Tối ưu tham số tính mờ trong mô hình dự báo chuỗi thời gian ngôn ngữ bậc cao sử dụng tối ưu bầy đàn mai văn linh

LIÊN HIỆP CÁC HỘI KHOA HỌC VÀ KỸ THUẬT VIỆT NAM ¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯¯ FAIR KỶ YẾU HỘI NGHỊ KHOA HỌC CÔNG NGHỆ QUỐC GIA LẦN THỨ XV Nghiên cứu Ứng dụng công nghệ thông tin Học viện Kỹ thuật Mật mã, Hà Nội 03-04/11/2022 NHÀ XUẤT BẢN KHOA HỌC TỰ NHIÊN VÀ CÔNG NGHỆ i BAN BIÊN TẬP  GS.TS Vũ Đức Thi - Đại học Quốc gia Hà Nội  PGS.TS Trần Văn Lăng - Viện Hàn lâm Khoa học Công nghệ Việt Nam  GS.TS Từ Minh Phương - Học viện Cơng nghệ Bưu Viễn thông  TS Lê Quang Minh - Đại học Quốc gia Hà Nội  ThS Phan Thị Quế Anh - Nhà xuất Khoa học tự nhiên Công nghệ ĐỊA CHỈ LIÊN HỆ  Viện Công nghệ thông tin - Đại học Quốc gia Hà Nội P.612, E3, 144 Xuân Thủy, Cầu Giấy, Hà Nội ii LỜI NÓI ĐẦU Nhằm góp phần thúc đẩy nghiên cứu ứng dụng Công nghệ thông tin Việt Nam, Liên hiệp Hội Khoa học Kỹ thuật Việt Nam, Viện Hàn lâm Khoa học Công nghệ Việt Nam phối hợp Học viện Kỹ thuật Mật mã, Ban Cơ yếu Chính phủ quan khoa học, nhà khoa học từ viện nghiên cứu, trường đại học tổ chức Hội nghị Khoa học quốc gia lần thứ XV “Nghiên cứu ứng dụng Công nghệ thông tin” (gọi tắt FAIR’2022) từ ngày 03-04/11/2022 Học viện Kỹ thuật Mật mã, Ban Cơ yếu Chính phủ Chủ đề Hội nghị FAIR’2022 “An tồn bảo mật thông tin Cách mạng Công nghiệp lần thứ IV” Tuy nhiên, truyền thống Hội nghị nên không hạn chế nội dung hướng nghiên cứu khác thuộc lĩnh vực công nghệ thông tin truyền thông Hội nghị FAIR’2022 bảo trợ chuyên môn sở đào tạo uy tín lĩnh vực cơng nghệ thơng tin truyền thơng Học viện Cơng nghệ Bưu Viễn thơng, Trường Đại học Công nghệ Thông tin & Truyền thông - Đại học Thái Nguyên, Viện Công nghệ Thông tin – Đại học Quốc gia Hà Nội Hội nghị nhận 128 báo cáo khoa học đăng ký tham dự tất vấn đề thời Cơng nghệ thơng tin truyền thơng Ban Chương trình tiến hành công việc phản biện xét duyệt chặt chẽ chấp nhận 73 trình bày Hội nghị, số có 70 lựa chọn đăng Kỷ yếu Hội nghị Các báo cáo trình bày tiểu ban song song:      Cơ sở liệu hệ thống thơng tin Khoa học liệu Trí tuệ nhân tạo ứng dụng Xử lý ảnh thị giác máy tính Mật mã an tồn an ninh mạng Thay mặt Ban Tổ chức Ban Chương trình, chúng tơi xin cảm ơn tác giả gửi tham gia Hội nghị, nhà khoa học tham gia phản biện có ý kiến xác đáng, khách quan nội dung gửi đăng Chúng xin đặc biệt cảm ơn Nhà xuất Khoa học tự nhiên Công nghệ Viện Hàn lâm Khoa học Công nghệ Việt Nam hỗ trợ giúp đỡ xuất Kỷ yếu Cuối chúng tơi xin bày tỏ lịng biết ơn sâu sắc tới Liên hiệp Hội Khoa học Kỹ thuật Việt Nam, Viện Hàn lâm Khoa học Công nghệ Việt Nam, đơn vị bảo trợ mặt chuyên môn cho Hội nghị FAIR Học viện Kỹ thuật Mật mã, Ban Cơ yếu Chính phủ - đơn vị đăng cai Hội nghị FAIR’2022 giành nhiều công sức thời gian tổ chức Hội nghị Đồng thời xin cảm ơn đơn vị tài trợ giúp đỡ nhiều mặt tài trợ kinh phí góp phần làm cho Hội nghị FAIR’2022 thành công tốt đẹp BAN BIÊN TẬP iii iv ĐƠN VỊ TỔ CHỨC ĐƠN VỊ ĐỒNG HÀNH BAN CHỈ ĐẠO Trưởng ban: GS.VS Đặng Vũ Minh Đồng Trưởng ban: TSKH Phan Xuân Dũng Thành viên: GS.TS Đặng Quang Á TS Nguyễn Hữu Hùng PGS.TS Trần Văn Lăng GS.TSKH Phạm Thế Long PGS.TS Vũ Văn San GS.TSKH Nguyễn Khoa Sơn GS.TS Vũ Đức Thi GS.TS Nguyễn Thanh Thủy Liên hiệp Hội KHKT VN Liên hiệp Hội KHKT VN Viện Hàn lâm KHCNVN Học viện KTMM Viện Hàn lâm KHCNVN Học viện KTQS Học viện CNBCVT Viện Hàn lâm KHCNVN ĐHQG-HN ĐHQG-HN BAN TỔ CHỨC Trưởng ban: GS.TS Vũ Đức Thi Đồng Trưởng ban: TS Nguyễn Hữu Hùng Học viện KTMM Phó Trưởng ban GS.TS Đặng Quang Á Viện Hàn lâm KHCNVN Thành viên: PGS.TS Trần Văn Lăng TS Lê Quang Minh GS.TS Từ Minh Phương TS Nguyễn Văn Tảo PGS.TS Trần Xuân Tú Viện Hàn lâm KHCNVN Viện CNTT, ĐHQG-HN Học viện CNBCVT Trường ĐH CNTT&TT ĐHQG-HN ĐHQG-HN BAN CHƯƠNG TRÌNH Trưởng ban: PGS.TS Trần Văn Lăng Viện Hàn lâm KHCNVN Phó Trưởng ban: PGS.TS Lê Mạnh Thạnh GS.TS Từ Minh Phương PGS.TS Trần Đình Khang PGS.TS Bùi Thu Lâm Trường ĐHKH - ĐH Huế Học viện CNBCVT Trường ĐHBK Hà Nội Học viện KTMM Trưởng tiểu ban: PGS.TS Trần Đình Khang GS.TS Từ Minh Phương PGS.TS Lê Mạnh Thạnh PGS.TS Bùi Thu Lâm TS Lê Quang Minh Trí tuệ nhân tạo ứng dụng Khoa học liệu Cơ sở liệu hệ thống thông tin Xử lý ảnh thị giác máy tính Mật mã an toàn an ninh mạng v Thành viên Ban Chương trình: PGS.TS Nguyễn Việt Anh TS Cao Kim Ánh PGS.TS Võ Đình Bảy PGS.TS Nguyễn Thanh Bình TS Phan Anh Cang TS Nguyễn Ngọc Cương PGS.TS Lê Bá Dũng PGS.TS Lương Thế Dũng PGS.TS Cao Tuấn Dũng TS Hà Mạnh Đào TS Vũ Thị Đào PGS.TS Đinh Điền TS Nguyễn Công Điều PGS.TS Trần Cao Đệ PGS.TS Đăng Văn Đức PGS.TS Trần Quang Đức TS Nguyễn Huy Đức PGS.TS Nguyễn Long Giang PGS.TS Trần Mạnh Hà TS Nguyễn Nam Hải TS Nguyễn Công Hào PGS.TS Nguyễn Mậu Hân TS Nguyễn Hữu Hoà PGS.TS Huỳnh Xuân Hiệp TS Đặng Thị Thu Hiền TS Lâm Thành Hiển PGS.TS Huỳnh Trung Hiếu PGS.TS Nguyễn Ngọc Hóa PGS.TS Trần Văn Hồi TS Nguyễn Thị Minh Huyền PGS.TS Võ Trung Hùng PGS.TS Vũ Chấn Hưng TS Lê Minh Hưng PGS.TS Phạm Nguyên Khang PGS.TS Đặng Trần Khánh TS Vũ Như Lân PGS.TS Ngô Thành Long PGS.TS Nguyễn Thiện Luận PGS.TS Vũ Đức Lung TS Hoàng Trọng Minh TS Lê Quang Minh PGS.TS Nguyễn Hiếu Minh PGS.TS Nguyễn Hà Nam PGS.TS Nguyễn Thái Nghe PGS.TS Đỗ Thanh Nghị PGS.TS Phùng Trung Nghĩa PGS.TS Lý Quốc Ngọc PGS.TS Đỗ Phúc TS Lê Hồng Phương GS.TS Từ Minh Phương PGS.TS Hoàng Quang TS Nguyễn Hồng Quang PGS.TS Nguyễn Hữu Quỳnh PGS.TS Lê Hoàng Sơn PGS.TS Nguyễn Thái Sơn PGS.TS Ngô Quốc Tạo Viện CNTT Trường ĐH Thăng Long Trường ĐH KTCN TP.HCM Trường ĐH CNTT-TT Việt - Hàn Trường ĐHSPKT Vĩnh Long Bộ Công an Viện CNTT Học viện KTMM Trường ĐHBK Hà Nội Trường ĐHCN Hà Nội Học viện KT Mật mã Trường ĐHKHTN, ĐHQG-TP.HCM Trường ĐH Thăng Long Trường ĐH Cần Thơ Viện CNTT Trường ĐHBK Hà Nội Trường ĐH Thuỷ lợi Viện CNTT Trường ĐH HUFLIT Ban Cơ yếu Chính phủ Trung tâm CNTT, ĐH Huế Trường ĐHKH, ĐH Huế Trường ĐH Cần Thơ Trường ĐH Cần Thơ Trường ĐH Thủy lợi Trường ĐH Lạc Hồng Trường ĐHCN TP.HCM Trường ĐH Công nghệ Trường ĐHBK TP.HCM Trường ĐHKHTN, ĐHQG-HN Trường ĐH SPKT, ĐH-ĐN Viện ĐH Mở Hà Nội Trường ĐH CNTT Trường ĐH Cần Thơ Trường ĐH CNTP TP.HCM Trường ĐH Thăng Long Học viện KT