Luận văn thạc sĩ ngành máy tính xây dựng ứng dụng phân tích dự báo doanh thu doanh nghiệp golf

iii DANH MỤC CÁC BẢNG Bảng 1:Số liệu doanh thu VietNam Golf Club từ 2003 – 2018 15 Bảng 2: Bảng phân tích số liệu doanh thu VietNam Golf Club từ 2003 – 2018 15 Bảng 3: Bảng số liệu doanh thu golf theo quý qua năm 19 Bảng 4: Bảng số liệu doanh thu Gofl file CSV 20 Bảng 5: Bảng số liệu doanh thu golf từ tháng 01 năm 2003 đến 12 năm 2018 22 Bảng 6: Bảng số liệu MA4 theo trung bình cộng 23 Bảng 7: Bảng số liệu CMA4 theo trung bình cộng 24 Bảng 8: Bảng số liệu St x It 25 Bảng 9: Bảng số liệu St theo quý 25 Bảng 10: Bảng số liệu St hiệu chỉnh theo quý 25 Bảng 11: Bảng số liệu kết khử mùa vụ 26 Bảng 12: Bảng số liệu kết hồi quy theo quý 26 Bảng 13: Bảng kết Tt 27 Bảng 14: Bảng kết Yt = St x Tt 28 Bảng 15: Bảng kết dự báo quý 2,3,4 năm 2019 28 Bảng 16: Bảng kết dự báo quý năm 2020 đến 2026 29 Bảng 17: Bảng phương trình hồi quy tuyến tính 47 Bảng 18: Bảng kết mô hình nhân 48 Bảng 19: Bảng kết dự báo std err mơ hình 49 Bảng 20: Bảng kết dự báo mơ hình 50 iv DANH MỤC CÁC HÌNH MINH HỌA Hình 1: Giao diện chức dự báo Hình 2: Sơ đồ khối thuật tốn phân tích dự báo mơ hình nhân 19 Hình 3: Sơ đồ khối xây dựng quy trình dự báo mơ hình ARIMA 21 Hình 4: Quy trình huấn luyện mạng LSTM 22 Hình 5: Biểu đồ doanh thu gofl 23 Hình 6: Biểu đồ kết mơ hình dự báo doanh thu Golf từ 2003 đến 2026 29 Hình 7: Biểu đồ minh họa doanh thu golf theo số liệu thực .31 Hình 8: Kết dự báo trung bình MA 32 Hình 9: Kết dự báo trung bình MA 33 Hình 10: Phân rã doanh thu theo tháng .34 Hình 11 : Biểu đồ phân tích số liệu theo thời gian 35 Hình 12: Biểu đồ doanh thu doanh thu khác biệt 36 Hình 13: Biểu đồ doanh thu loại bỏ xu hướng 37 Hình 14: Biểu đồ biến đổi với Log 37 Hình 15: Biểu đồ biến đổi với Log khác 38 Hình 16: Sơ đồ tự tương quan (AFC) (PACF) .39 Hình 17: Kết tốt với mơ hình dự báo 40 Hình 18: Biều đồ dự đón theo AFC PACF 41 Hình 19: Kết dự báo trước bước 42 Hình 20: Kết dự báo 10 năm tới 43 Hình 21: Biểu đồ doanh thu Golf 44 Hình 22: Kết thư nghiệm mơ hình mạng LSTM 47 Hình 23: Biểu đồ trực quan với mơ hình nhân 48 Hình 24: Mơ hình trung bình MA ttheo tháng 49 Hình 25: Kết độ lệch chuẩn trung bình 49 Hình 26: Hình minh họa kết dự báo 50 Hình 27: Đồ thị minh họa trực quan LSTM 50 v MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN ii DANH MỤC CÁC BẢNG iii DANH MỤC CÁC HÌNH MINH HỌA iv MỤC LỤC v CHƯƠNG - TỔNG QUAN .1 CHƯƠNG - MỘT SỐ PHƯƠNG PHÁP PHÂN TÍCH VÀ DỰ BÁO TÀI CHÍNH .6 2.1 Các phương pháp phân tích dự báo 2.1.1 Dự báo ngắn hạn 2.1.2 Dự báo dài hạn 2.2 Các phương pháp dự báo theo chuỗi thời gian 2.2.1 Mức độ trung bình theo thời gian 2.2.1.1 Đối với dãy số thời kỳ 2.2.1.2 Đối với dãy số thời điểm 2.2.2 Các phương pháp biểu xu hướng phát triển 2.2.2.1 Phương pháp số trung bình trượt 2.2.2.2 Phương pháp hồi quy 10 2.2.3 Phương pháp ARIMA .11 