luận án tiến sĩ nghành máy tính đề tài MÔ HÌNH DỰ BÁO CHUỖI THỜI GIAN NGÔN NGỮ DỰA TRÊN ĐẠI SỐ GIA TỬ

BỘ GIÁO DỤC VÀ ĐÀO TẠO VIỆN HÀN LÂM KHOA HỌC VÀ CÔNG NGHỆ VIỆT NAM HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ - NGUYỄN DUY HIẾU MƠ HÌNH DỰ BÁO CHUỖI THỜI GIAN NGƠN NGỮ DỰA TRÊN ĐẠI SỐ GIA TỬ LUẬN ÁN TIẾN SĨ NGÀNH MÁY TÍNH HÀ NỘI – 2022 HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ - Nguyễn Duy Hiếu MƠ HÌNH DỰ BÁO CHUỖI THỜI GIAN NGƠN NGỮ DỰA TRÊN ĐẠI SỐ GIA TỬ Chuyên ngành: Hệ thống thông tin Mã số: 48 01 04 LUẬN ÁN TIẾN SĨ NGÀNH MÁY TÍNH NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS TSKH Nguyễn Cát Hồ TS Vũ Như Lân Hà Nội – Năm 2022 LỜI CAM ĐOAN MƠ HÌNH DỰ BÁO CHUỖI THỜI GIAN NGƠN NGỮ DỰA TRÊN ĐẠI SỐ GIA TỬ Tác giả luận án cam đoan kết nghiên cứu riêng tác giả ngoại trừ nghiên cứu trích dẫn luận án Các kết viết chung với tác giả khác đồng ý đồng tác giả trước đưa vào luận án Các kết trình bày luận án trung thực chưa công bố cơng trình khác Tác giả Nguyễn Duy Hiếu MƠ DỰ BÁO CHUỖILỜI THỜI GIAN CẢM ƠN NGÔN NGỮ DỰA TRÊN ĐẠI HÌNH SỐ GIA TỬ Trong q trình thực nghiên cứu, tác giả nhận bảo tận tình, chu đáo PGS TSKH Nguyễn Cát Hồ TS Vũ Như Lân Lời đầu tiên, tác giả xin bày tỏ lịng kính trọng biết ơn sâu sắc tới hai thầy Tác giả trân trọng cảm ơn Ban Lãnh đạo: Viện Công nghệ thông tin, Khoa Công nghệ thông tin Truyền thông - Học viện Khoa học Công nghệ, Viện Hàn lâm Khoa học Công nghệ Việt Nam giúp đỡ, tạo điều kiện thuận lợi cho tác giả trình học tập, nghiên cứu hoàn thiện luận án Tác giả xin trân trọng cảm ơn lãnh đạo Trường Đại học Tây Bắc, Ban Chủ nhiệm Khoa Khoa học Tự nhiên - Cơng nghệ, lãnh đạo Phịng Tổ chức Hành chính, Phịng Bảo đảm chất lượng Thanh tra Pháp chế quan tâm, tạo điều kiện tốt cơng việc để tác giả có thời gian tập trung nghiên cứu Tác giả xin gửi lời cảm ơn chân thành tới đồng nghiệp thuộc Khoa Khoa học Tự nhiên - Công nghệ, Trường Đại học Tây Bắc, anh chị Nhóm nghiên cứu Đại số gia tử động viên, khích lệ, trao đổi kiến thức kinh nghiệm nghiên cứu Cuối cùng, tác giả xin gửi lời cảm ơn chân thành tới bố mẹ hai bên, anh chị em, người thân, bạn bè đặc biệt vợ dành cho tác giả tình cảm, chia sẻ lúc khó khăn sống, động viên giúp đỡ tác giả trình nghiên cứu Luận án quà mang ý nghĩa tinh thần mà tác giả trân trọng gửi đến thành viên gia đình MỤC LỤC MƠ HÌNH DỰ BÁO CHUỖI THỜI GIAN NGÔN NGỮ DỰA TRÊN ĐẠI SỐ GIA TỬ LỜI CAM ĐOAN iii LỜI CẢM ƠN iv MỤC LỤC v DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT vii DANH MỤC CÁC BẢNG BIỂU ix DANH MỤC CÁC HÌNH ẢNH, HÌNH VẼ, ĐỒ THỊ xi MỞ ĐẦU CHƯƠNG MỘT SỐ KIẾN THỨC CƠ SỞ 1.1 Dự báo chuỗi thời gian mờ 1.1.1 Khái niệm chuỗi thời gian 1.1.2 Mơ hình dự báo FTS-FM 1.2 Thơng tin cấu trúc tốn học miền ngôn ngữ tự nhiên 1.2.1 Cấu trúc đại số miền ngôn ngữ tự nhiên 21 23 1.2.2 Lượng hóa cấu trúc ngữ nghĩa ngơn ngữ phương pháp tiên đề 29 1.2.3 Một số ứng dụng ĐSGT 34 CHƯƠNG CHUỖI THỜI GIAN NGÔN NGỮ VÀ MƠ HÌNH DỰ BÁO 37 2.1 Mơ hình dự báo chuỗi thời gian mờ dựa ngữ nghĩa ngôn ngữ 38 2.2 Mơ hình dự báo chuỗi thời gian ngơn ngữ (LTS-FM) 45 2.2.1 Chuỗi thời gian ngôn ngữ (LTS) 46 2.2.2 Quan hệ lơ-gic ngơn ngữ nhóm quan hệ lơ-gic ngơn ngữ 47 MỤC LỤC MƠ HÌNH DỰ BÁO CHUỖI THỜI GIAN NGÔN NGỮ DỰA TRÊN ĐẠI SỐ GIA TỬ 2.2.3 Mơ hình dự báo LTS-FM 48 2.2.4 Một số kết thử nghiệm thảo luận CHƯƠNG MỘT SỐ NGHIÊN CỨU MỞ RỘNG MƠ HÌNH DỰ BÁO 52 CHUỖI THỜI GIAN NGÔN NGỮ 66 3.1 Trọng số quan hệ lô-gic ngôn ngữ 67 3.2 Mở rộng khơng gian mơ hình dự báo chuỗi thời gian ngơn ngữ 70 3.3 Tính tốn tối ưu mơ hình dự báo LTS-FM 75 3.3.1 Tối ưu tham số mơ hình dự báo LTS-FM 75 3.3.2 Tối ưu tham số kết hợp tối ưu việc lựa chọn hạng từ mơ hình dự báo chuỗi thời gian ngơn ngữ 3.4 Mơ hình dự báo chuỗi thời gian ngôn ngữ bậc cao 80 87 3.4.1 Quan hệ lơ-gic ngơn ngữ bậc cao 87 3.4.2 Mơ hình dự báo HO-LTS 88 3.4.3 Một số kết thảo luận 89 KẾT LUẬN CỦA LUẬN ÁN 100 DANH MỤC CƠNG TRÌNH KHOA HỌC CỦA TÁC GIẢ LIÊN QUAN ĐẾN LUẬN ÁN 102 TÀI LIỆU THAM KHẢO 103 MƠ HÌNH DỰ BÁO CHUỖI THỜI GIAN NGÔN NGỮ DỰA TRÊN ĐẠI SỐ GIA TỬ DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT Các ký hiệu: � �(�) Hàm thuộc phần tử � vào tập mờ � ���(�) Miền ngôn ngữ biến ngôn ngữ � �+��(�) Hàm dấu từ ngơn ngữ � �(�) Độ đo tính mờ từ ngơn ngữ � ℑ�(�) Khoảng tính mờ từ ngôn ngữ � �(�) Chiều dài từ ngôn ngữ � �(ℎ) Độ đo tính mờ gia tử ℎ �(�) Giá trị ngữ nghĩa định lượng từ ngôn ngữ � 3 = �(�#), độ đo tính mờ phần tử sinh âm �# � � = ∑#�&$&#' �(ℎ$), tổng độ đo tính mờ gia tử âm � � = ∑'&$&� �(ℎ$), tổng độ đo tính mờ gia tử dương Các chữ viết tắt: FTS FTS-FM AI FLR FLRG Fuzzy Time Series (chuỗi thời gian mờ) Fuzzy Time Series Forecasting Model (mơ hình dự báo chuỗi thời gian mờ) Artificial Intelligence (trí thơng minh nhân tạo, trí tuệ nhân tạo) Fuzzy Logic Relationship (quan hệ lơ-gic mờ) Fuzzy Logic Relationship Group (nhóm quan hệ lô-gic mờ) EUA Enrollment of University of Alabama (bộ liệu số sinh viên nhập học Đại học Alabama từ 1971 đến 1992) MSE Mean Squared Error (giá trị sai số trung bình bình phương) RMSE Root Mean Squared Error (giá trị khai sai số trung bình bình phương) MAPE Mean Absolute Percentage Error (giá trị sai số trung bình phần trăm tuyệt đối) ĐSGT Đại số gia tử HA Hedge Algebras (đại số gia tử) SQM Semantically Quantifying Mapping (ánh xạ ngữ nghĩa định lượng) LST LTS-FM Linguistic Time Series (chuỗi thời gian ngôn ngữ) Linguistic Time Series Forecasting Model (mơ hình dự báo chuỗi thời gian ngơn ngữ) WLTSFM Forecasting Model (mơ hình dự báo chuỗi thời gian ngơn ngữ có trọng số) Weighted Linguistic Time Series LLR Linguistic Logical Relationship (quan hệ lô-gic ngôn ngữ) LLRG Linguistic Logical Relationship Group (nhóm quan hệ lơPSO gic ngôn ngữ) Particle Swarm Optimization (giải thuật tối ưu bầy đàn) Linguistic Time Series Particle Swarm Optimization (giải LTSPSO ngữ) LTSPSCO thuật tối ưu tham số sử dụng giải thuật bầy đàn mơ hình dự báo chuỗi thời gian ngôn HO-LTS Linguistic Time Series Particle Swarm Co-Optimization (giải thuật đồng tối ưu, kết hợp tối ưu tham số từ sử dụng giải thuật bầy đàn mô hình dự báo chuỗi thời gian ngơn ngữ) High-Order Linguistic Time Series (chuỗi thời gian ngôn ngữ bậc cao) DANH MỤC CÁC BẢNG BIỂU Bảng 1.1 Các tiêu chuẩn đánh giá độ xác dự báo 20 Bảng 1.2 Quan hệ dấu gia tử hàng gia tử cột 28 Bảng 2.1 Bảng số liệu sinh viên nhập học EUA 40 Bảng 2.2 Các khoảng giải nghĩa cho liệu EUA theo năm dự báo 43 Bảng 2.3 Bảng tổng hợp thông tin làm sở cho tính tốn dự báo 44 Bảng 2.4 Số liệu sinh viên nhập học EUA chuỗi thời gian ngôn ngữ tương ứng 54 Bảng 2.5 Các nhóm quan hệ lơ-gic ngơn ngữ chuỗi thời gian tuyển sinh 55 Bảng 2.6 So sánh kết dự báo tuyển sinh Alabama 56 Bảng 2.7 Độ biến thiên liệu EUA 58 Bảng 2.8 Các LLRG chuỗi thời gian độ biến thiên tuyển sinh 59 Bảng 2.9 Kết dự báo EUA dựa số liệu biến thiên 60 Bảng 2.10 Các nhóm quan hệ LLRG chuỗi thời gian nhiệt độ 62 Bảng 2.11 Kết dự báo nhiệt độ mơ hình FTS-FM 63 Bảng 3.1 Giá trị điểm ngữ nghĩa thực không gian 68 Bảng 3.2 Chuỗi thời gian ngôn ngữ EUA nhóm quan hệ LLRG có trọng số 68 Bảng 3.3 Kết dự báo mơ hình 69 Bảng 3.4 Chuỗi thời gian ngơn ngữ mơ hình 9, 17, 33 65 hạng từ 72 Bảng 3.5 Các nhóm quan hệ lô-gic ngôn ngữ với 17 từ 73 Bảng 3.6 Các nhóm quan hệ lơ-gic ngơn ngữ với 33 65 từ 73 Bảng 3.7 Kết dự báo với 9, 17, 33 65 hạng từ 74 Bảng 3.8 Chuỗi thời gian ngôn ngữ liệu EUA sử dụng hạng từ 91 Bảng 3.9 Nhóm quan hệ lơ-gic ngơn ngữ bậc hai sử dụng hạng từ 92 Bảng 3.10 Nhóm quan hệ lô-gic ngôn ngữ bậc ba sử dụng hạng từ 92 Bảng 3.11 So sánh sai số kết dự báo số liệu EUA mơ hình dự báo HOLTS với từ chọn 94 Bảng 3.12 So sánh sai số kết dự báo số liệu EUA mơ hình dự báo HOLTS với 17 từ chọn 94 Bảng 3.13 So sánh MSE kết dự báo số liệu EUA 94 Bảng 3.14 So sánh MAPE kết dự báo số liệu EUA 95 Bảng 3.15 Giá trị tham số tính mờ tương ứng với từ 95 Bảng 3.16 So sánh sai số kết dự báo số liệu EUA mô hình dự báo HOLTS với 33 từ chọn 96 Bảng 3.17 So sánh sai số kết dự báo số liệu EUA mơ hình dự báo HOLTS với 65 từ chọn 96 Bảng 3.18 Chuỗi thời gian ngôn ngữ suất nông sản Lahi 97 Bảng 3.19 So sánh sai số dự báo nông sản Lahi mơ hình dự báo 97 [30] P Singh and B Borah, “Forecasting stock index price based on M-factors fuzzy time series and particle swarm optimization,” Int J Approx Reason., vol 55, no 3, pp 812–833, 2014, doi: 10.1016/j.ijar.2013.09.014 [31] H.-H Chu, T.-L Chen, C.-H Cheng, and C.