Quân Trường ĐH Thăng Long Trường ĐH CNTT Học viện CNBCVT Viện CNTT, ĐHQG-HN Ban Cơ yếu Chính phủ Viện Toán cao cấp Trường ĐH Cần Thơ Trường ĐH Cần Thơ Trường ĐH CNTT&TT, ĐHTN Trường ĐHKHTN, ĐHQG-TP.HCM Trường ĐH CNTT Trường ĐHKHTN, ĐHQG-HN HV Công nghệ BCVT Trường ĐHKH, ĐH Huế IFI, ĐHQG-HN Trường ĐH Thuỷ lợi Viện CNTT, ĐHQG-HN Trường ĐH Trà Vinh Viện CNTT vi TS Nguyễn Văn Tảo TS Trần Minh Tân TS Vũ Đức Thái TS Ngô Đức Thành TS Văn Thế Thành PGS.TS Trịnh Đình Thắng GS.TS Vũ Đức Thi PGS.TS Quản Thành Thơ PGS.TS Nguyễn Đình Thuân GS.TS Nguyễn Thanh Thủy TS Phạm Thị Thu Thúy TS Hoàng Lê Uyên Thục PGS.TS Đỗ Năng Toàn TS Nguyễn Anh Tuấn PGS.TS Nguyễn Thanh Tùng PGS.TS Trần Xuân Tú PGS.TS Võ Thanh Tú PGS.TS Trương Cơng Tuấn PGS.TS Nguyễn Đình Việt TS Nguyễn Trần Quốc Vinh PGS.TS Phạm Trần Vũ PGS.TS Vũ Việt Vũ Trường ĐH CNTT&TT, ĐHTN Trung tâm Internet Việt Nam Trường ĐH CNTT&TT, ĐHTN Trường ĐH CNTT Trường ĐHSP TP.HCM Trường ĐHSP Hà Nội Viện CNTT, ĐHQG-HN Trường ĐHBK TP.HCM Trường ĐH CNTT Trường ĐH Công nghệ Trường ĐH Nha Trang Trường ĐHBK Đà Nẵng Viện CNTT Trường ĐH HUFLIT Trường ĐH Thủy lợi Viện CNTT, ĐHQG-HN Trường ĐHKH, ĐH Huế Trường ĐHKH, ĐH Huế Trường ĐH Công nghệ Trường ĐHSP, ĐH-ĐN Trường ĐHBK TP HCM Viện CNTT, ĐHQG-HN BAN TỔ CHỨC ĐỊA PHƯƠNG Trưởng ban: TS Nguyễn Hữu Hùng BAN THƯ KÝ ĐỊA PHƯƠNG Trưởng ban: TS Vũ Thị Đào BAN KỸ THUẬT VÀ XUẤT BẢN Trưởng ban: TS Lê Quang Minh Phó Trưởng ban: PGS.TS Lương Thế Dũng Phó Trưởng Ban: TS Đào Bá Anh Thành viên: TS Nguyễn Chung Tiến TS Hoàng Đức Thọ TS Đỗ Quang Trung TS Phạm Văn Hưởng ThS Đặng Hùng Việt Thành viên: ThS Đào Hồng Nam ThS Lê Khắc Vinh ThS Lê Đức Thuận ThS Trần Thị Hoa ThS Hoàng Thanh Nam Thành viên: ThS Phan Thị Quế Anh CN Lê Thị Thiên Hương ThS Phan Mạnh Thường vii DANH SÁCH CÁC NHÀ KHOA HỌC THAM GIA PHẢN BIỆN GS.TS Đặng Quang Á PGS.TS Nguyễn Việt Anh TS Đào Bá Anh PGS.TS Ngơ Xn Bách PGS.TS Võ Đình Bảy PGS.TS Nguyễn Thanh Bình TS Nguyễn Đăng Bình TS Phan Anh Cang TS Trần Tiến Công PGS.TS Đỗ Xuân Chợ PGS.TS Phạm Văn Cường PGS.TS Hoàng Xuân Dậu PGS.TS Lê Bá Dũng TS Ngô Quốc Dũng PGS.TS Nguyễn Đức Dũng TS Vũ Thị Đào PGS.TS Đinh Điền PGS.TS Trần Cao Đệ PGS.TS Đặng Văn Đức TS Nguyễn Huy Đức PGS.TS Trần Quang Đức PGS.TS Nguyễn Long Giang TS Hà Mạnh Đào PGS.TS Phạm Văn Hải PGS.TS Hoàng Hữu Hạnh TS Nguyễn Cơng Hào PGS.TS Nguyễn Mậu Hân PGS.TS Nguyễn Đình Hân PGS.TS Huỳnh Xuân Hiệp TS Đặng Thị Thu Hiền PGS.TS Huỳnh Trung Hiếu PGS.TS Nguyễn Ngọc Hóa PGS.TS Trần Văn Hoài TS Phan Ngọc Hoàng PGS.TS Nguyễn Mạnh Hùng PGS.TS Võ Trung Hùng TS Nguyễn Thị Minh Huyền TS Phạm Văn Hưởng PGS.TS Trần Đình Khang TS Lâm Đức Khải PGS.TS Nguyễn Tấn Khôi PGS.TS Trần Văn Lăng PGS.TS Bùi Thu Lâm PGS.TS Ngô Thành Long PGS.TS Vũ Đức Lung TS Trần Thị Lượng TS Hoàng Trọng Minh PGS.TS Nguyễn Hiếu Minh TS Lê Quang Minh TS Nguyễn Bình Minh PGS.TS Nguyễn Hà Nam TS Nguyễn Lưu Thùy Ngân PGS.TS Nguyễn Thái Nghe PGS.TS Đỗ Thanh Nghị TS Nguyễn Văn Nghị PGS.TS Phùng Trung Nghĩa Viện Hàn lâm KHCNVN Viện CNTT Học viện KTMM Học viện CNBCVT Trường ĐH KTCN TP.HCM Trường ĐHBK Đà Nẵng Trường ĐHKH, ĐH Huế Trường ĐH Trà Vinh Học viện CNBCVT Học viện CNBCVT Học viện CNBCVT Học viện CNBCVT Viện CNTT Học viện CNBCVT Viện CNTT Học viện KTMM Trường ĐHKHTN, ĐHQG-TP.HCM Trường ĐH Cần Thơ Viện CNTT Trường ĐH Thuỷ lợi Trường ĐHBK Hà Nội Viện CNTT Trường ĐH Công nghiệp Hà Nội Trường ĐHBK Hà Nội Học viện CNBCVT Trung tâm CNTT, ĐH Huế Trường ĐHKH, ĐH Huế Trường ĐHBK Hà Nội Trường ĐH Cần Thơ Trường ĐH Thủy lợi Trường ĐHCN TP.HCM Trường ĐH Công nghệ Trường ĐHBK TP.HCM Trường ĐH Bà Rịa - Vũng Tàu Học viện CNBCVT Đại học Đà Nẵng Trường ĐHKHTN, ĐHQG-HN Học viện KTMM Trường ĐHBK Hà Nội Trường ĐH CNTT Trường ĐHBK - ĐH Đà Nẵng Viện Hàn lâm KHCNVN Học viện KTMM Học viện KTQS Trường ĐH CNTT Học viện KTMM Học viện CNBCVT Ban Cơ yếu Chính phủ Viện CNTT, ĐHQG-HN Trường ĐHBK Hà Nội Viện Toán cao cấp Trường ĐH CNTT Trường ĐH Cần Thơ Trường ĐH Cần Thơ Học viện KTMM Trường ĐH CNTT&TT, ĐHTN viii PGS.TS Lý Quốc Ngọc TS Nguyễn Chung Tiến PGS.TS Võ Viết Minh Nhật TS Phan Anh Phong GS.TS Đỗ Phúc TS Lê Hồng Phương GS.TS Từ Minh Phương PGS.TS Hoàng Quang PGS.TS Nguyễn Hữu Quỳnh PGS.TS Lê Hoàng Sơn PGS.TS Nguyễn Thái Sơn TS Nguyễn Văn Tảo TS Trần Minh Tân TS Vũ Đức Thái TS Ngô Đức Thành TS Văn Thế Thành TS Phạm Đình Thành PGS.TS Lê Mạnh Thạnh PGS.TS Trịnh Đình Thắng TS TS Nguyễn Thắng PGS.TS Huỳnh Quyết Thắng TS Hoàng Đức Thọ TS Phạm Huy Thơng PGS.TS Nguyễn Đình Thn TS Hoàng Lê Uyên Thục TS Phạm Thị Thu Thúy PGS.TS Đỗ Năng Toàn TS Phạm Duy Trung TS Nguyễn Đào Trường PGS.TS Nguyễn Thanh Tùng PGS.TS Trần Xuân Tú PGS.TS Võ Thanh Tú TS Lại Minh Tuấn TS Trần Mạnh Tuấn PGS.TS Trương Công Tuấn TS Nguyễn Trần Quốc Vinh PGS.TS Vũ Việt Vũ Trường ĐHKHTN, ĐHQG-TP.HCM Học viện KTMM Trường ĐHKH, Đại học Huế Trường ĐH Giao thông Vận tải Trường ĐH CNTT Trường ĐHKHTN, ĐHQG-HN Học viện CNBCVT Trường ĐHKH, ĐH Huế Trường ĐH Thuỷ lợi Viện CNTT, ĐHQG-HN Trường ĐH Trà Vinh Trường ĐH CNTT&TT, ĐHTN Trung tâm Internet Việt Nam Trường ĐH CNTT&TT, ĐHTN Trường ĐH CNTT Trường ĐHSP TP.HCM Trường ĐH Tây Bắc Trường ĐHKH, ĐH Huế Trường ĐHSP Hà Nội Học viện KTMM Trường ĐHBK Hà Nội Học viện KTMM Viện CNTT, ĐHQG-HN Trường ĐH CNTT Trường ĐHBK - ĐH Đà Nẵng Trường ĐH Nha Trang Viện CNTT Học viện KTMM Học viện KTMM Trường ĐH Thủy lợi Viện CNTT, ĐHQG-HN Trường ĐHKH, ĐH Huế Học viện KTMM Trường ĐH Thuỷ lợi Trường ĐHKH, ĐH Huế Trường ĐHSP, ĐHĐN Viện CNTT, ĐHQG-HN ix x MỤC LỤC A NOVEL WEB ATTACK DETECTION MODEL BASED ON FEDERATED LEARNING WITH PARAMETERS COMPRESSING METHOD Tran Anh Tu, Luong The Dung, Vu Thi Van, Pham Xuan Sang TRUY VẤN HIỆU QUẢ DỮ LIỆU KÝ TỰ Mà HĨA TRONG CƠ SỞ DỮ LIỆU TH NGỒI Hoàng Ngọc Cảnh, Nguyễn Hiếu Minh PROPOSING SECURE AND EFFICIENT MDS MATRICES TO IMPROVE THE DIFFUSION LAYER OF THE AES BLOCK CIPHER 16 Tran Thi Luong ĐỀ XUẤT CHỈ SỐ TRÙNG HỢP NGÔN NGỮ TIẾNG VIỆT NÂNG CAO ĐỘ AN TOÀN CHO HỆ THỐNG MẬT Mà VIGENÈRE 25 Lê Văn Tuấn, Nguyễn Đào Trường, Đồn Thị Bích Ngọc A NOVEL IDS SYSTEM BASED ON HEDGE ALGEBRA FOR DETECTING DDOS ATTACKS IN IOT NETWORKS Hoang Trong Minh, Tran Nhat Hoang, Thai Vu Long, Le Vu