nghiệm mà xuất ứng dụng vào lĩnh vực thương mại Nghiên cứu dự báo chuỗi thời gian ln tốn gây ý nhà toán học, kinh tế, xã hội học, Các quan sát thực tế thường thu thập dạng chuỗi số liệu Từ chuỗi số liệu người ta rút quy luật q trình mơ tả thông qua chuỗi số liệu Nhưng ứng dụng quan trọng dự báo khả xảy cho chuỗi số liệu Những thí dụ dẫn báo đưa khả dự báo kinh tế dự báo số chứng khoán, mức tăng dân số, dự báo nhu cầu sử dụng điện, dự báo số lượng sinh viên nhập học trường đại học Các thí dụ dẫn ngành kinh tế kỹ thuật Tính tốn tiến hóa (Evolutionary computation): ứng dụng khái niệm sinh học quần thể, biến dị đấu tranh sinh tồn để sinh lời giải ngày tốt cho tốn Có số phương pháp tiếp cận tn thủ theo tính tốn tiến hóa thuật ngữ chung cho cách tiếp cận giải thuật tiến hóa Hình 40 tố học tập (α); 10 gen cuối cho giá trị giống khởi tạo trọng số kết nối (s) (đó lý sử dụng 10 gen (thập phân chữ số) để mã hóa "s") Bằng cách này, giá trị "i", "h", "α" "s" thu từ nhiễm sắc thể nhìn thấy hình 2.2, Max_inputs max_hidden thông số hệ thống Quá trình tìm kiếm (DE) bao gồm bước sau đây: Một quần thể tạo ngẫu nhiên, tức tập hợp nhiễm sắc thể tạo cách ngẫu nhiên, thu Hình 12: Quy trình mã hóa thơng số ban đầu Các kiểu hình (ví dụ: ANN kiến trúc) giá trị fitness cá nhân hệ thu Để có kết liên quan đến nhiễm sắc thể giá trị fitness nó:  Cấu trúc liên kết cá nhân "i" từ hệ thực tế thu  Sau đó, việc đào tạo xác nhận mơ hình tập cho lưới thần kinh "i" thu từ liệu chuỗi thời gian, tùy thuộc vào số lượng đầu vào nút lưới "i", nhận xét mục 2.1.1  Khi dòng khởi tạo với cấu trúc liên kết giá trị trọng số kết nối với thông tin từ nhiễm sắc thể, huấn 41 luyện với BP Kiến trúc (Topology kết nối cân thiết) ANN xác nhận lỗi tối thiểu trình đào tạo lưu lại Đào tạo mơ hình tập hợp sử dụng để huấn luyện ANN mơ hình xác nhận tập hợp sử dụng để ước tính khả khái quát, lấy giá trị fitness (Dừng trình đào tạo trước tập luyện sức đạt được) Vì vậy, kiến trúc kiểu hình cá thể Khi mà giá trị fitness cho toàn quần thể thu được, DE khai thác vào trình huấn luyện đột biến áp dụng để tạo quần thể hệ tiếp theo, tức tập nhiễm sắc thể Các bước lặp lặp lại thực số lượng tối đa hệ đạt Một sơ đồ q trình tìm kiếm tồn nhìn thấy hình 2.3 hình 2.4 Các giá trị fitness cho cá thể sau lỗi xác nhận tối thiểu q trình học tập (huấn luyện ANN), nhìn thấy phương trình đây: fitness function = minimum validation error Sau kết thúc đưa kết cho giá trị fitness tốt qua nhiều hệ việc huấn luyện ANN giá trị tập mẫu sử dụng xuyên suất toàn q trình, tính tốn tổng hợp để đưa giá trị fitness tối ưu 42 Hình 13: ANNs thiết kế theo lược đồ DE Hình 14: ANN thiết kế theo lược đồ DE q trình để có fisness Về sử dụng MSE hàm mục tiêu, lý để giảm cực lỗi ảnh hưởng đến nhiều bước trước dự báo Ngoài ra, thí nghiệm sơ (sử dụng liệu đào tạo vài liệu) fitness MSE dẫn đến dự báo tốt Để chọn gen thơng số thuật tốn, với kinh nghiệm thu thí nghiệm sơ Các thơng số DE thiết lập để: kích thước quần thể, 50; số lượng tối đa hệ, 100; Tỷ lệ tốt cá nhân mà 43 lại không thay đổi cho hệ tiếp theo, 10%; chéo: cha mẹ chia thời điểm lựa chọn ngẫu