2.2.3.1 Mơ hình AR(P) (Auto Regression) 11 2.3.3.2 Mơ hình MA(q) (Moving Average) .11 2.3.3.3 Mơ hình ARMA(p,q) 12 2.3.3.4 Mơ hình ARMA mở rộng .12 2.2.4 Dự báo chuỗi thời gian sử dụng mạng nơ ron 13 vi 2.2.5 Dự báo chuỗi thời gian sử dụng mạng Long short-term memory (LSTM) 14 CHƯƠNG – PHÂN TÍCH, THIẾT KẾ HỆ THỐNG DỰ BÁO DOANH THU GOLF THEO THỜI GIAN .15 3.1 Phân tích số liệu dự báo 15 3.2 Quy trình dự báo 16 3.3 Xây dựng quy trình phân tích dự báo cho toán doanh thu Golf 18 3.3.1 Xây dựng dự báo theo chuỗi thời gian với mơ hình trung bình nhân .18 3.3.2 Xây dựng liệu ứng dụng dự báo theo mơ hình ARIMA 20 3.3.3 Xây dựng ứng dụng liệu theo mơ hình LSTM .22 CHƯƠNG – XÂY DỰNG ỨNG DỤNG THỬ NGHIỆM 23 4.1 Xây dựng dự báo theo chuỗi thời gian với mơ hình trung bình nhân 23 4.1.1 Xây dựng liệu dự báo : 23 4.1.2 Làm mịn số liệu: 23 4.1.3 Xác định St: .25 4.1.4 Xác định phương trình hồi quy: 26 4.1.4 Kết dự báo 28 4.2 Xây dựng ứng dụng dự báo theo mơ hình ARIMA 30 4.2.1 Xây dựng chương trình phân tích dự báo dự báo doanh thu thực Python 30 4.2.1.1 Khai báo thư viện xử lý số liệu : .30 4.2.1.2 Xây dựng mơ hình trung bình (Moving Average): 31 4.2.1.3 Xây dựng mơ hình ARIMA kết hợp 36 4.2.1.4 Xác định mơ hình ARIMA phù hợp .39 4.2.1.5 Dự báo doanh thu Golf 42 4.3 Xây dựng ứng dụng dự báo theo mơ hình mạng Long short-term memory (LSTM) 44 4.3.1 Khai báo thư viện 44 4.3.2 Xây dựng số liệu Dataset 45 4.3.3 Xử lý số liệu 45 4.3.4 Xây dựng mơ hình mạng LSTM .46 vii 4.3.5 Huấn luyện mơ hình mạng 46 4.3.6 Kết thử nghiệm 46 5.1 Kết dự báo 47 5.1.1 Kết xây dựng với mơ hình nhân 47 5.1.2 Mơ hình ARIMA .49 5.1.3 Mơ hình mạng LSTM 50 5.2 Bảng kết kiểm nghiệm doanh thu kiểm nghiệm mơ hình .50 KẾT LUẬN .51 DANH MỤC TÀI LIỆU THAM KHẢO 53 CHƯƠNG - TỔNG QUAN Golf môn thể thao cổ xưa kéo dài đến kỷ nguyên đại, thích ứng phát triển phù hợp với thời đại Việt Nam từ kinh kế nông nghiệp chuyển sang kinh tế có tỷ trọng cao cơng nghiệp, dịch vụ giải trí, dựa vào tảng tri thức, công nghệ khoa học đại gắn liền với xu hướng giới Mối quan tâm doanh nghiệp, người quản lý, nhà đầu tư, chiến lược phát triển kinh doanh hiệu doanh nghiệp thường xuyên phân tích dự báo doanh thu giúp nhà quản lý doanh nghiệp thấy rõ thực trạng tình hình tài doanh nghiệp mình, từ đánh giá mặt mạnh, yếu doanh nghiệp làm chiến lược để thúc đẩy tăng doanh thu[1] Phân tích liệu dự báo tốn có ý nghĩa quan trọng việc hỗ trợ nhà quản lý đưa định đắn dựa vào liệu thu thập Khi tiến hành dự báo cần vào việc thu thập, xử lý số liệu khứ để xác định xu hướng vận động tượng tương lai nhờ vào số mơ hình tốn học[2] Phân tích liệu dự báo số nhà quản lý, chuyên gia kinh tế nghiên cứu đề xuất số giải pháp ứng dụng vào số lĩnh vực cụ thể: Phân tích dự báo tình hình tài , tiền tệ , hoạch định điều hành sách tài chính, xây dựng mơ hình dự báo số thống kê xã hội chủ yếu, dự báo biến động giá chứng khoán , dự báo tác động vốn đầu tư từ nước ngoài, dự báo giá số mặt hàng tư liệu sản xuất [3] Phân tích hồi quy xu dạng ứng dụng mô hình hố lý thuyết phân tích chuỗi thời gian, mơ hình trung bình trượt MA(Moving Average), mơ tự hồi quy AR(AutoRegressive hay dạng kết hợp ARMA (AutoRegressive Moving Average), ARIMA (AutoRegressive Integrated Moving Average) Trong tình ứng dụng cụ thể, vấn đề đặt vận dụng mơ hình phân tích chuỗi thời gian hay mơ hình phân tích hồi quy xu [4] Phương pháp chủ yếu để phân tích chuỗi thời gian sử dụng công cụ thống kê hồi quy vài công cụ khác Nhưng hiệu có lẽ phương pháp sử dụng mơ hình ARIMA Box-Jenkins Mơ hình cho kết tốt phân tích liệu sử dụng rộng rãi thực tế Tuy nhiên, phức tạp thuật tốn gây khó khăn ứng dụng phân tích chuỗi số liệu, chuỗi số liệu có thay đổi phản ánh phi tuyến mơ hình Xu vận động tăng giảm giữ liệu theo chuỗi thới gian mô tả đường thẳng đường cong Phương pháp dự báo mơ hình học cộng đồng (ensemble learning) kết hợp giải thuật tiến hóa đa mục tiêu dùng mạng nơron nhân tạo (Artificial Neural Network ANN) để huấn luyện triển khai nhiều lĩnh vực dự báo chuỗi thời gian Thực dự báo chuỗi thời gian với mơ hình cộng đồng sở mơ hình đơn để xây dựng dự báo lặp nhằm tìm số thành viên cộng đồng góp phần nâng cao hiệu suất dự báo; Đề xuất dự báo chuỗi thời gian giải thuật lai tiến hóa đa mục tiêu để tối ưu cấu trúc mạng RNNs dựa hai mục tiêu: mục tiêu thứ cá thể ngưỡng biên Pareto mục tiêu thứ hai dựa lỗi huấn luyện; minh chứng việc cân độ đa dạng thành viên cộng đồng tính xác (đó hai u cầu quan trọng để xây dựng phương pháp học cộng đồng dựa giải thuật tiến hóa đa mục tiêu Một chuỗi thời gian hiểu dãy rời rạc giá trị quan sát khoảng thời gian cách Y= {y1, y2, … yt} xếp thứ tự diễn biến thời gian với y1 giá trị quan sát thời điểm đầu tiên, y2 quan sát thời điểm thứ yt quan sát thời điểm thứ t Để nhận thấy biến động tượng qua thời gian, cần phải phân tích chuỗi thời gian Có thể kể đến yếu tố nguồn gốc tạo đặc tính dao động, là: tính xu hướng, tính mùa, tính chu kì tính ngẫu nhiên [5] Liên quan đến đề tài, nước có nhiều tác giả phân tích dự báo doanh thu doanh nghiệp [1], tác giả nghiên cứu phân tích dựa số liệu báo cáo tài doanh nghiệp vịng 03 năm, để phân tích so sánh tỷ lệ chênh lệch qua năm dựa số tiêu chí để phân tích như: Phân tích tài sản ngắn hạn, phân tích khả tốn, khả sinh lợi phân tích cấu tài chính, tác giả điểm tốt chưa tốt doanh nghiệp Với cơng trình tác giả nhận định việc so sánh đưa kết từ thực tế chưa dự báo kết thời gian trước Phân tích hồi quy với biến giả việc phân tích dự báo doanh số bán hàng [4], tác giả đưa mơ hình ARIMA theo thời gian theo tác giả mơ hình ARIMA kết phân tích chưa tốt, theo tác giả hồi quy theo biến giả đạt kết tốt mơ hình ARIMA, kết báo mặt hàng ăn vặt tăng theo mùa tăng theo thời gian phụ thuộc vào yếu tố thời tiết Xây dựng giải pháp phân