Quynh Giang, Vu Nhu Lan, Tran Quy Nam 34 TRÍCH CHỌN ĐẶC TRƯNG CHO MẠNG NƠRON TÍCH CHẬP TRONG BÀI TỐN NHẬN DIỆN TẤN CÔNG MẠNG 43 Nguyễn Năng Hùng Vân, Đỗ Phúc Hảo, Phạm Minh Tuấn VAQR: MỘT TIẾP CẬN HỌC TĂNG CƯỜNG TRONG ĐỊNH TUYẾN FANET 51 Mai Cường Thọ, Nguyễn Thị Hương Lý, Lê Hữu Bình, Võ Thanh Tú LƯỢC ĐỒ CHỮ KÝ SỐ TẬP THỂ ĐẠI DIỆN DỰA TRÊN BÀI TỐN TÌM CĂN MODULO CỦA SỐ NGUYÊN TỐ LỚN 59 Tuấn Nguyễn Kim, Hoàng Nguyễn Nhật, Duy Hồ Ngọc, Long Phan CHIẾN LƯỢC GIĂNG BẪY THÍCH ỨNG PHỤC VỤ PHỊNG THỦ CHỦ ĐỘNG TRONG MẠNG KHẢ LẬP TRÌNH Văn Đồn Bảo Khơi, Phạm Nguyễn Thảo Nhi, Phan Thế Duy, Nghi Hoàng Khoa, Phạm Văn Hậu 67 10 ĐỀ XUẤT GIAO THỨC QUẢN LÝ KHÓA AN TỒN TRONG MẠNG IOT CĨ PHÂN CẤP 75 Nguyễn Đào Trường, Đồn Thị Bích Ngọc 11 GIẤU TIN THUẬN NGHỊCH NHIỀU CẤP TRONG ẢNH NHỊ PHÂN 82 Dương Ngọc Vân Khanh, Huỳnh Văn Thanh, Nguyễn Thái Sơn 12 MỘT SỐ TẤN CÔNG LÊN LƯỢC ĐỒ KÝ SỐ ECDSA LIÊN QUAN TỚI GIÁ TRỊ BÍ MẬT K VÀ ĐỀ XUẤT GIẢI PHÁP PHÒNG CHỐNG 90 Nguyễn Văn Nghị, Đỗ Quang Trung 13 PHƯƠNG PHÁP Mà HÓA CÓ THỂ CHỐI TỪ DỰA TRÊN THUẬT TOÁN ElGamalSignCryption 95 Dương Phúc Phần, Nguyễn Đức Tâm, Nguyễn Hiếu Minh, Dương Quang Duy, Lê Văn Úy 14 ỨNG DỤNG HỌC MÁY PHÁT HIỆN Mà ĐỘC TRONG LUỒNG DỮ LIỆU Mà HÓA Nguyễn Ngọc Hưng, Nguyễn Thị Thuý Quỳnh, Nguyễn Việt Hùng xi 102 15 A NEW APPROACH IN DISTRIBUTED LEARNING MODEL APPLYING MALWARE CLASSIFICATION ON ANDROID PLATFORM 111 Le Duc Thuan, Pham Van Huong, Hoang Van Hiep, Nguyen Kim Khanh 16 THUẬT TOÁN HIỆU QUẢ KHAI THÁC TẬP PHỔ BIẾN TUYỆT ĐỐI TRÊN DỮ LIỆU GIAO DỊCH CÓ TRỌNG SỐ CỦA ITEMS 120 Phan Thành Huấn, Lê Hoài Bắc 17 APPLICATION OF THE PROMOTION MODEL BASED CUSTOMER LIFETIME VALUE TO PREVENT CUSTOMERS TRANSFER NETWORK IN VNPT LAM DONG 128 Pham Thi Thu Thuy, Doan Duy Tuyen, Kim Hwa Soo 18 ĐÁNH GIÁ HIỆU QUẢ MỘT SỐ PHƯƠNG PHÁP HỌC SÂU TRONG PHÁT HIỆN BỆNH ĐÁI THÁO ĐƯỜNG QUA ẢNH VÕNG MẠC 139 Lê Tuấn Anh, Nguyễn Tiến Đồng, Lê Hoàng Sơn, Vũ Đức Thi, Nguyễn Long Giang, Nguyễn Như Sơn, Hồng Thị Minh Châu, Trình Văn Hà, Lê Hoàng Hiệp, Trần Tuấn Hoàn 19 MỘT ĐỀ XUẤT THUẬT TOÁN FUZZY JOIN TRONG XỬ LÝ DỮ LIỆU LỚN 146 Phan Thượng Cang, Trần Thị Tố Quyên 20 MỘT HỆ THỐNG MỚI ĐỂ TRẢ LỜI CÂU HỎI NHIỀU BƯỚC DỰA TRÊN ĐỒ THỊ TRI THỨC LỚN THEO TIẾP CẬN PHÂN TÁN 154 Phan Hồng Trung, Đỗ Phúc 21 VỀ BẢNG QUYẾT ĐỊNH KHÔNG ĐẦY ĐỦ KHÔNG DƯ THỪA 166 Vũ Đức Thi 22 A NETWORK-BASED ANALYSIS OF A WORKFLOW AT HANOI UNIVERSITY OF INDUSTRY 171 Tran Tien Dung, Nguyen Minh Tan 23 KHAI THÁC TOP-K MẪU HỮU ÍCH TRỌNG SỐ PHỔ BIẾN TRÊN CƠ SỞ DỮ LIỆU ĐỊNH LƯỢNG 181 Phan Thị Phương Trang, Lê Hồng Bình Nguyên, Nguyễn Duy Hàm 24 VỀ SỰ ẢNH HƯỞNG CỦA CÁC THAM SỐ MỜ HĨA TRONG THUẬT TỐN PHÂN CỤM MỜ 188 Trần Đình Khang, Đỗ Lê Quang, Võ Đức Quang 25 ỨNG DỤNG PHÂN LỚP DỮ LIỆU TRONG DỰ ĐOÁN KHÁCH HÀNG RỜI BỎ DỊCH VỤ TẠI NGÂN HÀNG THƯƠNG MẠI 196 Vũ Văn Hiệu, Trương Hải Nam 26 HỆ THỐNG PHÂN TÍCH VÀ TÌM KIẾM THƠNG TIN CON NGƯỜI TỪ CAMERA GIÁM SÁT 203 Trần Gia Nghĩa, Chế Quang Huy, Trương Văn Cương 27 XÂY DỰNG MƠ HÌNH DỰ BÁO KHÔNG ĐIỀU KIỆN SỬ DỤNG PHƯƠNG PHÁP GIẢM CHIỀU BIẾN DỰA VÀO THỦ THUẬT KERNEL 211 Nguyễn Minh Hải, Đỗ Văn Thành, Nguyễn Đức Dũng 28 GIẢI THUẬT HỌC TĂNG TRƯỞNG GIẢM GRADIENT NGẪU NHIÊN CỤC BỘ TRÊN MÁY TÍNH NHÚNG RASPBERRY PI CHO PHÂN LỚP THÁCH THỨC IMAGENET Đỗ Thanh Nghị, Trần Nguyễn Minh Thư, Bùi Võ Quốc Bảo xii 218 29 ỨNG DỤNG ĐỘ ĐO FRÉCHET INCEPTION DISTANCE ĐỂ LỰA CHỌN MẪU SINH RA TỪ GAN CHO TẬP THIỂU SỐ 225 Trần Võ Khánh Ngân, Trần Cao Đệ 30 PHÂN LOẠI BỆNH ALZHEIMER TRÊN ẢNH CHỤP CỘNG HƯỞNG TỪ CỦA NÃO VỚI KỸ THUẬT HỌC SÂU 233 Phan Thượng Cang, Phan Anh Cang, Trương Minh Toàn 31 MỘT PHƯƠNG PHÁP MỚI TRONG VIỆC TĂNG CƯỜNG ẢNH DỰA TRÊN PHÂN CỤM MỜ VÀ TOÁN TỬ TĂNG CƯỜNG ẢNH TỐI 243 Nguyễn Tu Trung, Trần Mạnh Tuấn, Nguyễn Huy Đức, Nguyễn Ngọc Quỳnh Châu 32 EVALUATING THE EFFECTIVENESS OF A MULTI-CRITERIA RECOMMENDER SYSTEM BASED ON THE DEGREE OF INTERACTION BETWEEN CRITERIA, SETS OF CRITERIA 249 Tri Minh Huynh, Vu The Tran, Hiep Xuan Huynh 33 DỰ BÁO CHẤT LƯỢNG CỦA KIỂM THỬ ĐỘT BIẾN BẬC CAO DỰA TRÊN HỌC MÁY 258 Đỗ Văn Nhỏ, Nguyễn Đức Thuận, Nguyễn Thị Ngọc Ánh, Nguyễn Quang Vũ, Nguyễn Thanh Bình 34 PHÂN VÙNG KHỐI U GAN TRÊN ẢNH CT Ổ BỤNG SỬ DỤNG CHUYỂN ĐỔI HOUNSFIELD ĐA KÊNH 266 Lê Nhật Huy, Lê Minh Hưng 35 TỐI ƯU THAM SỐ TÍNH MỜ TRONG MƠ HÌNH DỰ BÁO CHUỖI THỜI GIAN NGƠN NGỮ BẬC CAO SỬ DỤNG TỐI ƯU BẦY ĐÀN 274 Phạm Đình Phong, Nguyễn Duy Hiếu, Hồng Văn Thơng, Mai Văn Linh 36 A STUDY ON DIGITAL TRANSFORMATION IN MEDICAL EXAMINATION AND TREATMENT 282 Pham Vu Thu Nguyet, Ngo Chung Luc, Nguyen Luong Bang, Nguyen Quang Chung, Nguyen Van To Thanh, Ho Thanh Phong, Nguyen Quang Vu 37 DỰ ĐOÁN NHỊP TIM BẰNG PHƯƠNG PHÁP HỌC SÂU 291 Đỗ Thanh Nghị, Võ Trí Thức 38 ỨNG DỤNG MƠ HÌNH REPVGG VÀO BÀI TỐN PHÂN LOẠI TÌNH TRẠNG GIAO THƠNG 298 Vũ Lê Quỳnh Phương, Trần Nguyễn Minh Thư, Phạm Nguyên Khang 39 ĐỀ XUẤT CÁC KỸ THUẬT CẢI TIẾN VÀO QUY TRÌNH HỒN TRẢ CHI PHÍ DI CHUYỂN 306 Trần Lương Phán, Nguyễn Đình Thuân 40 GIẢI PHÁP XÂY DỰNG HỆ THỐNG TRỢ LÝ ẢO TRONG NÔNG NGHIỆP THÔNG MINH 314 Nguyễn Thái Nghe, Trần Lý Văn, Nguyễn Hữu Hòa 41 RÚT GỌN THUỘC TÍNH DỰA TRÊN MƠ HÌNH TẬP THÔ MỜ TRỰC CẢM SỬ DỤNG ĐỘ ĐO KHOẢNG CÁCH MỞ RỘNG VÀ LÁT CẮT 320 Phạm Việt Anh, Nguyễn Long Giang, Nguyễn Ngọc Thủy, Cao Chính Nghĩa, Vũ Đức Thi 42 CỐ VẤN HỌC TẬP ẢO HỖ TRỢ SINH VIÊN ĐẠI HỌC Nguyễn Duy Phương, Trần Việt Châu, Trần Nguyễn Minh Thư xiii 332 43 HỆ THỐNG GỢI Ý DỰA TRÊN KHOẢNG CÁCH NĂNG LƯỢNG 339 Trần Thị Cẩm Tú, Phan Phương Lan, Huỳnh Xuân Hiệp 44 TÌM KIẾM ẢNH DỰA TRÊN MẠNG HỌC SÂU YOLO VÀ CẤU TRÚC KD-TREE RANDOM FOREST 347 Nguyễn Thị Định, Văn Thế Thành 45 GIẢI PHÁP HỆ GỢI Ý CĨ ĐẢM BẢO TÍNH RIÊNG TƯ HIỆU QUẢ VÀ THỰC TIỄN 357 Vũ Thị Vân, Lương Thế Dũng, Hoàng Văn Quân, Trần Thị Lượng 46 MỘT HÀM THUỘC MỜ HIỆU QUẢ TRONG GIẢI THUẬT FSVM-CIL CHO BÀI TOÁN KHUYẾN NGHỊ ĐỒNG TÁC GIẢ 366 Võ Đức Quang, Nguyễn Hải Yến, Trần Đình Khang 47 THUẬT TỐN CHE GIẤU THƠNG TIN NHẠY CẢM TRONG KHAI PHÁ TẬP MỤC HỮU ÍCH CAO DỰA TRÊN KỸ THUẬT HEURISTIC 374 Huỳnh Triệu Vỹ, Lê Quốc Hải, Trương Ngọc Châu, Lê Quốc Hiếu 48 KHAI THÁC TẬP LỢI ÍCH CAO CÓ TRỌNG SỐ ÂM TRONG CƠ SỞ DỮ LIỆU PHÂN TÁN DỌC BẢO TỒN TÍNH RIÊNG TƯ 384 Cao Tùng Anh, Ngô