-C Huang, “Fuzzy dual-factor time-series for stock index forecasting,” Expert Syst Appl., vol 36, p 7, 2009 [32] A Singh, S S Gautam, and S R Singh, “A New Type Fuzzy Time Series Forecasting Model Based on Three-Factors Fuzzy Logical Relationships,” Int J Uncertainty, Fuzziness Knowledge-Based Syst., 2019, doi: 10.1142/s0218488519500120 [33] J Il Park, D J Lee, C K Song, and M G Chun, “TAIFEX and KOSPI 200 forecasting based on two-factors high-order fuzzy time series and particle swarm optimization,” Expert Syst Appl., vol 37, no 2, pp 959– 967, 2010, doi: 10.1016/j.eswa.2009.05.081 [34] S M Chen and S W Chen, “Fuzzy forecasting based on two-factors second-order fuzzy-trend logical relationship groups and the probabilities of trends of fuzzy logical relationships,” IEEE Trans Cybern., vol 45, no 3, pp 405–417, 2015, doi: 10.1109/TCYB.2014.2326888 [35] A M S M Yusuf A A Hamisu, “A novel two – factor high order fuzzy time series with applications to temperature and futures exchange forecasting,” Niger J Technol., vol 36, no 4, p 11, 2017 [36] N Y Wang and S M Chen, “Temperature prediction and TAIFEX forecasting based on automatic clustering techniques and two-factors highorder fuzzy time series,” Expert Syst Appl., vol 36, no PART 1, pp 2143–2154, 2009, doi: 10.1016/j.eswa.2007.12.013 [37] H K Yu, “Weighted fuzzy time series models for TAIEX forecasting,” Phys A Stat Mech its Appl., vol 349, no 3–4, pp 609–624, 2005, doi: 10.1016/j.physa.2004.11.006 [38] R Efendi, Z Ismail, and M M Deris, “A new linguistic out-sample approach of fuzzy time series for daily forecasting of Malaysian electricity load demand,” Appl Soft Comput., vol 28, pp 422–430, 2015, doi: 10.1016/j.asoc.2014.11.043 [39] S Singh and G Abhishekh, “A modified weighted method of time series forecasting in intuitionistic fuzzy environment,” OPSEARCH, no 0123456789, 2020, doi: 10.1007/s12597-020-00455-8 [40] R Efendi, Z Ismail, N H Sarmin, and M Mat Deris, “A reversal model of fuzzy time series in regional load forecasting,” Int J Energy Stat., vol 03, no 01, p 1550003, 2015, doi: 10.1142/s2335680415500039 [41] P Jiang, Q Dong, P Li, and L Lian, “A novel high-order weighted fuzzy time series model and its application in nonlinear time series prediction,” Appl Soft Comput., vol 55, pp 44–62, 2017, doi: 10.1016/j.asoc.2017.01.043 [42] V R Uslu, E Bas, U Yolcu, and E Egrioglu, “A fuzzy time series approach based on weights determined by the number of recurrences of fuzzy relations,” Swarm Evol Comput., vol 15, p 8, 2014 [43] A Rubio, J D Bermúdez, and E Vercher, “Forecasting portfolio returns using weighted fuzzy time series methods,” Int J Approx Reason., vol 75, pp 1–12, 2016, doi: 10.1016/j.ijar.2016.03.007 [44] Y L Huang et al., “An improved forecasting model based on the weighted fuzzy relationship matrix combined with a PSO adaptation for enrollments,” Int J Innov Comput Inf Control, vol 7, no (A), pp 4027–4046, 2011 [45] R E Z Ismail, “Enrollment Forecasting based on Modified Weight Fuzzy Time Series,” J Artif Intell., vol 4, no 1, pp 110–118, 2011 [46] K Huarng, “Effective lengths of intervals to improve forecasting in fuzzy time series,” Fuzzy Sets Syst., vol 123, no 3, pp 387–394, 2001, doi: 10.1016/S0165-0114(00)00057-9 [47] K Huarng, “Heuristic models of fuzzy time series for forecasting,” Fuzzy Sets Syst., vol 123, pp 369–386, 2001 [48] M Pant and S Kumar, “Particle swarm optimization and intuitionistic fuzzy set-based novel method for fuzzy time series forecasting,” Granul Comput., no May, 2021, doi: 10.1007/s41066-021-00265-3 [49] S M Chen, X Y Zou, and G C Gunawan, “Fuzzy time series forecasting based on proportions of intervals and particle swarm optimization techniques,” Inf Sci (Ny)., vol 500, pp 127–139, 2019, doi: 10.1016/j.ins.2019.05.047 [50] E Egrioglu, C H Aladag, U Yolcu, and A Z Dalar, “A Hybrid High Order Fuzzy Time Series Forecasting Approach Based on PSO and ANNs Methods,” Am J Intell Syst., vol 6, no 1, p 8, 2016 [51] O Cagcag Yolcu and F Alpaslan, “Prediction of TAIEX based on hybrid fuzzy time series model with single optimization process,” Appl Soft Comput., vol 66, pp 18–33, 2018, doi: 10.1016/j.asoc.2018.02.007 [52] I.-H Kuo et al., “Forecasting TAIFEX based on fuzzy time series and particle swarm optimization,” Expert Syst Appl., vol 37, p 9, 2010 [53] Y.-L Huang et al., “A hybrid forecasting model for enrollments based on aggregated fuzzy time series and particle swarm optimization,” Expert Syst Appl., vol 38, p 10, 2011 [54] S M T F G M.Mahnam, “A Particle Swarm Optimization Algorithm for Forecasting Based on Time Variant fuzzy Time Series,” Int J Ind Eng Prod Res., vol 23, no 4, p 9, 2012 [55] S M Chen and Y C Chang, “Multi-variable fuzzy forecasting based on fuzzy clustering and fuzzy rule interpolation techniques,” Inf Sci (Ny)., vol 180, no 24, pp 4772–4783, 2010, doi: 10.1016/j.ins.2010.08.026 [56] C.