nhiên, hỗn hợp phần từ cha mẹ; xác suất đột biến phân chia chiều dài nhiễm sắc thể (1 / lengthchrom = 1/16 = 0,07), thực cho gen nhiễm sắc thể Để dự báo giá trị tương lai không rõ (tại, theo số + 1, , + n) người cách sử dụng k giá trị trước biết đến (tại - k, , - 2, - 1), cá thể tốt từ hệ cuối sử dụng k số lượng đầu vào ANN thu từ việc thực DE (nghĩa tốt ANN từ q trình tìm kiếm) Để dự đốn vài giá trị liên tiếp (tại, theo số + 1, , + n) giá trị (at) dự báo, đưa vào để vào trước giá trị biết thiết lập chuỗi thời gian sử dụng để dự báo kế tiếp, theo số + (từ đến N trước dự báo) 2.3 Phương pháp shuffle "Shuffle" dùng để phương pháp hệ thống Như giải thích trước đây, để đào tạo ANN thu từ nhiễm sắc thể, tổng số tập mẫu tạo chia thành hai tập khác nhau, tập huấn luyện xác nhận mẫu Tập mẫu đào tạo sử dụng để đào tạo ANN mẫu mơ hình xác nhận sử dụng để ước lượng khả tổng quát, đạt giá trị fitness (dừng q trình đào tạo trước vượt khoảng cho phép) Cho đến bây giờ, tập huấn luyện xác nhận thu thập theo cách tuần tự, tức phần thứ (ban đầu 70%) loạt thời gian sử dụng để tạo mẫu tập huấn phần cuối (30%) chuỗi thời gian sử dụng để tạo mẫu xác nhận Thiết lập (Hình 2.1) Tuy nhiên, phương pháp trình chia tách tập mẫu bao gồm việc huấn luyện xác nhận tập hợp cách ngẫu nhiên Vì vậy, phần khác loạt thời gian sử dụng để đào tạo ANN phần khác loạt thời gian sử dụng để xác nhận ANN (hình 2.5), để có khả tổng qt tốt "Shuffle", bao gồm việc thu thập tập mẫu huấn luyện từ x% tổng số mẫu thiết lập theo cách ngẫu nhiên y% tổng số mẫu thiết lập theo cách ngẫu nhiên cho tập hợp mẫu xác nhận 44 Sẽ có ba mẫu tập khác nhau, (đào tạo, xác nhận gọi xác nhận II) phương pháp gọi "phương pháp fitness" chia thành ba mơ hình mẫu khác Vì vậy, tùy thuộc vào việc sử dụng phương pháp "Shuffle" hay không, hai tùy chọn khác xuất Tùy chọn lấy x% từ toàn mẫu thiết lập để tạo tập mẫu huấn luyện, y% để tạo tập hợp mẫu xác nhận tập hợp xác nhận II lấy từ phần lại mẫu mẫu đầy đủ (Hình 2.6) Hình 15: Quy trình lấy mẫu huấn luyện xác nhận với "Shuffle" 45 Hình 16: Đào tạo xác nhận tập mẫu thu theo Cách thứ hai: tức áp dụng "Shuffle", bao gồm việc thu thập tập mẫu huấn luyện từ x% tổng số mẫu thiết lập theo cách ngẫu nhiên, y% tổng số mẫu thiết lập theo cách ngẫu nhiên cho mẫu xác nhận Tập hợp tập thứ II hợp lệ phần lại tổng số mẫu đặt bên trái 46 CHƯƠNG III: KẾT QUẢ ĐÁNH GIÁ VÀ THỰC NGIỆM 3.1 Thực nghiệm 3.1.1 Chuẩn bị liệu Chương trình thực nghiệm sử dụng liệu chuỗi thời gian lấy từ địa https://datamarket.com/data/list/?q=provider:tsdl gồm: - Passenger: số lượng hành khách hãng hàng không quốc tế từ tháng 1/1949 đến tháng 12/1960 - Temperature: nhiệt độ trung bình theo tháng Nottingham Castle từ 1920 đến 1939 - Dow-Jones: số công nghiệp Dow-Jones từ 8/1968 đến 8/1981 - Quebec: số lượng sinh hàng ngày Quebec từ 1/1/1977 đến 31/12/1978 - Abraham12: nhu cầu xăng dầu hàng tháng Ontario từ 1960 đến 1975 Hình 3.17: Dữ liệu chuỗi thời gian Hình 3.2: Dữ liệu thơ ban đầu chọn từ liệu Abraham12 47 3.1.2 Chuẩn hóa liệu Các chuỗi chuẩn hóa sử dụng kỹ thuật Min-Max để chuyển đổi chuỗi thời gian dạng số