Quốc Huy , Lê Thị Quỳnh Chi 49 NGHIÊN CỨU ĐỀ XUẤT HỆ THỐNG NHẬN DẠNG VÀ BĨC TÁCH THƠNG TIN TỰ ĐỘNG HỖ TRỢ PHÂN LOẠI VĂN BẢN HÀNH CHÍNH 392 Phùng Thế Huân, Đỗ Hồng Quân, Lê Minh Tuấn, Nguyễn Thị Lan Anh, Lương Văn Nghĩa, Hoàng Thị Cành, Nguyễn Quang Trung, Lê Hoàng Sơn, Đinh Thu Khánh, Lương Hồng Lan 50 MỘT MƠ HÌNH TRUY VẤN ẢNH KẾT HỢP ĐỒ THỊ LÁNG GIỀNG VÀ ĐỒ THỊ NGỮ NGHĨA 400 Lê Thị Vĩnh Thanh, Văn Thế Thành 51 PHƯƠNG PHÁP WMD-CGAN BIẾN ĐỔI ẢNH NHUỘM MÔ HE THÀNH ẢNH IHC NHẰM HỖ TRỢ XÁC ĐỊNH PHÁC ĐỒ ĐIỀU TRỊ UNG THƯ VÚ 413 Trần Đình Toàn, Nguyễn Đức Toàn, Lê Minh Hưng, Trần Văn Lăng 52 PHƯƠNG PHÁP LẬP CHỈ MỤC VÀ TÌM KIẾM VIDEO THEO NỘI DUNG 423 Trang Thanh Trí, Phạm Thế Phi, Đỗ Thanh Nghị 53 MỘT PHƯƠNG PHÁP CHÚ THÍCH ẢNH TỰ ĐỘNG DỰA TRÊN ĐỒ THỊ NGỮ CẢNH VÀ MẠNG LTSM 431 Nguyễn Văn Thịnh, Trần Văn Lăng, Văn Thế Thành 54 EFFECT OF ADDITIVE ANGULAR MARGIN LOSS FUNCTION WITH IMBALANCED DATA IN SKIN LESION RECOGNITION 440 Phung Dao Vinh Chung, Le Minh Hung 55 PHÂN TÍCH CẢM XÚC CHO TIẾNG VIỆT SỬ DỤNG MƠ HÌNH PHOBERT 447 Huỳnh Thanh Tú, Võ Bách Khôi, Hồ Anh Dũng, Vũ Đức Lung 56 HYBRID MODEL OF CNN-XGBOOST FOR HOUSEHOLD GARBAGE IMAGE CLASSIFICATION Luong Cao Dong, Tran Quy Nam xiv 455 57 ỨNG DỤNG MẠNG GAN CÓ ĐIỀU KIỆN PHÁT HIỆN VÙNG BẤT THƯỜNG TRÊN ẢNH MRI NÃO Trần Nguyễn Minh Thư, Bùi Thanh Liêm, Lê Minh Lợi, Phù Trí Nghĩa, Phạm Nguyên Khang 462 58 TRUY VẤN ẢNH SỬ DỤNG ĐỒ THỊ VÀ SOM ĐỆ QUY 470 Nguyễn Minh Hải, Nguyễn Phương Nam, Văn Thế Thành, Trần Văn Lăng 59 KHUNG LÀM VIỆC CHO TRA CỨU ẢNH VỚI MẠNG NƠ RON ĐỒ THỊ BÁN GIÁM SÁT 477 Nguyễn Hữu Quỳnh, Đào Thị Thúy Quỳnh, Cù Việt Dũng, An Hồng Sơn 60 NÂNG CAO HIỆU NĂNG CỦA ĐÁNH HẠNG ĐA TẠP EMR TRONG TRUY VẤN HÌNH ẢNH SỬ DỤNG PHƯƠNG PHÁP ĐÁNH HẠNG KẾT HỢP ĐA ĐẶC TRƯNG ẢNH 486 Trần Văn Huy, Đào Văn Tuyết, Hoàng Văn Quý, Nguyễn Văn Đoàn, Hoàng Xuân Trung, Nguyễn Văn Quyền, Vũ Thị Khánh Toàn, Lê Đình Nghiệp 61 PHÁT HIỆN VÀ KHOANH VÙNG TỔN THƯƠNG PHỔI DO COVID-19 TRÊN ẢNH XQUANG BẰNG PHƯƠNG PHÁP DEEP LEARNING 493 Phan Thượng Cang, Phan Anh Cang, Trần Hồ Đạt 62 TỔNG HỢP HÌNH ẢNH Y HỌC DỰA TRÊN GIẢI THUẬT TỐI ƯU MPA 501 Đinh Phú Hùng, Nguyễn Huy Đức, Nguyễn Long Giang 63 MỘT CÁCH TIẾP CẬN ỨNG DỤNG QUY HOẠCH TUYẾN TÍNH TRONG BÀI TỐN PHÁT HIỆN VA CHẠM CỦA CÁC MƠ HÌNH 3D 510 Nghiêm Văn Hưng, Đặng Văn Đức, Nguyễn Văn Căn, Hoàng Việt Long, Trịnh Hiền Anh 64 MỘT PHƯƠNG PHÁP PHÂN LOẠI ĐA LỚP HIỆU QUẢ TRONG PHÂN TÍCH QUAN ĐIỂM 517 Nguyễn Thị Ngọc Tú, Nguyễn Thị Thu Hà, Nguyễn Long Giang, Nguyễn Việt Anh, Nguyễn Trần Quốc Vinh 65 XÂY DỰNG TỪ ĐIỂN CẢM XÚC THEO LĨNH VỰC VÀ ỨNG DỤNG VÀO HỆ THỐNG GỢI Ý SẢN PHẨM 527 Bùi Thị Diễm Trinh, Huỳnh Thị Ngọc Yến, Trương Quốc Định 66 KIỂM CHỨNG THÔNG TIN TIẾNG VIỆT DỰA TRÊN ĐỒ THỊ TRI THỨC, HỌC SÂU VÀ LUẬT SUY DIỄN 534 Dương Tố Hương, Hồ Hải Văn, Đỗ Phúc 67 MỘT SỐ TÍNH CHẤT CỦA VỀ TRÁI CỰC TIỂU VÀ KHĨA VỚI PHÉP DỊCH CHUYỂN LƯỢC ĐỒ KHỐI 542 Trịnh Đình Thắng, Đỗ Thị Lan Anh, Trần Minh Tuyến, Nguyễn Văn Cường 68 MỘT HƯỚNG TIẾP CẬN GIÁM SÁT THI TRỰC TUYẾN TRÊN NỀN TẢNG IOT ỨNG DỤNG CÔNG NGHỆ NHÚNG 550 Nguyễn Xuân Huy, Lê Phạm Việt Mẫn, Nguyễn Minh Sơn 69 THUẬT TOÁN KẾT HỢP GIỮA THUẬT TOÁN TIẾN HĨA VÀ THUẬT TỐN METAHEURISTIC CHO TÌM KIẾM ƯU TIÊN NGẪU NHIÊN GIẢI BÀI TỐN TÌM ĐƯỜNG ĐI LIÊN MIỀN VỚI RÀNG BUỘC MIỀN DUY NHẤT TRÊN NÚT MẠNG Phạm Đình Thành 70 USING DATA MINING, SEASONAL TIME SERIES AND ARTIFICIAL NTELLIGENCE ALGORITHM FOR BITCOIN PRICE PREDICTION Hoang Tung, Ngo Hien Dat, Nguyen Dinh Thuan xv 557 566 Kỷ yếu Hội nghị Khoa học công nghệ Quốc gia lần thứ XV Nghiên cứu ứng dụng Công nghệ thông tin (FAIR); Hà Nội, ngày 03-04/11/2022 DOI: 10.15625/vap.2022.0234 TỐI ƯU THAM SỐ TÍNH MỜ TRONG MƠ HÌNH DỰ BÁO CHUỖI THỜI GIAN NGÔN NGỮ BẬC CAO SỬ DỤNG TỐI ƯU BẦY ĐÀN Phạm Đình Phong1, Nguyễn Duy Hiếu2, Hồng Văn Thơng1, Mai Văn Linh3 Khoa Cơng nghệ thông tin, Trường Đại học Giao thông vận tải Khoa Khoa học Tự nhiên - Công nghệ, Trường Đại học Tây Bắc Khoa Công nghệ thông tin, Trường Đại học Công nghệ Đông Á phongpd@utc.edu.vn, hieund@utb.edu.vn, thonghv@utc.edu.vn, linhmv@eaut.edu.vn TĨM TẮT: Mơ hình dự báo chuỗi thời gian dựa thông tin ngôn ngữ phát triển sở lý thuyết đại số gia tử nghiên cứu phát triển Tính ưu việt mơ hình thiết lập chế hình thức biến đổi chuỗi thời gian số sang chuỗi thời gian ngôn ngữ dựa giá trị ngữ nghĩa định lượng (SQM) từ ngơn ngữ thay phân hoạch tập thành khoảng Quá trình dự báo tính tốn giá trị dự báo rõ thực trực tiếp ngữ nghĩa hạng từ biến ngơn ngữ Với chế hình thức này, giá trị SQM từ ngôn ngữ tính tốn từ giá trị tham số tính mờ (TSTM) dựa chúng ngữ nghĩa số thực từ ngôn ngữ xác định Tuy nhiên, công bố trước đây, giá trị TSTM đưa chuyên gia phương pháp thử sai dẫn đến độ xác dự báo chưa cao Bài báo đề xuất phương pháp tối ưu TSTM sử dụng thuật tốn tối ưu bầy đàn cho mơ hình chuỗi thời gian ngơn ngữ bậc cao Ngồi ra, cơng thức xác định giá trị dự báo rõ hiệu đề xuất Chúng tiến hành thực nghiệm mơ hình dự báo đề xuất với hai toán dự báo thực tế dự báo “số sinh viên nhập học Đại học Alabama” “sản lượng mùa vụ Lahi Ấn Độ” Các kết thực nghiệm mơ hình dự báo đề xuất có độ xác cao so với mơ hình dự báo so sánh Từ khóa: Chuỗi thời gian ngơn ngữ, tối ưu bầy đàn, tham số tính mờ, đại số gia tử I GIỚI THIỆU Năm 1993, Song Chissom đề xuất mơ hình dự báo chuỗi thời gian mờ (FTS-FM) [1-3], từ ngôn ngữ gán tập mờ làm ngữ nghĩa tính tốn FTS-FM khắc phục số điểm yếu mơ hình dự báo trước dựa thống kê Năm 1996, Chen cải tiến mơ hình dự báo Song Chissom với việc đưa khái niệm nhóm quan hệ logic mờ để thực suy luận mờ trình dự báo áp dụng công thức giải mờ đơn giản [4] Trong FTS-FM, tập (UD) phân hoạch tạo nên khoảng khoảng gán tập mờ Các thủ tục dự báo xây dựng dựa quan hệ logic mờ Từ FTS-FM Chen tạo hướng nghiên cứu cải tiến mô hình phương pháp luận ứng dụng vào toán thực tiễn Các nghiên cứu cải tiến phương pháp luận bao gồm đơn giản hóa tính toán [4], tối ưu độ dài khoảng chia UD áp dụng thuật toán tối ưu bầy đàn (PSO) [5, 6], thuật toán di truyền (GA) [7], kỹ thuật phân cụm [8],…; áp dụng mơ hình bậc cao [9, 10], mơ hình đa nhân tố [11]; áp dụng kỹ thuật giải mờ hiệu [5, 6], Các nghiên