tích cho doanh nghiệp nhỏ [3], tác giả đưa phương pháp phân tích dự báo như: trung bình cộng đơn giản, hồi quy tuyến tính, trung bình động đơn giản, tác giả xây dựng giải pháp xây dựng chương trình phần mềm để đánh giá liệu lựa chọn phương pháp dự báo Ưu điểm: Xây dựng chương trình với số liệu thực tế liên tục cho kết nhanh với nhiều lựa cho mơ hình dự báo mơ hình trung bình cộng đơn giản, hồi quy tuyến tính Nhược điểm: chương trình giản đơn chưa sâu vào mơ hình phức tạp Ứng dụng cơng nghệ thơng tin phân tích dự báo : Phân tích hồi quy với biến giả việc phân tích dự báo doanh số bán hàng [4], tác giả dùng phần mềm R, phương trình hồi quy tuyến tính, hồi quy đa biến để phân tích dự báo doanh số báng hàng cửa hàng Căn tin Trường đại học Cần Thơ Xây dựng giải pháp phân tích cho doanh nghiệp nhỏ [3], tác giả sử dụng phần mềm SQL Server ngơn ngữ lập trình C# để xây dựng chức phân tích dự báo kết chương trình hình minh họa Hình Hình 1: Giao diện chức dự báo Trong doanh nghiệp golf hay doanh nghiệp khác ứng dụng phân tích dự báo thường dùng cơng cụ phân tích có sẵn gói phần mềm Microsof Excel để phân tích dự báo Như lập kế hoạch sánh số doanh thu qua năm, vẽ biểu đồ minh họa Các phương pháp dự báo định tính phương pháp dự báo cách phân tích định tính dựa vào suy đốn, cảm nhận Các phương pháp phụ thuộc nhiều vào trực giác, kinh nghiệm nhạy cảm nhà quản trị q trình dự báo, mang tính đốn, khơng định lượng Các phương pháp dự báo định lượng dựa vào số liệu thống kê thơng qua cơng thức tốn học thiết lập để dự báo nhu cầu cho tương lai Khi dự báo nhu cầu tương lai, không xét đến nhân tố ảnh hưởng khác dùng phương pháp dự báo theo dãy số thời gian Những hướng tiếp cận phổ biến để giải toán dự báo doanh thu dự báo theo chuỗi thời gian, mơ hình hồi quy, mơ hình máy học, mơ hình 39 ✓ Sơ đồ hệ số tự tương quan (ACF) phần (PACF) Hình 16: Hình 16: Sơ đồ tự tương quan (AFC) (PACF) 4.2.1.4 Xác định mơ hình ARIMA phù hợp - Để phù hợp liệu doanh thu Golf theo chuỗi thời gian với mơ hình ARIMA theo mùa ta xác định gía trị mơ hình ARIMA (p, d, q) (P, D, Q) để tối ứu hóa số liệu quan tâm AIC BIC Ta gắn kết mơ hình ARIMA với chức SARIMAX đánh giá điểm tốt cảu AIC, BIC - Xây dựng dịng lệnh mơ hình: # Mơ hình SARIMAX p = d = q = range(0, 2) pdq = list(itertools.product(p, d, q)) seasonal_pdq = [(x[0], x[1], x[2], 4) for x in list(itertools.product(p, d, q))] print('Mô hình ARIMA theo mùa:') print('SARIMAX: {} x {}'.format(pdq[1], seasonal_pdq[1])) print('SARIMAX: {} x {}'.format(pdq[1], seasonal_pdq[2])) print('SARIMAX: {} x {}'.format(pdq[2], seasonal_pdq[3])) print('SARIMAX: {} x {}'.format(pdq[2], seasonal_pdq[4])) for param in pdq: for param_seasonal in seasonal_pdq: try: mod = sm.tsa.statespace.SARIMAX(df2, order=param, seasonal_order=param_seasonal, enforce_stationarity=False, enforce_invertibility=False) 40 results = mod.fit() print('Best