-H Cheng, J.-W Wang, and G.-W Cheng, “Multi-attribute fuzzy time series method based on fuzzy clustering,” Expert Syst Appl., vol 34, p 8, 2008 [57] W Wang and X Liu, “Fuzzy forecasting based on automatic clustering and axiomatic fuzzy set classification,” Inf Sci (Ny)., vol 294, no 2, pp 78– 94, 2015, doi: 10.1016/j.ins.2014.09.027 [58] Y C Chang and S M Chen, “Temperature prediction based on fuzzy clustering and fuzzy rules interpolation techniques,” Conf Proc - IEEE Int Conf Syst Man Cybern., no October, pp 3444–3449, 2009, doi: 10.1109/ICSMC.2009.5346229 [59] O Duru and E Bulut, “A non-linear clustering method for fuzzy time series: Histogram damping partition under the optimized cluster paradox,” Appl Soft Comput J., vol 24, pp 742–748, 2014, doi: 10.1016/j.asoc.2014.08.038 [60] S M Chen and K Tanuwijaya, “Fuzzy forecasting based on high-order fuzzy logical relationships and automatic clustering techniques,” Expert Syst Appl., vol 38, no 12, pp 15425–15437, 2011, doi: 10.1016/j.eswa.2011.06.019 [61] R M Pattanayak, S Panigrahi, and H S Behera, “High-Order Fuzzy Time Series Forecasting by Using Membership Values Along with Data and Support Vector Machine,” Arab J Sci Eng., no 1, 2020, doi: 10.1007/s13369-020-04721-1 [62] W Qiu, X Liu, and L Wang, “Forecasting shanghai composite index based on fuzzy time series and improved C-fuzzy decision trees,” Expert Syst Appl., vol 39, no 9, pp 7680–7689, 2012, doi: 10.1016/j.eswa.2012.01.051 [63] P Z Wangren Qiu Yanhong Wang, “Fuzzy Time Series Forecasting Model Based on Automatic Clustering Techniques and Generalized Fuzzy Logical Relationship,” Math Probl Eng., p 9, 2015 [64] S H Cheng, S M Chen, and W S Jian, “Fuzzy time series forecasting based on fuzzy logical relationships and similarity measures,” Inf Sci J., pp 2250–2254, 2015, doi: 10.1109/SMC.2015.393 [65] P C de L e Silva, P de O e Lucas, and F G Guimaraes, “A Distributed Algorithm for Scalable Fuzzy Time Series,” International Conference on Green, Pervasive, and Cloud Computing, 2019, pp 42–56 [66] E Egrioglu, C H Aladag, U Yolcu, V R Uslu, and M A Basaran, “A new approach based on artificial neural networks for high order multivariate fuzzy time series,” Expert Syst Appl., vol 36, no 7, pp 10589–10594, 2009, doi: 10.1016/j.eswa.2009.02.057 [67] M Khashei, S Reza Hejazi, M Bijari, R Hejazi, and M Bijari, “A new hybrid artificial neural networks and fuzzy regression model for time series forecasting,” Fuzzy Sets Syst., vol 159, no 7, pp 769–786, 2007, doi: 10.1016/j.fss.2007.10.011 [68] C H Aladag, U Yolcu, and E Egrioglu, “A high order fuzzy time series forecasting model based on adaptive expectation and artificial neural networks,” Math Comput Simul., vol 81, no 4, pp 875–882, 2010, doi: 10.1016/j.matcom.2010.09.011 [69] C Kocak, A Zafer, D Ozge, C Yolcu, E Bas, and E Egrioglu, “A new fuzzy time series method based on an ARMA-type recurrent Pi-Sigma artificial neural network,” Soft Comput., vol 1, no 2011, 2019, doi: 10.1007/s00500-019-04506-1 [70] M Y Chen, “A high-order fuzzy time series forecasting model for internet stock trading,” Futur Gener Comput Syst., vol 37, pp 461–467, 2014, doi: 10.1016/j.future.2013.09.025 [71] B Sarıca, E Eğrioğlu, and B Aşıkgil, “A new hybrid method for time series forecasting: AR–ANFIS,” Neural Comput Appl., vol 29, no 3, pp 749– 760, 2018, doi: 10.1007/s00521-016-2475-5 [72] E Egrioglu, E Bas, and U Yolcu, “Intuitionistic high-order fuzzy time series forecasting method based on pi-sigma artificial neural networks trained by artificial bee colony,” Granul Comput., 2018, doi: 10.1007/s41066-018-00143-5 [73] P Singh and Y.