cứu ứng dụng bao gồm việc ứng dụng FTS-FM vào toán thực tiễn dự báo số sinh viên nhập học [2-4, 6, 7], dự báo số chứng khoán [5, 8], dự báo nhiệt độ [8], dự báo nhu cầu du lịch [12], dự báo số người chết tai nạn xe [6, 13], dự báo vàng giao [6, 13], dự báo sản lượng mùa vụ [24], Mặc dù có kết định nghiên cứu FTS-FM, số vấn đề cần tiếp tục nghiên cứu, cải tiến: - Thứ vấn đề ngữ nghĩa Do khơng có liên kết ngữ nghĩa từ ngôn ngữ với tập mờ tương ứng nên việc sử dụng từ ngôn ngữ FTS-FM hình thức - Thứ hai việc xác định tập mờ thiết kế cho khoảng Dễ dàng thấy ngữ nghĩa vốn có nhãn ngơn ngữ mang tính khách quan chúng hiểu người sử dụng Trong đó, tập mờ hồn tồn mang tính chủ quan chúng phụ thuộc nhiều vào cảm nhận chủ quan người thiết kế Từ nhược điểm nêu FTS-FM dẫn đến cần thiết có chế hình thức thao tác trực tiếp từ ngôn ngữ giải toán dự báo cụ thể Đại số gia tử (ĐSGT) [14, 15] đề xuất Nguyễn Cát Hồ Wechler cách tiếp cận để đáp ứng cần thiết ĐSGT thiết lập chế hình thức cho phép thao tác trực tiếp từ ngôn ngữ ứng dụng hiệu số lĩnh vực phân lớp liệu [16, 17], hồi quy [18], điều khiển mờ [19], xử lý ảnh [20], dự báo chuỗi thời gian [21-25],… Trong ứng dụng giải toán dự báo, ĐSGT sử dụng để thiết lập chế hình thức chuyển đổi liệu lịch sử thành chuỗi thời gian ngôn ngữ dựa ngữ nghĩa số từ ngơn ngữ Cơ chế hình thức thực sau: đầu tiên, cho tham số tính mờ (TSTM) cụ thể, ngữ nghĩa định lượng (SQM) từ ngôn ngữ tính tốn Tiếp theo, giá trị SQM ánh xạ sang không gian thực (tập nền) trở thành ngữ nghĩa số từ ngơn ngữ Sau đó, quan hệ logic ngơn ngữ (LLR) nhóm quan hệ logic ngôn ngữ thiết lập Chúng sở cho việc thiết lập luật dự báo Tuy nhiên, mơ hình dự báo chuỗi thời gian ngơn ngữ (LTS- Phạm Đình Phong, Nguyễn Duy Hiếu, Hồng Văn Thông, Mai Văn Linh 275 FM) đề xuất nghiên cứu [21-25] thao tác trực tiếp từ biến ngôn ngữ chúng bị giới hạn khuôn khổ phương pháp luận FTS-FM Bên cạnh đó, giá trị TSTM LTS-FM xác định chuyên gia phương pháp thử sai Do đó, kết dự báo chúng có độ xác chưa cao Để nâng cao độ xác dự báo LTS-FM giá trị TSTM cần phải lựa chọn cho chúng sinh ngữ nghĩa thực từ ngôn ngữ mô tả tốt chuỗi thời gian số Do đó, cần ứng dụng thuật tốn tối ưu để tìm giá trị TSTM tốt Tối ưu bầy đàn (PSO) thuật tốn đơn giản để tìm kiếm phương án tối ưu khơng gian tìm kiếm, cần tham số dễ cài đặt Bài báo đề xuất ứng dụng PSO [26] để tối ưu giá trị TSTM nhằm cải thiện kết dự báo LTS-FM bậc cao Ngoài ra, cơng thức tính giá trị dự báo rõ hiệu đề xuất Chúng tiến hành thực nghiệm LTS-FM bậc cao kết hợp với PSO toán: dự báo “số sinh viên nhập học Đại học Alabama” với số liệu quan sát từ năm 1971 đến năm 1992 (SV_ALABAMA) [2, 3], dự báo “sản lượng mùa vụ Lahi Ấn Độ” từ năm 1981 đến năm 2003 (LAHI_ANDO) [10] Các kết thực nghiệm cho thấy mơ hình đề xuất có độ xác cao so với mơ hình dự báo đối sánh Phần cịn lại báo tổ chức sau Mục II trình bày số kiến thức sở liên quan Mục III trình bày LTS-FM bậc cao kết hợp với PSO đề xuất Các kết thực nghiệm trình bày Mục IV Một số kết luận trình bày Mục V II CHUỖI THỜI GIAN NGÔN NGỮ VÀ LTS-FM BẬC CAO A Một số kiến thức sở đại số gia tử Như trình bày trên, việc sử dụng tập mờ để biểu diễn ngữ nghĩa từ ngơn ngữ có số nhược điểm cần khắc phục phương pháp luận chặt chẽ Đại số gia tử [14, 15] đề xuất Nguyễn Cát Hồ Wechler cung cấp sở toán học cho việc mơ hình hóa miền giá trị biến ngơn ngữ cách hiệu Giả sử biến ngôn ngữ Một ĐSGT biến ngôn ngữ , ký hiệu là năm thành phần ( , , , , ≤), đó, X miền giá trị ngôn ngữ ; = { , } tập hai phần tử sinh; H = H-  H+ tập gia tử, H- tập gia tử âm H+ tập gia tử dương; = {0, , 1} tập với 0, W, phần tử nhỏ nhất, trung hòa lớn nhất; ≤ quan hệ thứ tự X Ví dụ, = biến ngơn ngữ ứng với tuổi người; hai phần tử sinh âm dương “young” “old”; tập gia tử H bao gồm ={ ℎ } tập gồm gia tử âm ={ } tập gồm gia tử dương Khi đó, ta có từ ngôn ngữ sinh ℎ ≤ ≤ Dưới số khái niệm liên quan đến ĐSGT Định nghĩa Cho = ( , , , , ≤) ĐSGT Một hàm thỏa tính chất sau: : → [ , ] gọi độ đo tính mờ (0) = ( ) = (1) = 0;  ( ) + ( ) = 1;   ∑ ∈ (ℎ ) = ( ), với ∀ ∈ ; ( ) ( )  Với ∀ , ∈ , ∀ℎ ∈ , ( ) = ( ) Tỷ số gọi độ đo tính mờ gia tử ℎ ký hiệu (ℎ) Độ đo tính mờ gia tử thỏa tính chất sau: f1) (ℎ ) = (ℎ) ( ), với ∀ ∈ ; (ℎ ) = ( ),  ∈ , đó, p q số gia tử dương âm, hi gia tử thứ i f2) ∑ , tập gia tử H; (ℎ ), = ∑ (ℎ ), , > + = f3) = ∑ Với ∀ ∈ , có hàm dấu sign xác định dấu từ ngôn ngữ quan hệ tác động làm giảm hay tăng ngữ nghĩa từ ngôn ngữ sau gia tử tác động lên từ ngơn ngữ Định nghĩa Một hàm dấu { , }: ánh xạ : → {− , } định nghĩa sau Với , 1) sign( ) = −1, sign( ) = +1; 2) sign(ℎ ) = −sign( ) (= +sign( )) ℎ âm (dương) ; 3) sign(ℎ ℎ ) = −sign(ℎ ) (= +sign(ℎ )) ℎ ℎ ≠ ℎ ℎ âm (dương) ℎ; ∈ ∈ Trong LTS-FM, ánh xạ định lượng ngữ nghĩa từ đại lượng đóng vai trò quan trọng Các TSTM bao gồm độ đo tính mờ hai phần tử sinh gia tử Giá trị ánh xạ định lượng ngữ nghĩa từ ngơn ngữ tính tốn dựa giá trị độ đo tính mờ theo công thức đệ quy sau: Định nghĩa Ánh xạ lượng ngữ định 1) ( )= = ( ); : → [0, 1] định nghĩa sau: 276 TỐI ƯU THAM SỐ TÍNH MỜ TRONG MƠ HÌNH DỰ BÁO CHUỖI THỜI GIAN NGÔN NGỮ BẬC CAO SỬ DỤNG TỐI ƯU BẦY ĐÀN 2) 3) đó, ( )= − ( ) ( ) = ℎ = ( ) + sign ℎ ∑ ℎ = [1 + sign ℎ + ( ) sign ℎ ℎ B Chuỗi thời gian ngôn ngữ ( ); (ℎ ) − ω ℎ ( − ) ∈ { , } ℎ Con người sử dụng ngôn ngữ tự nhiên làm công cụ giao tiếp hàng ngày Tri thức người thu thập, lưu trữ xử lý liệu mà họ quan sát dạng ngơn ngữ Q trình xử lý ngôn ngữ nhớ người q trình phức tạp Do đó, thơng tin ngơn ngữ người thu thập lưu trữ dạng chuỗi thời gian ngôn ngữ, định nghĩa sau: Định nghĩa [21] Cho tập từ ngôn ngữ miền giá trị biến ngôn ngữ xác định tập U Chuỗi L(t), t = 0, 1, 2, …, L(t) tập giá trị ngơn ngữ , gọi chuỗi thời gian ngôn ngữ Ví dụ, quan sát biểu cảm người khoảng thời gian nhau, thu chuỗi thời gian ngôn ngữ "good", "Very good", "Rather good", "normal", "bad", "Rather bad", "bad", "Very bad", Chuỗi thời gian ngôn ngữ thiết lập cách tự nhiên người sử dụng tiếng Anh để thu thập liệu Vì người thu thập liệu đời sống theo trình tự thời gian, mối quan hệ thời gian giá trị ngôn ngữ tồn cách tự nhiên Do đó, gọi