ARIMA{}x{}12 - AIC:{}'.format(param, param_seasonal, results.aic)) except: continue mod = sm.tsa.statespace.SARIMAX(df2, order=(1, 1, 1), seasonal_order=(1, 1, 1, 4), enforce_stationarity=False, enforce_invertibility=False) results = mod.fit() print(results.summary().tables[1]) - Mô hình ARIMA theo mùa: SARIMAX: (0, 0, 1) x (0, 0, 1, 4) SARIMAX: (0, 0, 1) x (0, 1, 0, 4) SARIMAX: (0, 1, 0) x (0, 1, 1, 4) SARIMAX: (0, 1, 0) x (1, 0, 0, 4) - Mơ hình ARIMA tốt nhất: ARIMA (1, 1, 1) x (1, 1, 1, 4) - AIC: 751.7326182697827 - Dự đốn doanh thu mơ hình ARIMA phù hợp Hình 17: Hình 17: Kết tốt với mơ hình dự báo 41 - Các sai số dự báo MSE, RMSE: # MSE The Mean Squared Error of our forecasts is y_forecasted = pred.predicted_mean y_truth = y['2018-01-01':] mse = ((y_forecasted - y_truth) ** 2).mean() print(' MSE of our forecasts {}'.format(round(mse, 2))) # RMSE The Root Mean Squared Error of print('RMSE our forecasts is {}'.format(round(np.sqrt(mse), 2))) MSE là: 3.23 RMSE là: 1.8 - Vẽ sơ đồ Log AFC PACF với ARIMA (1, 1, 1) x (1, 1, 1, 4) AIC: 751.7326182697827 results.plot_diagnostics(figsize=(16, 8)) plt.show() Hình 18: Biều đồ dự đón theo AFC PACF 42 4.2.1.5 Dự báo doanh thu Golf - Dự báo trước bước: ## Dự báo pred = results.get_prediction(start=pd.to_datetime('2018-01-01'), dynamic=False) pred_ci = pred.conf_int() ax = y['2003':].plot(label='Quan sát (observed)') pred.predicted_mean.plot(ax=ax, label='Dự báo trước bước (One-step ahead Forecast)', alpha=.7, figsize=(14, 7)) ax.fill_between(pred_ci.index, pred_ci.iloc[:, 0], pred_ci.iloc[:, 1], color='k', alpha=.2) ax.set_xlabel('Year') ax.set_ylabel('Doanh thu Golf (Golf Sales)') plt.legend() plt.show() -Kết dự báo trước bước Hình 19: Hình 19: Kết dự báo trước bước 43 - Dự báo doanh thu Golf vòng 10 năm ## Dự báo tiếp pred_uc = results.get_forecast(steps=100) pred_ci = pred_uc.conf_int() ax = y.plot(label='Quan sát (observed)', figsize=(14, 7)) pred_uc.predicted_mean.plot(ax=ax, label='Dự báo (Forecast)') ax.fill_between(pred_ci.index, pred_ci.iloc[:, 0], pred_ci.iloc[:, 1], color='k', alpha=.25) ax.set_xlabel('Date') ax.set_ylabel('Doanh thu Golf ( Golf Sales') plt.legend() plt.show() -Kết dự báo doanh thu vịng 10 năm Hình 20: Hình 20: Kết dự báo 10 năm tới 44 4.3 Xây dựng ứng dụng dự báo theo mơ hình mạng Long short-term memory (LSTM) 4.3.1 Khai báo thư viện Khai báo thư viện import numpy as np import pandas as pd import matplotlib.pyplot as plt from sklearn.preprocessing import MinMaxScaler from keras.preprocessing.sequence import TimeseriesGenerator from keras.models import Sequential from keras.layers import Dense from keras.layers import LSTM from keras.layers import Dropout from tensorflow import keras import warnings warnings.filterwarnings("ignore") [11] Khai báo liệu ban đầu data = pd.read_csv('D:\CAOHOC\CODEANN\ARIMA2_Yt.csv') plt.plot(data.Sales_Yt.values, color='orange', label='Doanh