-P Huang, “A High-Order Neutrosophic-Neuro-Gradient Descent Algorithm-Based Expert System for Time Series Forecasting,” Int J Fuzzy Syst., 2019, doi: 10.1007/s40815-019-00690-2 [74] E Egrioglu, E Bas, U Yolcu, and M Yen, “Picture fuzzy time series : Defining , modeling and creating a new forecasting method,” Eng Appl Artif Intell., vol 88, p 13, 2020, doi: 10.1016/j.engappai.2019.103367 [75] Y Zhang, H Qu, W Wang, and J Zhao, “A Novel Fuzzy Time Series Forecasting Model Based on Multiple Linear Regression and Time Series Clustering,” Math Probl Eng., vol 2020, 2020, doi: 10.1155/2020/9546792 [76] J W Koo, S W Wong, G Selvachandran, H V Long, and L H Son, “Prediction of Air Pollution Index in Kuala Lumpur using fuzzy time series and statistical models,” Air Qual Atmos Heal., vol 13, no 1, pp 77–88, 2020, doi: 10.1007/s11869-019-00772-y [77] C H Cheng, J R Chang, and C A Yeh, “Entropy-based and trapezoid fuzzification-based fuzzy time series approaches for forecasting IT project cost,” Technol Forecast Soc Change, vol 73, no 5, pp 524–542, 2006, doi: 10.1016/j.techfore.2005.07.004 [78] A Rubio, J D Bermúdez, and E Vercher, “Improving stock index forecasts by using a new weighted fuzzy-trend time series method,” Expert Syst Appl., vol 76, pp 12–20, 2017, doi: 10.1016/j.eswa.2017.01.049 [79] H J Teoh, T L Chen, C H Cheng, and H H Chu, “A hybrid multi-order fuzzy time series for forecasting stock markets,” Expert Syst Appl., vol 36, no 4, pp 7888–7897, 2009, doi: 10.1016/j.eswa.2008.11.009 [80] M Bose and K Mali, “A novel data partitioning and rule selection technique for modeling high-order fuzzy time series,” Appl Soft Comput., vol 63, pp 87–96, 2018, doi: 10.1016/j.asoc.2017.11.011 [81] C H Cheng, H J Teoh, and T L Chen, “Forecasting stock price index using fuzzy time-series based on rough set,” Proc - Fourth Int Conf Fuzzy Syst Knowl Discov FSKD 2007, vol 3, pp 336–340, 2007, doi: 10.1109/FSKD.2007.296 [82] H J Teoh, C H Cheng, H H Chu, and J S Chen, “Fuzzy time series model based on probabilistic approach and rough set rule induction for empirical research in stock markets,” Data Knowl Eng., vol 67, no 1, pp 103–117, 2008, doi: 10.1016/j.datak.2008.06.002 [83] E Bas, U Yolcu, and E Egrioglu, “Intuitionistic fuzzy time series functions approach for time series forecasting,” Granul Comput., no 2013, 2020, doi: 10.1007/s41066-020-00220-8 [84] C Luo, C Tan, X Wang, and Y Zheng, “An evolving recurrent interval type-2 intuitionistic fuzzy neural network for online learning and time series prediction,” Appl Soft Comput J., vol 78, pp 150–163, 2019, doi: 10.1016/j.asoc.2019.02.032 [85] X Fan, Y Wang, and M Zhang, “Network traffic forecasting model based on long-term intuitionistic fuzzy time series,” Inf Sci (Ny)., vol 506, pp 131–147, 2020, doi: 10.1016/j.ins.2019.08.023 [86] R M Pattanayak, H S Behera, and S Panigrahi, “A Non-Probabilistic Neutrosophic Entropy-Based Method For High-Order Fuzzy Time-Series Forecasting,” Arab J Sci Eng., no July, 2021, doi: 10.1007/s13369-02105718-0 [87] Abhishekh and S Kumar, “Handling higher order time series forecasting approach in intuitionistic fuzzy environment,” J Control Decis., vol 0, no 0, pp 1–18, 2019, doi: 10.1080/23307706.2019.1591310 [88] R Mohan, H S Behera, and S Panigrahi, “A novel probabilistic intuitionistic fuzzy set based model for high order fuzzy time series forecasting Engineering Applications of Artificial Intelligence A novel probabilistic intuitionistic fuzzy set based model for high order fuzzy time series forecas,” Eng Appl Artif Intell., vol 99, no March, p 104136, 2021, doi: 10.1016/j.engappai.2020.104136 [89] K Bisht and S Kumar, “Intuitionistic Fuzzy Set-Based Computational Method for Financial Time Series Forecasting,” Fuzzy Inf Eng., vol 10, no 3, pp 307–323, 2018, doi: 10.1080/16168658.2019.1631557 [90] O Cagcag Yolcu, E Bas, E Egrioglu, and U Yolcu, “A new intuitionistic fuzzy functions approach based on hesitation margin for time-series prediction,” Soft Comput., vol 2, 2019, doi: 10.1007/s00500-019-04432-2 [91] E Bas, U Yolcu, and E Egrioglu, “Picture Fuzzy Regression Functions Approach for Financial Time Series based on Ridge Regression and Genetic Algorithm,” J Comput Appl Math., p 112656, 2019, doi: 10.1016/j.cam.2019.112656 [92] B C Cường, “Picture fuzzy sets,” J Comput Sci Cybern., vol 30, no 4, pp 409–420, 2015, doi: 10.15625/1813-9663/30/4/5032 [93] N C Ho, N C Dieu, and V N Lan, “The application of hedge algebras in fuzzy time series forecasting,” J Sci Technol., vol 54, no 2, pp 161–177, 2016, doi: 10.15625/0866-708x/54/2/5242 [94] N Van Tinh, “Enhanced Forecasting Accuracy of Fuzzy Time Series Model Based on Combined Fuzzy C-Mean Clustering with Particle,” Int J Comput Intell Appl., vol 19, no 2, 2020, doi: 10.1142/S1469026820500170 [95] N Van Tinh and N C Dieu, “Handling Forecasting Problems Based on Combining High-Order Time-Variant Fuzzy Relationship Groups and Particle Swam Optimization Technique,” Int J Comput Intell Appl., vol 17, no 2, pp 1–19, 2018, doi: 10.1142/S1469026818500098 [96] N Van Tinh and N C Dieu, “A new hybrid fuzzy time series forecasting model based on combining fuzzy c-means clustering and particle swam optimization,” J Comput Sci Cybern., vol 35, no 3, pp 267–292, 2019, doi: 10.15625/1813-9663/35/3/13496 [97] N Van Tinh, N C Dieu, N T Duy, and T T Thanh, “Improved Fuzzy Time Series Forecasting Model Based on Optimal Lengths of Intervals Using Hedge Algebras and Particle Swarm Optimization,” Adv Sci Technol Eng Syst J., vol 6, no 1, pp 1286–1297, 2021, doi: 10.25046/aj0601147 [98] H Che-Ngoc, T Vo-Van, Q.