mối quan hệ kiểu quan hệ logic ngôn ngữ (LLR), định nghĩa sau: Định nghĩa [21] Giả sử giá trị ngôn ngữ biểu diễn liệu thời điểm tương ứng + Tồn quan hệ Quan hệ gọi quan hệ logic ngôn ngữ (Linguistic Logical Relationship - LLR), ký hiệu → Khi thu thập liệu lịch sử, có nhiều LLR có vế trái Các LLR có vế trái nhóm lại với tạo thành nhóm quan hệ logic ngơn ngữ (LLRG), định nghĩa sau: Định nghĩa [21] Giả sử có LLR → , → , , → có vế trái Chúng nhóm thành quan hệ logic ngôn ngữ (Linguistic Logical Relationship Group - LLRG) ký hiệu là: → , ,…, Định nghĩa [23] Giả sử giá trị ngôn ngữ thời điểm , suy từ , thời điểm tương ứng − 1, − 2, …, − Các quan hệ logic ngôn ngữ biểu diễn , gọi quan hệ logic ngôn ngữ bậc Từ Định nghĩa 7, có LLR bậc = LLR bậc cao > , …, ,…, , → Tương tự Định nghĩa 6, LLRG thiết lập từ LLR bậc cao gọi LLRG bậc cao Giả sử có LLR bậc cao: …, ,…, , → ,…, , → ,…, , → ,…, , → , , , chúng nhóm thành LLRG bậc cao có dạng: đó, bậc LLRG , ,…, , C Mơ hình dự báo chuỗi thời gian ngôn ngữ bậc cao Bằng việc sử dụng LLRG bậc cao thay bậc nghiên cứu [21, 22, 24, 25] LTS-FM bậc cao (HOLTS-FM) thiết lập Hình [23] Bước xác định tập , xác định khía cạnh ngữ nghĩa ĐSGT bao gồm cú pháp, ngữ nghĩa định tính SQM Bước thực tính tốn giá trị SQM từ ngôn ngữ sử dụng để mô tả chuỗi thời gian Bước toán toán ngữ nghĩa số miền thực từ ngôn ngữ theo công thức: ( ) = +( − ) × ( ), ( ) ( ) giá trị SQM ngữ nghĩa số từ , giá trị nhỏ lớn tập Bước thực chuyển đổi chuỗi thời gian số thành chuỗi thời gian ngôn ngữ dựa độ gần liệu lịch sử ngữ nghĩa số từ Bước thiết lập LLR bậc cao LLRG bậc cao Bước thực trình dự báo dựa LLRG bậc cao tính giá trị dự báo rõ Trong bước này, hai quy tắc tính tốn giá trị dự báo rõ sau: Phạm Đình Phong, Nguyễn Duy Hiếu, Hồng Văn Thông, Mai Văn Linh 277 (1) Nếu tồn LLRG bậc cao có dạng: , , … , ⟶ , trạng thái thời thời điểm, giả sử thời điểm k từ ngôn ngữ , ,…, ( , ≥ 1), , , … , , ,…, tương ứng ngữ nghĩa số số giá trị dự báo rõ thời điểm ,…, + 0,5 × ( + ngữ nghĩa số từ ngôn ngữ biểu diễn ngữ nghĩa liệu lịch sử thời điểm k ⋯ ) với (2) Nếu trạng thái thời thời điểm , , … , không tồn từ ngôn ngữ bên vế phải LLRG (vế phải rỗng) giá trị dự báo rõ thời điểm + Cuối cùng, giá trị cụ thể số tiêu chuẩn đánh giá tính hiệu LTS-FM tính tốn bước Giá trị MSE (mean square error) dùng để đánh giá LTS-FM tính theo công thức sau: MSE = ∑ ( − ) , (1) Fi liệu dự báo, Ai liệu thực tế n số liệu dự báo Bước 1: Khởi tạo Bước 2: Xác định ngữ nghĩa định lượng từ ngôn ngữ Bước 3: Ánh xạ ngữ nghĩa định lượng sang miền thực Bước 4: Ngữ nghĩa hóa liệu lịch sử chuỗi thời gian Bước 5: Thiết lập LLR bậc cao LLRG bậc cao Bước 6: Dự báo tính tốn giá trị dự báo rõ Hình Mơ hình dự báo chuỗi thời gian ngơn ngữ bậc cao D Thuật toán tối ưu bầy đàn Thuật toán tối ưu bầy đàn (Particle Swarm Optimzation - PSO) Kennedy Eberhart giới thiệu năm 1995 [26] áp dụng hiệu vào nhiều toán thực tiễn Các tham số PSO mô tả sau: Giả sử bầy đàn S = {x1, x2, …, xN} có N cá thể (particle) cá thể xi có vị trí cập nhật sau: đó, = hệ thứ t + (2) tốc độ phần tử xi hệ thứ t tính tốn sau: =ω ( + − )+ − , (3) đó, phương án cục toán cục tìm thấy hệ tại; r1 r2 hai số ngẫu nhiên phân phối đoạn [0, 1]; c1, c2 ω hệ số nhận thức cá nhân (self-cognitive factor), hệ số nhận thức xã hội (social cognitive factor) hệ số qn tính (inertia) Thuật tốn PSO mô tả vắn tắt sau: Bước 1: Khởi tạo bầy đàn S với véctơ tốc độ V véctơ vị trí X sinh ngẫu nhiên, biến lặp t số hệ Gmax Bước 2: Tính giá trị hàm mục tiêu ( Bước 3: So sánh ( ) với ( ) phần tử xi hệ thứ t ) Nếu ( ) tốt ( ) cập nhật = Bước 4: Cập nhật bầy đàn xuất cá thể đó, giả sử phần tử thứ j, có giá trị ( cá thể khác bầy đàn Khi = Bước 5: Cập nhật công thức (3) công thức (2) ) tốt tất Bước 6: Tăng giá trị biến lặp t lặp lại Bước giá trị t lớn Gmax (số hệ hay số lần lặp tối đa) 278 TỐI ƯU THAM SỐ TÍNH MỜ TRONG MƠ HÌNH DỰ BÁO CHUỖI THỜI GIAN NGƠN NGỮ BẬC CAO SỬ DỤNG TỐI ƯU BẦY ĐÀN III TỐI ƯU THAM SỐ TÍNH MỜ TRONG LTS-FM BẬC CAO Trong [23] đề xuất LTS-FM bậc cao hiệu để giải số toán dự báo thực tiễn Tuy nhiên, TSTM mơ hình lựa chọn chuyên gia phương pháp thử sai nên kết dự báo LTSFM bậc cao chưa cao Mục trình bày LTS-FM bậc cao lai kết hợp với thuật toán PSO, ký hiệu LTSPSO-FM Trong LTSPSO-FM, từ ngôn ngữ biến cảm sinh ĐSGT sử dụng để mô tả chuỗi thời gian Khi xác định khía cạnh ngữ nghĩa giá trị TSTM (bao gồm độ đo tính mờ phần tử sinh gia tử) xác định, giá trị SQM từ tính theo Định nghĩa Tiếp theo, giá trị SQM ánh xạ sang miền thực chuỗi thời gian thành ngữ nghĩa số từ ngơn ngữ Sau đó, dựa ngữ nghĩa số từ, chuỗi thời gian số chuyển đổi thành chuỗi thời gian ngôn ngữ Như vậy, giá trị TSTM sở để tính tốn đại lượng khác cần tối ưu để cải thiện độ xác dự báo Trong báo này, thuật toán HOLTS-PSO đề xuất để tối ưu giá trị TSTM cho mơ hình LTS-FM bậc cao (Thuật toán 1) Trong thực nghiệm, giống [21, 22, 23], hai gia tử (Little Very) sử dụng số từ ngôn ngữ sử dụng để mô tả chuỗi thời gian lựa chọn sẵn Do đó, số TSTM sử dụng 2, bao gồm độ m(c−) ) Các ràng buộc q trình tính tốn là: m(c−) + m(c+) = ( )+ ( ) = 1, đó, chúng ( )=1− ( ) ta suy m(c+) = − m(c−) ( Trong PSO, vị trí phần tử = {m(c-), ( TSTM dựa chúng thủ tục dự báo cài đặt )} (i = 1, …, N) bầy đàn biểu diễn giá trị hai Thuật toán HOLTS-PSO Đầu vào: Dữ liệu chuỗi thời gian D; Các tham số: N, Gmax, ngữ nghĩa cú pháp ĐSGT; //N số phần tử bầy đàn, Gmax số hệ Đầu ra: Các giá trị TSTM tốt ; Begin Khởi tạo ngẫu nhiên bầy đàn S0 ≔ { ; | i = 1, …, N}, = { ( ), ( For i ≔1 to N begin Thực từ Bước đến Bước HOLTS-FM dựa ; Tính giá trị MSE cho phần tử xi sử dụng công thức (1); Xác định lại vị trí cục tốt phần tử xi dựa giá trị MSE; End; Xác định lại vị trí tồn cục tốt dựa giá trị MSE; t ≔ 1; Repeat For i ≔1 to N begin Cập nhật tốc độ phần tử xi sử dụng công thức (3); Cập nhật vị trí xi sử dụng cơng thức (2); Thực từ Bước đến Bước HOLTS-FM dựa ; Tính giá trị MSE cho phần tử xi sử dụng công thức (1); If tốt then begin Xác định lại vị trí cục tốt phần tử xi dựa giá trị MSE; End; End; Xác định lại vị trí tồn cục tốt dựa giá trị MSE; ≔ + 1; Until t = Gmax; Return phương án tốt ; End Sau tối ưu, có cặp giá trị tham số ngữ nghĩa tốt (m(c−) ( chuyển đổi chuỗi thời gian số sang chuỗi thời gian ngôn ngữ IV MỘT SỐ KẾT QUẢ THỰC NGHIỆM VÀ THẢO LUẬN )}; )), dùng để Để đánh giá tính hiệu LTSPSO-FM đề xuất so với số mơ hình dự báo cơng bố Chen [6], Singh [10], Hwang [11] Hiếu [23], mục thực so sánh kết thực nghiệm LTSPSO-FM với kết mơ hình so sánh nêu Hai toán dự báo thực nghiệm bao gồm dự báo SV_ALABAMA, dự báo LAHI_ANDO Để mô tả tốt liệu chuỗi thời gian, liệu toán dự báo khác cần TSTM phù hợp với liệu Phạm Đình Phong, Nguyễn Duy Hiếu, Hồng Văn Thông, Mai Văn Linh 279 A Cài đặt thực nghiệm Ngơn ngữ lập trình C# dùng để cài đặt chương trình thực nghiệm Các thực nghiệm chạy Windows 10, máy laptop có vi xử lý Core i5-8250U 1.6 GHz, RAM 8GB Các tham số thuật toán PSO sau: số hệ 100, số phần tử (particle) 300, hệ số Inertia: 0,4, c1 = c2 = 2,0 Mỗi mơ hình dự báo chạy thực nghiệm ba lần toán dự báo, đó, có ba giá trị MSE giá trị MSE nhỏ lấy làm kết thực nghiệm B Dự báo số sinh viên nhập học Đại học Alabama Đối với toán dự báo này, ngữ nghĩa cú pháp biến ngôn ngữ - Hai phần tử sinh = ( ) = xác định sau: ( ), hai gia tử - Với mục tiêu mô nghiên cứu so sánh, số từ sử dụng từ ( )∈ ( )∈ lấy (tính riêng mức độ 2) Do đó, có: X(2) = {0, V_small, small, L_small, medium, L_large, large, V_large, 1}, đó, phần tử nhỏ Absolutely small phần tử lớn Absolutely large - Dữ liệu lịch sử quan sát từ năm 1971 đến năm 1992 phân bổ dải từ 13055 đến 19337, chọn tập biến ngơn ngữ [13000, 20000] Kết thực nghiệm dự báo SV_ALABAMA LTSPSO-FM bậc cao (từ bậc đến bậc 9) sử dụng từ ngôn ngữ (mức đặc tả k = 2) thể Bảng Dễ dàng thấy rằng, giá trị MSE LTSPSO-FM bậc cao đề xuất (PP đề xuất) tốt so với giá trị MSE mơ hình đối sánh (Chen [6], Singh [10], Hwang [11] Hiếu [23]) tất bậc Trong mơ hình dự báo đối sánh mơ hình dự báo Hiếu [23] LTS-FM bậc cao giá trị TSTM lựa chọn theo kinh nghiệm, tức chưa tối ưu Như vậy, sau tối ưu giá trị TSTM độ xác dự báo LTS-FM bậc cao tăng lên rõ rệt, mơ hình bậc có độ xác dự báo tốt Bảng So sánh giá trị MSE LTSPSO-FM bậc cao với số mô hình dự báo cơng bố tốn dự báo SV_ALABAMA Mơ hình/MSE Chen [6] Hwang [25] Singh [24] Hiếu [23] PP đề xuất (9 từ ngôn ngữ) Bậc 89093 333171 119189 98783 44727 Bậc 86694 299634 97180 94001 44905 Bậc 89376 315489 126676 78665 25346 Bậc 94539 278919 113421 81691 39191 Bậc 9215 296950 163137 40704 38227 Bậc 104056 316720 148618 37093 34157 Bậc 102179 301228 169149 36943 29478 Bậc 102789 306485 123964 35464 29223 Điểm đặc biệt LTS-FM biến dự báo ngôn ngữ xem ngôn ngữ biến dự báo số Do đó, khơng có giới hạn số từ ngôn ngữ sử dụng để mô tả chuỗi thời gian số [24] Khi số từ ngôn ngữ sử dụng tăng lên đồng nghĩa với tri thức sử dụng cho trình dự báo tăng lên Điều với thực tiễn người sử dụng ngơn ngữ làm công cụ giao tiếp hàng ngày, để lưu trữ xử lý tri thức gia tăng hàng ngày sống Khi lượng tri thức ngày tăng lên dẫn tới nhu cầu bổ sung từ ngôn ngữ để mơ tả lượng tri thức gia tăng Như vậy, chuyên gia muốn gia tăng độ xác dự báo họ bổ sung từ ngôn ngữ từ ngôn ngữ sử dụng không thay đổi Nghiên cứu [23, 24] độ xác dự báo tăng đáng kể tập từ ngôn ngữ sử dụng tăng lên Thực nghiệm sau thực với gia tăng tập từ sử dụng từ từ ngôn ngữ lên tương ứng 17, 33 65 từ ngôn ngữ, tương ứng với mức đặc tả k = 2, 3, Giá trị TSTM tối ưu PSO tương ứng với mức đặc tả k bậc mơ hình kết thể Bảng Với cặp giá trị TSTM (m(c-) ( )) Bảng 2, ta thu giá trị MSE tương ứng Bảng Dễ dàng thấy rằng, số từ ngôn ngữ sử dụng nhiều độ xác kết dự báo tăng lượng tri thức tham gia vào trình dự báo tăng lên Tuy nhiên, bậc mơ hình cao khơng đảm bảo cho độ kết dự báo tốt Ví dụ, với trường hợp từ ngơn ngữ mơ hình bậc có giá trị MSE 25346, tốt nhiều so với bậc lại Bảng Giá trị TSTM thu sau trình tối ưu ứng với trường hợp 9, 17, 33 65 từ tương ứng với bậc từ đến 9 từ 17 từ 33 từ 65 từ Số từ m(c-) µ(L) m(c-) µ(L) m(c-) µ(L) m(c-) µ(L) Bậc 0,702556 0,330377 0,397702 0,479210 0,476428 0,352242 0,453678 0,354319 Bậc 0,382064 0,557025 0,479704 0,460507 0,476471 0,351023 0,373704 0,414037 Bậc 0,759816 0,328643 0,480634 0,455970 0,351630 0,476321 0,447163 0,524586 Bậc 0,538928 0,424145 0,481541 0,455743 0,476567 0,351395 0,524357 0,447624 Bậc 0,385915 0,555740 0,480349 0,458808 0,476879 0,350785 0,376229 0,413073 Bậc 0,430450 0,535336 0,479240 0,459156 0,476503 0.350970 0,522146 0,447523 Bậc 0,735136 0,348333 0,480055 0,459550 0,653193 0,354667 0,376649 0,412943 Bậc 0,739217 0,348997 0,480984 0,459057 0,424507 0,358767 0.524880 0,447207 280 TỐI ƯU THAM SỐ TÍNH MỜ TRONG MƠ HÌNH DỰ BÁO CHUỖI THỜI GIAN NGƠN NGỮ BẬC CAO SỬ DỤNG TỐI ƯU BẦY ĐÀN Bảng Giá trị MSE thu ứng với trường hợp 9, 17, 33 65 từ tương ứng với bậc từ đến Bậc Bậc Bậc Bậc Bậc Bậc Bậc Bậc 9 từ 44727 44905 25346 39191 38227 34157 29478 29223 4804 4779 4433 4319 4479 4669 17 từ 12604 5368 1079 1102 1141 1165 1197 982 821 33 từ 1113 277 330 320 302 218 264 166 260 65 từ C Dự báo sản lượng mùa vụ Lahi Ấn Độ Để có thêm minh chứng tính hiệu việc tối ưu giá trị TSTM LTSPSO-FM, tiến hành thực nghiệm mô hình đề xuất với tốn dự báo sản lượng mùa vụ Lahi Ấn Độ Sản lượng mùa vụ Lahi (năng suất tính số kg héc-ta) thu thập từ nông trại Pantnagar Đại học Nông nghiệp Công nghệ G.B Pant, Pantnagar, Ấn Độ từ năm 1981 đến năm 2003 [10] Với giá trị nhỏ lớn số liệu quan sát 440 đến 1067, đó, tập biến ngôn ngữ thiết lập [400, 1100] [10] Hai ( )∈ phần tử sinh = ( ) = ℎ ℎ (ℎ), hai gia tử ( )∈ Để so sánh với mơ hình dự báo [10] [23], mức đặc tả từ ngôn ngữ chọn mức Do đó, ta có ( ) = {0, Very low, low, Little low, medium, Little high, high, Very high, 1} Kết thực nghiệm LTSPSO-FM bậc cao tương quan so sánh với mơ hình dự báo Singh [10] Hiếu [23] thể Bảng Chúng ta thấy rằng, mơ hình dự báo đề xuất có giá trị MSE tất bậc từ đến nhỏ so với hai mơ hình dự báo đối sánh Kết so sánh cho thấy, yếu tố nâng cao độ xác kết dự báo giá trị TSTM tối ưu thuật toán PSO Bảng So sánh giá trị MSE LTSPSO-FM với số mô hình dự báo cơng bố toán dự báo sản lượng mùa vụ Lahi Ấn Độ Mơ hình/MSE Singh [24] Hiếu [23] PP đề xuất (9 từ ngôn