thu Golf') plt.title('Doanh thu Golf 1.000.000 vnđ') plt.xlabel('Thời gian [Month]') plt.ylabel('Doanh thu Sales Golf') plt.legend(loc='best') plt.show() Biểu đồ số liệu ban đầu Hình 21 : Hình 21: Biểu đồ doanh thu Golf 45 4.3.2 Xây dựng số liệu Dataset Xây dựng tập số liệu traning [12] data_end = int(np.floor(0.8*(data.shape[0]))) train = data[0:data_end]['Sales_Yt'] train =train.values.reshape(-1) test = data[data_end:]['Sales_Yt'].values.reshape(-1) date_test = data[data_end:]['Year'].values.reshape(-1) Xây dựng tập số liệu kiểm thử ( liệu Test) # xây dựng liệu test def get_data(train,test,time_step,num_predict,Year): x_train= list() y_train = list() x_test = list() y_test = list() date_test= list() for i in range(0,len(train) - time_step - num_predict): x_train.append(train[i:i+time_step]) y_train.append(train[i+time_step:i+time_step+num_predict]) for i in range(0, len(test) - time_step - num_predict): x_test.append(test[i:i+time_step]) y_test.append(test[i+time_step:i+time_step+num_predict]) date_test.append(Year[i+time_step:i+time_step+num_predict]) return np.asarray(x_train), np.asarray(y_train), np.asarray(x_test), np.asarray(y_test), np.asarray(date_test) x_train, y_train, x_test, y_test, date_test = get_data(train,test,3,1, date_test) 4.3.3 Xử lý số liệu Xử lý tập số liệu Traning # dua ve 0->1 cho tap train scaler = MinMaxScaler() x_train = x_train.reshape(-1,3) x_train = scaler.fit_transform(x_train) y_train = scaler.fit_transform(y_train) # dua ve x_test = x_test = y_test = 0->1 cho tap test x_test.reshape(-1,3) scaler.fit_transform(x_test) scaler.fit_transform(y_test) # Reshape lai cho dung model x_train = x_train.reshape(-1,3,1) y_train = y_train.reshape(-1,1) #reshape lai cho test x_test = x_test.reshape(-1,3,1) y_test = y_test.reshape(-1,1) date_test = date_test.reshape(-1,1) 46 4.3.4 Xây dựng mơ hình mạng LSTM Bước khởi tạo lớp Sequential Đây lớp mơ hình thêm lớp LSTM, Dropout Dense cho mơ hình Thêm vào lớp LSTM liên tiếp qua lớp có dropout 0.3 Cuối ta cho qua tầng Dense với đầu chiều Sử dụng hàm loss bình phương trung bình hàm mát để tối ưu hóa thuật tốn, chúng tơi sử dụng trình tối ưu hóa adam #dau vao doan n_input = n_features = model = Sequential() model.add(LSTM(units=50,activation='relu', input_shape=(n_input, n_features), return_sequences=True)) model.add(Dropout(0.3)) model.add(LSTM(units=50, return_sequences=True)) model.add(Dropout(0.3)) model.add(LSTM(units=50)) model.add(Dropout(0.3)) model.add(Dense(1)) model.compile(optimizer='adam', loss='mse') 4.3.5 Huấn luyện mơ hình mạng model.fit(x_train, y_train, epochs=500, validation_split=0.2, verbose=1, batch_size=30) model.save('D:/CAOHOC/CODEANN/30_to_1.h5' ) model = keras.models.load_model ('D:/CAOHOC/CODEANN/30_to_1.h5') test_output = model.predict(x_test) 4.3.6 Kết thử nghiệm # print(test_output) test_1 = scaler.inverse_transform(test_output) test_2=scaler.inverse_transform(y_test) plt.plot(test_1[:100], color='r') plt.plot(test_2[:100] ,color='b') plt.title("Sales Golf") plt.xlabel("STT") plt.ylabel("Doanh thu Golf") plt.legend(('Doanh thu dự đoán', 'Doanh thu thực tế'),loc='upper right') plt.show() 47 - Kết mơ hình LSTM Hình 22: Hình 22: Kết thư nghiệm mơ hình mạng LSTM 5.1 Kết dự báo 5.1.1 Kết xây dựng với mơ hình nhân : Phương trình hồi quy Tt = 20.778, 56346 + 811,8253497*t theo Bảng : Bảng 17: Bảng phương trình hồi quy tuyến tính 48 Kết dự báo mơ hình nhân theo Bảng 18 : Bảng 18: Bảng kết mơ hình nhân Kết trực quan mơ hình nhân minh họa theo Hình 23: Hình 23: Biểu đồ trực quan với mơ hình nhân 49 5.1.2 Mơ hình ARIMA - Kết dự báo theo mơ hình trung bình MA theo Hình 24 : Hình 24: Mơ hình trung bình MA ttheo tháng Độ lệch chuẩn trung bình biểu diễn minh họa theo Hình 25 : - Hình 25: Kết độ lệch chuẩn trung bình - Kết mơ hình dự báo ARIMA theo Bảng 19 : Bảng 19: Bảng kết dự báo std err mơ hình 50 - Biêu đồ trực quan dự báo doanh thu ARIMA theo Hình 26 : Hình 26: Hình minh họa kết dự báo 5.1.3 Mơ hình mạng LSTM Kết dự báo hình ảnh trực quan Hình 27 : - Hình 27: Đồ thị minh họa trực quan LSTM 5.2 Bảng kết kiểm nghiệm doanh thu kiểm nghiệm mơ hình Bảng kết dự báo so sánh mơ Bảng 20: Bảng 20: Bảng kết dự báo mơ hình Mơ Hình LSTM Sai số dự báo Mơ hình nhân 2019 84,750 75,005 83,891 80,213 9,745 859 4,537 2019 77,457 71,306 81,867 79,123 6,151 -4,410 -1,666 2019 75,263 81,261 81,087 74,178 2019 91,378 78,317 82,801 84,512 -5,998 -5,824 13,061 8,577 1,085 6,866 Quarter Year Số liệu thực tế Mơ hình nhân Mơ hình ARIMA Sai số ARIMA Sai số LSTM 51 KẾT LUẬN Ứng dùng phần mềm Excel để phân tích dự báo với mơ hình nhân bên cạnh dùng ngơn ngữ lập trình python thư viện để phân tích dự báo Ứng dụng Mơ hình nhân Yt = Tt x St với ứng dung cho kết nhanh chóng dễ làm dự đốn năm có kết năm trước dựa vào yếu tố theo màu để dự đốn xác số liệu cua quý năm dễ dàng Ứng dụng mơ hình ARIMA để phân tích dự báo số liệu doanh thu với tự hồi quy, trung bình, khử biến đổi theo mùa, hồi quy tuyến tính, độ lệch chuẩn, phương sai,… khả ứng dụng mơ hình ARIMA Mạng LSTM mạng thần kinh sử dụng phân tích chuỗi thời gian Khả ghi nhớ thơng tin trước LSTM khiến trở nên lý tưởng cho nhiệm vụ Cho kết nhanh xác với ứng dụng thư viện TensorFlow thư viện khác có từ Python Ứng dụng nghiên với mơ hình nhân với kết với phương trình tuyến tính Tt = 20.778, 56346 + 811,8253497*t sai số R2 = 0.900185312, dự đoán kết cho năm gần xác với số liệu thực tế Nghiên cứu khả ứng dụng mơ hình ARIMA vào việc dự báo doanh thu Golf, mục đích tìm mơ hình tốt cho việc dự báo doanh thu Golf Nghiên cứu ứng dụng mơ hình mạng LSTM phân tích số liệu dự báo cho kết nhanh xác với ứng dụng thư viện TensorFlow kết hợp với thư viện khác có từ ứng dụng ngơn ngữ lập trình Python Hiện tốn phân