-C Huynh-Le, V Ho, T Nguyen-Trang, and M.-T Chu-Thi, “Econometrics for Financial Applications,” vol 760, no January, 2018, doi: 10.1007/978-3-319-73150-6 [99] N.-T Thao, “An improved fuzzy time series forecasting model using the differential evolution algorithm,” J Intell Fuzzy Syst., pp 1–15, 2018 [100] T Vovan and N Ledai, “A New Fuzzy Time Series Model Based on Cluster Analysis Problem,” Int J Fuzzy Syst., vol 21, no 3, pp 852–864, 2019, doi: 10.1007/s40815-018-0589-x [101] T Vovan and T Lethithu, “A Fuzzy Time Series Model Based on Improved Fuzzy Function and Cluster Analysis Problem,” Commun Math Stat., 2020, doi: 10.1007/s40304-019-00203-5 [102] D Tran, N Tran, G Nguyen, and B M Nguyen, “A Proactive Cloud Scaling Model Based on Fuzzy Time Series and SLA Awareness,” Procedia Comput Sci., vol 108C, pp 365–374, 2017 [103] H Tung, N D Thuan, and V M Loc, “Method of forecasting time series based on hedge algebras based fuzzy time series,” in FAIR Conference, 2016, pp 610–618, doi: 10.15625/vap.2016.00075 [104] V M Loc and V H Dung, “Hedge Algebra Approach for Fuzzy Time series To Improve Result Of Time Series Forecasting,” EAI Endorsed Trans., pp 1–11, 2018 [105] M L Vu, T Y Pham, T Nghia, and H Pham, “Time Series Forecasting Using Fuzzy Time Series With Hedge Algebras Approach,” vol 7, no 12, pp 125–133, 2017 [106] V M Loc and H P T Nghia, “Context-aware approach to improve result of forecasting enrollment in fuzzy time series,” Int J Emerg Technol Eng Res., vol 5, no 2, pp 28–33, 2017 [107] N D Thuan and H Tung, “Using Fuzzy Time Series Model Based on Hedge Algebras and Relationship Groups Following Time Points for Forecasting Time Series,” in Communications in Computer and Information Science, Nov 2020, vol 1306, pp 401–410, doi: 10.1007/978-981-33- 4370-2_28 [108] N C Ho and W Wechler, “Hedge Algebras: An algebraic approach to structure of sets of linguistic truth values,” Fuzzy Sets Syst., vol 35, pp 281– 293, 1990 [109] N C Ho and W Wechler, “Extended hedge algebras and their application to fuzzy logic,” Fuzzy Sets Syst., vol 52, pp 259–281, 1992 [110] N C Ho, V N Lan, and L X Viet, “Optimal hedge-algebras-based controller: Design and application,” Fuzzy Sets Syst., vol 159, p 32, 2008 [111] N D Duc, N.-L L Vu, D.-T T Tran, and H.-L Le Bui, “A study on the application of hedge algebras to active fuzzy control of a seism-excited structure,” J Vib Control, vol 18, no 14, pp 2186–2200, 2012, doi: 10.1177/1077546311429057 [112] H.-L B N D Anh Nhu-Lan Vu, Duc-Trung Tran, “Application of hedge algebra-based fuzzy controller to active control of a structure against earthquake,” Struct Control Heal Monit., vol 20, p 13, 2013 [113] H.-L Bui, N.-L Vu, C.-H Nguyen, and C.-H Nguyen, “General design method of hedge-algebras-based fuzzy controllers and an application for structural active control,” Appl Intell., vol 43, p 25, 2015 [114] D T Tran, V B Bui, T A Le, and H Le Bui, “Vibration control of a structure using sliding-mode hedge-algebras-based controller,” Soft Comput., vol 23, no 6, pp 2047–2059, 2017 [115] H Le Bui, T A Le, and V B Bui, “Explicit formula of hedge-algebrasbased fuzzy controller and applications in structural vibration control,” Appl Soft Comput., vol 60, pp 150–166, 2017 [116] H Le Bui and Q C Tran, “A new approach for tuning control rule based on hedge algebras theory and application in structural vibration control,” JVC/Journal Vib Control, no 1, 2020, doi: 10.1177/1077546320964307 [117] V B Bui, Q C Tran, and H Le Bui, “Multi-objective optimal design of fuzzy controller for structural vibration control using Hedge-algebras approach,” Artif Intell Rev., vol 50, no 4, pp 569–595, 2018, doi: 10.1007/s10462-017-9549-3 [118] D Vukadinovic, M Basic, C H