nằm khoảng [0,1] Công thức sau: 𝑁𝑖 = 𝑇𝑖 − 𝑚𝑖𝑛(𝑇) 𝑚𝑎𝑥(𝑇) − 𝑚𝑖𝑛(𝑇) Trong đó: Ti: giá trị chuỗi thời gian thời điểm thứ i Ni: giá trị chuỗi thời gian chuẩn hóa thời điểm thứ i max(T): giá trị lớn chuỗi thời gian min(T): giá trị nhỏ chuỗi thời gian Các file liệu sau chuẩn hóa lưu dạng file excel csv: 3.1.3 Thơng số cài đặt cho tốn  Bài tốn thiết lập với: - Kích thước quần thể N=50 - Số hệ GEN=100 - Tỉ lệ lai ghép pc=1/lengthchrom=1/16=0.06 - Mỗi cá thể quần thể có 16 gen quy định số đầu vào, số nút ẩn, hệ số học LR (Learning factor) seed cho mạng Trong gen số thực nằm khoảng (0-9) - Thuật toán dừng 100 hệ 3.2 Kết đánh giá 3.2.1 Kết  Kết lưu vào hai file: File1 best_sofar_File1 48 Hình 3.3: Kết lưu vào hai file chương trình kết thúc  “File 1” lưu toàn kết qua hệ sau kết thúc chương trình Hình 3.4: File “File 1” chứa liệu chuẩn hóa  best_sofar_File1 lưu kết tốt giá trị fitness qua hệ 49 Hình 3.5: File “best_sofar_File1” chứa giá trị Fitness chọn lọc  Tất lưu thư mục: C:\Users\NghiaTran\Desktop\ BanDemoCT\ KQ\Có Shuffle Hình 3.6: Thư mục chứa kết đánh giá 3.2.2 Đánh giá  Để đánh giá khả dự báo mơ hình liệu chuỗi thời gian em lựa chọn thước đo MSE Công thức sau: 𝑇+ℎ 𝑀𝑆𝐸 = ∑ 𝑒𝑡2 ℎ 𝑡=𝑇+1 50 Trong đó: - et=yt-Ft yt giá trị mong muốn F t giá trị thực tế tính tốn - T giá trị biết - h giá trị chưa biết (cần dự báo) Giá trị MSE nhỏ khả dự báo mơ hình tốt  Đánh giá việc sử dụng Shuffle GA DE: Bảng 3.1: Bảng so sánh kết dự báo GA DE Chuỗi thời gian GA Passenger 0,29 × 10 Abraham12 0,16 × 10 Dow-jone 0,15 × 10 Quebec 0,13 × 10 Temperature 0,42 × 10 DE -2 -2 -1 -1 -2 0,27 × 10 0,40 × 10 0,30 × 10 0,99 × 10 0,24 × 10 -2 -2 -2 -2 -2  Kết cho thấy việc dùng phương pháp Shuffle giải thuật tiến hóa vi phân (DE) đem lại kết tốt nhiều so với MSE GA Kết dự báo mơ hình so sánh với phương pháp ADANN, UCM, Forecast Pro Được thể bảng tổng hợp sau: Bảng 3.2: Bảng so sánh kết dự báo DE với phương pháp khác Chuỗi thời gian DE Passenger 0,27 × 10 Abraham12 0,40 × 10 Dow-jone 0,30 × 10 Quebec 0,99 × 10 Temperature 0,24 × 10 -2 -2 -2 -2 -2 ADANN UCM Forecast Pro 0,41×10-3 0,28×10-3 0,75×10-3 0,22×10-2 0,38×10-2 0,29×10-2 0,12×10-1 0,12×10-1 0,12×10-1 0,19×10-1 0,19×10-1 0,13×10-1 0,29×10-2 0,24×10-2 0,25×10-2 51  Từ kết so sánh với phương khác đánh giá trước ta thấy việc dùng phương pháp shuffle giải thuật tiến hóa vi phân để dự báo chuỗi thời gian đem lại kết tốt nhiều phương pháp khác đánh giá dự báo chuỗi thời gian 52 KẾT LUẬN CHUNG Qua trình thực khóa luận tốt nghiệp “Ảnh hưởng phương pháp Shuffle giải thuật tiến hóa vi phân ứng dụng dự báo chuỗi thời gian” với hướng dẫn Cô giáo Vũ Thị Thu Minh, em đánh giá đưa kết thành cơng cho q trình dự báo chuỗi thời gian Em nắm bắt sở lý thuyết, cài đặt công cụ liên quan đến việc lập trình, hiểu yếu tố nội dung nghiên cứu phương pháp đánh giá dự báo chuỗi thời gian Khóa luận đạt kết sau đây:  Xây dựng chương trình kiểm thử đánh giá kết dự báo  Đánh giá đưa kết ảnh hưởng phương pháp Shuffle giải thuật tiến hóa vi phân trình dự báo chuỗi thời gian  So sánh việc sử dụng shuffle DE với phương pháp đánh giá trước đem lại kết tốt nhiều