tích dự báo doanh thu golf dựa số liệu doanh thu nên có phần chưa đánh giá tốt hoạt động doanh nghiệp Để phân tích dự đốn xác cần dựa vào tiêu dịng tiền, tài sản, chi phí, nguồn vốn, lợi nhuận,…để có dự phân tích dự báo xác 52 Tác giả dựa vào số mơ hình tốn để dự báo mơ hình nhân, mơ hình trung bình, mơ hình ARIMA SARIMA kết hợp để phân tích dự báo ứnng dụng mơ hình mạng LSTM phần đặc biệt mạng RNN (Recurrent Neural Networks) để phân tích dự báo phương pháp học sâu Khi dùng phương pháp LSTM học nhanh phân tích kết dự đoán nhanh so với hồi quy Logistic phương pháp Suport Vector Macchin mang tính chất phân loại 53 DANH MỤC TÀI LIỆU THAM KHẢO [1] Đỗ Thị Hương (2016), Phân tích báo cáo tài Cơng ty TNHH thương mại đầu tư Xuân Anh, Luận văn Thạc sĩ Kế toán, Đại học Lao Động Xã Hội [2] Nguyễn Văn Huân, Phạm Việt Bình (2011), Phân tích liệu dự báo kinh tế, NXB Khoa học kỹ thuật [3] Nguyễn Văn Huân, Lê Anh Tú (2015), Giải pháp xây dựng hệ thống phân tích liệu dự báo doanh thu cho doanh nghiệp vừa nhỏ Việt Nam, Tạp chí Khoa học & Cơng nghệ, 135(05):191 – 198 [4] Trần Văn Lý, Lê Thị Hải Yên, Nguyễn Huyền Trang, Trần Kim Yến, Bùi Minh Trung Lâm Quốc Tồn (2016), Phân tích hồi quy xu áp dụng thú vị, Tạp chí Khoa học Trường Đại học Cần Thơ, 45a:118-125 [5] Đinh Thị Thu Hương, Đỗ Diệu My, Vũ Văn Trường, Bùi Thu Lâm (2015), Dự báo tỉ giá ngoại tệ với mơ hình học cộng đồng kết hợp giải thuật tiến hóa đa mục tiêu, Các cơng trình nghiên cứu, phát triển ứng dụng CNTT-TT, V-2, Số 14 [6] Trần Đức Minh, Trần Huy Dương, Vũ Đức Thi (2015), Một số vấn đề dự báo liệu chuỗi thời gian, Kỷ yếu Hội nghị Quốc gia lần thứ VIII Nghiên cứu ứng dụng Công nghệ thông tin (FAIR); Hà Nội, ngày 9-10/7/2015 DOI: 10.15625/vap.2015.000182 [7] Ratnadip Adhikari, R K Agrawal (2003), An Introductory Study on Time Series Modeling and Forecasting [8] Ngô Văn Mạnh, Nguyễn Thị Hiền, Nguyễn Xuân Hoài, Đặng Văn Nam, Nguyễn Việt Huy (2020), Nâng cao hiệu Deep learning hệ thống tính toán hiệu cao cray-xc40, DOI: 10.36335/VNJHM.2020(709).63-70 [9] Anonymous (2019), Time Series Analysis (TSA) in Python - Linear Models to GARCH, http://www.blackarbs.com/blog/time-series-analysis-in-python-linearmodels-to-garch/11/1/2016#AR=, access date: Nov 20, 2019 [10] Mark Borysiak (2019), ARIMA and LSTM Time Series Models for Google Trends, https://github.com/IbonGaray/Forecasting-Time-Series-Python/ blob/ master/ Forecasting%20Time%20Series.ipynb, access date: Dec 20,2019 [11] Vô danh (2020), Sử dụng mạng LSTM (Long Short Term Memory) để dự đoán cổ phiếu, https://viblo.asia/s/su-dung-mang-lstm-long-short-term-memoryde-du-doan-co-phieu-24lJDz06KPM, truy cập ngày: 20/01/2020 [12] Abhinav Sagar (2020), Cryptocurrency Price Prediction Using LSTM neural network, https://github.com/abhinavsagar/Cryptocurrency-Price-Prediction /blob/ master/price_prediction.ipynb, access date: Jan 20,2020