Nguyen, N L Vu, and T D Nguyen, “Hedge-algebra-based voltage controller for a self-excited induction generator,” Control Eng Pract., vol 30, pp 78–90, 2014 [119] D Vukadinović, T D Nguyen, C H Nguyen, N L Vu, M Bašić, and I Grgić, “Hedge-Algebra-Based Phase-Locked Loop for Distorted Utility Conditions,” J Control Sci Eng., vol 2019, 2019, doi: 10.1155/2019/3590527 [120] D Vukadinovic, M Basic, C Ho Nguyen, T Duy Nguyen, N Lan Vu, and M Bubalo, “Optimization of a Hedge-Algebra-Based Speed Controller in a Stand-Alone WECS,” Sep 2020, doi: 10.23919/SPLITECH49282.2020.9243706 [121] D Vukadinovic, M Basic, C H Nguyen, T Duy Nguyen, N L Vu, and I Grgic, “Hedge-Algebra Speed Controller-Experimental Implementation in a Sensorless Stand-Alone WECS,” Nov 2020, doi: 10.1109/INDEL50386.2020.9266203 [122] C N Huu, T N Kien, D N Tien, and H L T Thu, “A research on parabolic trough solar collector system control based on hedge algebra,” in 11th International Conference on Control, Automation, Robotics and Vision, ICARCV 2010, 2010, no December, pp 715–720, doi: 10.1109/ICARCV.2010.5707904 [123] B L Hoang, D N Tien, F Luo, and P H Nguyen, “Dissolved oxygen control of the activated sludge wastewater treatment process using Hedge Algebraic control,” in Proceedings - 2014 7th International Conference on BioMedical Engineering and Informatics, BMEI 2014, 2014, no Bmei, pp 827–832, doi: 10.1109/BMEI.2014.7002886 [124] N T Duy and V N Lan, “Interpolation Based on Semantic Distance Weighting in Hedge Algebra and Its Application,” J Comput Sci Cybern., vol 33, no 1, pp 19–33, 2017, doi: 10.15625/1813-9663/33/1/9834 [125] C H Nguyen, W Pedrycz, T L Duong, and T S Tran, “A genetic design of linguistic terms for fuzzy rule based classifiers,” Int J Approx Reason., vol 54, no 1, pp 1–21, 2013 [126] C H Nguyen, T S Tran, and D P Pham, “Modeling of a semantics core of linguistic terms based on an extension of hedge algebra semantics and its application,” Knowledge-Based Syst., vol 67, p 19, 2014 [127] C H Nguyen, V T Hoang, and V L Nguyen, “A discussion on interpretability of linguistic rule based systems and its application to solve regression problems,” Knowledge-Based Syst., vol 88, pp 107–133, 2015 [128] P A Phong, T D Khang, and D K Dong, “A fuzzy rule-based classification system using hedge algebraic type-2 fuzzy sets,” in Annual Conference of the North American Fuzzy Information Processing Society NAFIPS, 2016, vol 0, pp 2–7, doi: 10.1109/NAFIPS.2016.7851623 [129] T L Pham, C H Ho, and C H Nguyen, “Linguistic Summarization Based on the Inherent Semantics of Linguistic Words,” Lect Notes Comput Sci (including Subser Lect Notes Artif Intell Lect Notes Bioinformatics), vol 10758 LNAI, pp 15–26, 2018, doi: 10.1007/978-3319-75429-1_2 [130] C H Nguyen et al., “The linguistic summarization and the interpretability, scalability of fuzzy representations of multilevel semantic structures of word-domains,” Microprocess Microsyst., vol 81, no November 2020, p 103641, Mar 2021, doi: 10.1016/j.micpro.2020.103641 [131] H H Ngo, C H Nguyen, and V Q Nguyen, “Multichannel image contrast enhancement based on linguistic rule-based intensificators,” Appl Soft Comput., vol 76, pp 744–763, 2019 [132] C.-H Nguyen, H Van Nam, and W Pedrycz, “A construction of sound semantic linguistic scales using 4-tuple representation of term semantics,” Int J Approx Reason., vol 55, p 24, 2014 [133] N T Duy and T T Son, “A Group Decision-Making Model with Comparative Linguistic Expression Based Hedge Algebra,” Lect Notes Networks Syst., vol 63, pp 31–45, Dec 2018, doi: 10.1007/978-3-03004792-4_7 [134] T M Hoang, T Nguyen, N L Vu, and H D Nguyen, “A novel fuzzy inference system based on hedge algebras to enhance energy efficiency in wireless sensor networks,” IEEE 3rd Int Conf Commun Inf Syst ICCIS 2018, pp 73–78, 2019, doi: 10.1109/ICOMIS.2018.8644986 [135] T M Hoang, Thi-Nguyen, and N L Vu, “A hedge algebras based fuzzy inference system for clustering in multi-hop WSNs,” ACM Int Conf Proceeding Ser., pp 258–263, Dec 2019, doi: 10.1145/3374587.3374632 [136] H Van Pham and P Moore, “Robot coverage path planning under uncertainty using knowledge inference and hedge algebras,” Machines, vol 6, no 4, pp 1–20, 2018, doi: 10.3390/MACHINES6040046 [137] H Van Pham, F Asadi, N Abut, and I Kandilli, “Hybrid spiral STChedge algebras model in knowledge reasonings