trình dự báo chuỗi thời gian Mặc dù em có nhiều cố gắng nhằm hồn thành tốt khóa luận mình, song để nắm vững lý thuyết mạng Neural, đòi hỏi sinh viên phải có trình độ định kiến thức tốn học Như lý thuyết em trình bày chưa sâu Trong tương lai đề tài có hướng mở để nghiên cứu nội dung từ mục tiêu thành hai mục tiêu Cuối cùng, lần nữa, em xin chân thành cảm ơn thầy, cô thuộc khoa Kỹ Thuật – Công Nghệ, trường Đại học Hùng Vương truyền đạt kiến thức, nhờ em hồn thành khóa luận tốt nghiệp 53 TÀI LIỆU THAM KHẢO [1] Nguyễn Thị Kim Loan (2009), Mơ hình chuỗi thời gian mờ dự báo chuỗi thời gian, Luận văn Thạc sĩ Công nghệ thông tin, Trường Đại học Thái Nguyên, Thái Nguyên [2] Bùi Duy Quảng (2010), Tìm hiểu mạng neural ứng dụng, Luận văn Thạc sĩ Công nghệ thông tin, Trường Đại học Dân Lập Hải Phịng, Hải Phịng [3] Đinh Mạnh Tường (2002), Trí tuệ nhân tạo, Nxb Khoa học – kỹ thuật Hà Nội [4] https://datamarket.com/data/list/?q=provider:tsdl, Xem 22/02/2017 [5] Juan Peralta Donate, German Gutierrez Sanchez, Araceli Sanchis De Miguel (2012), ”Time series forecasting A comparative study between an evolving artificial neural networks system and statistical methods” [6] Juan Peralta Donate, Xiaodong Li , Germa ´n Gutie ´rrez Sa ´nchez , Araceli Sanchis de Miguel (2011), “Time series forecasting by evolving artificial neural networks with genetic algorithms, differential evolution and estimation of distribution algorithm” [7] Peter J Brockwell, Richard A Davis (2001), “Introduction to Time Series and Forecasting”, Springer [8] Juan Peralta, Xiaodong Li, German Gutierrez, and A Sanchis (2010) “Time series forecasting by evolving artificial neural networks using genetic algorithms and differential evolution”, IJCNN [9] S Makridakis, S Wheelwright, and R Hyndman (2008), “Forecasting Methods and Applications”, 3rd Edition, John Wiley & Sons, USA [10] F Gruau, Genetic Synthesis of Boolean Neural Networks with a Cell Rewriting Developmental Process(1992),“Proceedings of COGANN-92 International Workshop on Combinations of Genetic Algorithms and Neural Networks”, pp 55–74, IEEE Computer Society Press 54 [11] S Bengio, F Fessant, and D Collobert (1995), A connectionist system for medium term horizon time series prediction, “Workshop Application Neural Networks to Telecoms”, pp 308–315 [12] Imran Maqsood, Ỉ Muhammad, Muhammad Riaz Khan, Ajith Abraham, I Maqsood, M R Khan, and A Abraham (2007), An Ensemble of Neural Networks For Weather Forecasting, “Neural Computing & Applications”, pp 112-122 ... giải thuật tiến hóa vi phân ứng dụng dự báo chuỗi thời gian hoàn toàn cần thiết thời điểm Vì lý em chọn đề tài khóa luận “ Ảnh hưởng phương pháp Shuffle giải thuật tiến hóa vi phân ứng dụng dự báo. .. báo chuỗi thời gian? ?? Khóa luận giúp đánh giá kết xác dự báo chuỗi thời gian Ý nghĩa khoa học thực tiễn  Đánh giá ảnh hưởng phương pháp Shuffle giải thuật tiến hóa vi phân ứng dụng dự báo chuỗi. .. HÙNG VƯƠNG KHOA KỸ THUẬT – CÔNG NGHỆ - TRẦN ĐẠO NGHĨA ẢNH HƯỞNG CỦA PHƯƠNG PHÁP SHUFFLE ĐỐI VỚI GIẢI THUẬT TIẾN HÓA VI PHÂN ỨNG DỤNG TRONG DỰ BÁO CHUỖI THỜI GIAN KHÓA LUẬN TỐT NGHIỆP