for robot coverage path planning and its applications,” Appl Sci., vol 9, no 9, pp 1–16, 2019, doi: 10.3390/app9091909 [138] T Nguyen Van, S Y Yi, and P Bui Khoi, “Hedge algebras-based admittance controller for safe natural human–robot interaction,” Adv Robot., vol 34, no 24, pp 1546–1558, 2020, doi: 10.1080/01691864.2020.1852958 [139] N T Duy and V D Vuong, “Designing Hedge Algebraic Controller and Optimizing By Genetic Algorithm for Serial Robots Adhering Trajectories,” J Comput Sci Cybern., vol 36, no 3, pp 265–283, 2020, doi: 10.15625/1813-9663/36/3/14349 [140] L A Zadeh, “Fuzzy Sets,” Inf Control, vol 8, pp 338–353, 1965, doi: 10.1016/S0019-9958(65)90241-X [141] P Singh, “Fuzzy Time Series Modeling Approaches: A Review,” in Applications of Soft Computing in Time Series Forecasting, Springer, 2016 [142] S M Chen and C D Chen, “Handling forecasting problems based on high- order fuzzy logical relationships,” Expert Syst Appl., vol 38, no 4, pp 3857–3864, 2011, doi: 10.1016/j.eswa.2010.09.046 [143] R E James Kennedy, “Particle Swarm Optimization,” Proc IEEE Int Conf neural Netw., pp 1942–1948, 1995 [144] N C Ho and H V Nam, “An algebraic approach to linguistic hedges in Zadeh’s fuzzy logic,” Fuzzy Sets Syst., vol 129, p 26, 2002 [145] N C Ho, “A topological completion of refined hedge algebras and a model of fuzziness of linguistic terms and hedges,” Fuzzy Sets Syst., vol 158, p 16, 2007 [146] N C Ho and N Van Long, “Fuzziness measure on complete hedge algebras and quantifying semantics of terms in linear hedge algebras,” Fuzzy Sets Syst., vol 158, pp 452–471, 2007 [147] H.-L Le Bui, D.-T T Tran, and N.-L L Vu, “Optimal fuzzy control of an inverted pendulum,” J Vib Control, vol 18, no 14, p 14, 2012, doi: 10.1177/1077546311429053 [148] J Sullivan and W H Woodall, “A comparison of fuzzy forecasting and Markov modeling,” Fuzzy Sets Syst., vol 64, pp 279–293, 1994 [149] S M Chen and J R Hwang, “Temperature Prediction Using Fuzzy Time Series,” IEEE Trans Syst Man, Cybern Part B Cybern., vol 30, no 2, pp 263–275, 2000 HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ NGUYỄN DUY HIẾU LUẬN ÁN TIẾN SĨ NGÀNH MÁY TÍNH HỌC VIỆN KHOA HỌC VÀ CƠNG NGHỆ Nguyễn Duy Hiếu LUẬN ÁN TIẾN SĨ NGÀNH MÁY TÍNH Hà Nội – Năm 2022 Tác giả DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT Các chữ viết tắt: DANH MỤC CÁC BẢNG BIỂU DANH MỤC CÁC HÌNH ẢNH, HÌNH VẼ, ĐỒ THỊ MỞ ĐẦU Mục tiêu nghiên cứu Đối tượng phạm vi nghiên cứu Phương pháp nghiên cứu Điểm luận án Bố cục luận án CHƯƠNG MỘT SỐ KIẾN THỨC CƠ SỞ Dự báo chuỗi thời gian mờ Khái niệm chuỗi thời gian Mơ hình dự báo FTS-FM Tiêu chuẩn Ý nghĩa Thơng tin cấu trúc tốn học miền ngôn ngữ tự nhiên Cấu trúc đại số miền ngơn ngữ tự nhiên Lượng hóa cấu trúc ngữ nghĩa ngôn ngữ phương pháp tiên đề Một số ứng dụng ĐSGT KẾT LUẬN CHƯƠNG CHƯƠNG CHUỖI THỜI GIAN NGƠN NGỮ VÀ MƠ HÌNH DỰ BÁO Mơ hình dự báo chuỗi thời gian mờ dựa ngữ nghĩa ngơn ngữ Mơ hình dự báo chuỗi thời gian ngôn ngữ (LTS-FM) Chuỗi thời gian ngôn ngữ (LTS) Quan hệ lơ-gic ngơn ngữ nhóm quan hệ lơ-gic ngơn ngữ Mơ hình dự báo LTS-FM Giải thuật 2.1 LTS-FM Một số kết thử nghiệm thảo luận Nhóm LLRG KẾT LUẬN CHƯƠNG CHƯƠNG MỘT SỐ NGHIÊN CỨU MỞ RỘNG MƠ HÌNH DỰ BÁO CHUỖI THỜI GIAN NGƠN NGỮ Trọng số quan hệ lơ-gic ngơn ngữ Mở rộng khơng gian mơ hình dự báo chuỗi thời gian ngơn ngữ Tính tốn tối ưu mơ hình dự báo LTS-FM Tối ưu tham số mơ hình dự báo LTS-FM Giải thuật 3.1 LTSPSO Tối ưu tham số kết hợp tối ưu việc lựa chọn hạng từ mơ hình dự báo chuỗi thời gian ngơn ngữ Giải thuật 3.3 LTSPSCO Mơ hình dự báo chuỗi thời gian ngôn ngữ bậc cao Quan hệ lơ-gic ngơn ngữ bậc cao Mơ hình dự báo HO-LTS Một số kết thảo luận KẾT LUẬN CHƯƠNG KẾT LUẬN CỦA LUẬN ÁN DANH MỤC CÔNG TRÌNH KHOA HỌC CỦA TÁC GIẢ LIÊN QUAN ĐẾN LUẬN ÁN TÀI LIỆU THAM KHẢO ... FTS-FM mơ hình phụ thuộc thời gian (timevariant) mơ hình khơng phụ thuộc thời gian (time-invariant) Có nhiều nghiên cứu mơ hình khơng phụ thuộc thời gian nghiên cứu mơ hình phụ thuộc thời gian... có chung quan hệ dự báo mơ hình dự báo gọi FTS độc lập thời gian (time-invariant), ngược lại FTS phụ thuộc thời gian (time-variant) Trong hai trường hợp này, mơ hình dự báo bậc (first-order) biểu... niệm quan hệ mờ nhóm quan hệ mờ ơng đề xuất xem xét Định nghĩa 1.4: (Quan hệ lô-gic mờ) [4] Trong định nghĩa 1.3, đặt �(� − 1) = �$ F(�) = �j quan hệ �(�) �(� − 1) gọi quan hệ lô-gic mờ (FLR - Fuzzy