ngữ) Bậc 1089,7 713,6 695,7 Bậc 908,9 743,3 486,0 Bậc 1191,5 770,5 445,6 Bậc 1311,6 724,4 410,1 Bậc 1597,0 748 423,2 Bậc 1207,2 755,7 449,6 Bậc 1259,9 782 386,8 Bậc 1425,8 711,9 352,9 V KẾT LUẬN Chuỗi thời gian ngôn ngữ xây dựng dựa chế hình thức xử lý trực tiếp từ ngơn ngữ, cho phép mô theo cách người thực q trình dự báo dựa thơng tin ngơn ngữ Cơ chế hình thức thực việc chuyển đổi chuỗi thời gian số sang chuỗi thời gian ngôn ngữ xuất phát từ giá trị TSTM, giá trị SQM hạng từ tính tốn dựa chúng ngữ nghĩa thực hạng từ xác định Tuy nhiên, công bố trước đây, giá trị TSTM xác định chuyên gia phương pháp thử sai dẫn đến độ xác LTS-FM bậc cao chưa cao Bài báo trình bày LTSPSO-FM bậc cao sở kết hợp LTS-FM bậc cao với PSO với mục đích tối ưu giá trị TSTM nhằm cải thiện độ xác kết dự báo Các LTSPSO-FM bậc cao ứng dụng để dự báo SV_ALABAMA dự báo LAHI_ANDO Các kết thực nghiệm LTSPSO-FM bậc cao có độ xác cao so với mơ hình dự báo so sánh Bên cạnh đó, ta thấy rằng, số từ sử dụng để mô tả chuỗi thời gian tăng lên khía cạnh ngữ nghĩa từ có khơng thay đổi độ xác kết dự báo tăng lên theo Điều với thực tiễn số từ tăng lên tri thức tham gia vào trình dự báo tăng lên Trong thực nghiệm báo sử dụng toàn từ miền giá trị biến ngôn ngữ theo mức độ đặc tả k Tuy nhiên, thực tế, số lượng từ ngôn ngữ lựa chọn sử dụng số từ theo mức đặc tả k có nhu cầu sử dụng từ có độ dài lớn mức đặc tả k Tức miền giá trị biến ngôn ngữ vơ hạn điểm cụ thể số từ ngôn ngữ sử dụng hữu hạn dẫn đến nhu cầu lựa chọn từ ngôn ngữ danh sách vơ hạn để mơ tả chuỗi thời gian Điều dẫn đến toán lựa chọn tập từ ngơn ngữ tối ưu trình bày nghiên cứu tiếp LỜI CẢM ƠN Nghiên cứu thực với tài trợ từ Bộ Giáo dục Đào tạo Việt Nam theo mã số B2022-TTB-01 TÀI LIỆU THAM KHẢO [1] Q Song and B.S Chissom, “Fuzzy Time Series and its Model”, Fuzzy set and systems, Vol 54, pp 269-277, 1993 [2] Q Song and B.S Chissom, “Forecasting Enrollments with Fuzzy Time Series - Part I”, Fuzzy set and systems, Vol 54, pp 1-9, 1993 [3] Q Song and B.S Chissom, “Forecasting Enrollments with Fuzzy Time Series - Part II”, Fuzzy set and systems, Vol 62, pp 18, 1994 [4] S M Chen, “Forecasting Enrollments based on Fuzzy Time Series”, Fuzzy set and systems, Vol 81, pp 311-319, 1996 [5] I-H Kuo, et al., “Forecasting TAIFEX based on fuzzy time series and particle swarm optimization”, Expert Systems with Applications 37, 1494-1502, 2010 [6] S M Chen, X Y Zou, and G C Gunawan, “Fuzzy time series forecasting based on proportions of intervals and particle swarm optimization techniques”, Vol 500, pp 127-139, 2019 Phạm Đình Phong, Nguyễn Duy Hiếu, Hồng Văn Thơng, Mai Văn Linh 281 [7] S M Chen and N Y Chung, “Forecasting enrollments of students by using fuzzy time series and genetic algorithms”, International Journal of Intelligent Systems, Vol 17, pp 1-17, 2006a [8] N Y Wang, S M Chen, “Temperature prediction and TAIFEX forecasting based on automatic clustering techniques and twofactors high-order fuzzy time series”, Expert Systems with Applications, 36, 2143-2154, 2009 [9] S M Chen, “Forecasting Enrollments Based on High-Order Fuzzy Time Series”, Int Journal: Cybernetic and Systems, No 33, 2002, pp 1-16 [10] S R Singh, “A computational method of forecasting based on high-order fuzzy time series”, Expert Systems with Applications, Vol 36, No 7, pp 10551-10559, 2009 [11] J R Hwang, S M Chen, C H Lee, “Handling forecasting problems using fuzzy time series”, Fuzzy Sets and Systems, Vol 100, pp 217-228, 1998 [12] C H Wang and L C Hsu, “Constructing and applying an improved fuzzy time series model: Taking the tourism industry for example”, Expert Systems with Applications, Vol 34, pp 2732-2738, 2008 [13] 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 and Evolutionary Computation, Vol 15, pp 19-26, 2014 [14] N C Ho and W Wechler, “Hedge Algebras: An algebraic approach to structure of sets of linguistic truth values”, Fuzzy Sets and Systems, Vol 35, pp 281-293, 1990 [15] N C Ho and W Wechler, “Extended hedge algebras and their application to fuzzy logic, Fuzzy Sets and Systems”, Vol 52, pp 259-281, 1992 [16] N C Ho, T T Son, and P D Phong, “Modeling of a semantics core of linguistic terms based on an extension of hedge algebra semantics and its application”, Knowledge-Based Systems, Vol 67, pp 244-262, 2014 [17] P D Phong, N D Du, N T Thuy, and H V Thong, “A hedge algebras based classification reasoning method with multigranularity fuzzy partitioning”, Journal of Computer Science and Cybernetics, Vol 35, No 4, 2019, pp 319-336 [18] N C Ho, H V Thong, and N V Long, “A discussion on interpretability of linguistic rule based systems and its application to solve regression problems”, Knowledge-Based Systems, Vol 88, pp 107-133, 2015 [19] B H Le and T Q Cao, “A new approach for tuning control rule based on hedge algebras theory and application in structural vibration control”, Journal of Vibration and Control, Vol 27, No 23-24, pp 2686-2700, 2020 [20] N H Huy, N C Ho, and N V Quyen, “Multichannel image contrast enhancement based on linguistic rule-based intensificators”, Applied Soft Computing Journal, Vol 76, pp 744-762, 2019 [21] N D Hieu, N C Ho, and V N Lan, “Enrollment forecasting based on linguistic time series”, Journal of Computer Science and Cybernetics, Vol 36, No 2, pp 119-137, 2020 [22] N D Hieu, N C Ho and, V N Lan, “An efficient fuzzy time series forecasting model based on quantifying semantics of words”, 2020 RIVF International Conference on Computing and Communication Technologies (RIVF), Ho Chi Minh, Vietnam, pp 1-6, 2020 [23] N D Hieu and P D Phong, “A Novel High-order Linguistic Time Series Forecasting Model with the Growth of Declared Word-set”, International Journal of Advanced Computer Science and Applications, Vol 12, No 6, pp 63-71, 2021 [24] N D Hieu, N C Ho, P D Phong, V N Lan, P H Hiep, “Scalable human knowledge about numeric timeseries variation and its role in improvingforecasting results”, Journal of Computer Science and Cybernetics, Vol 38, No 2, 103-130, 2022 [25] P D Phong, “A time series forecasting model based on linguistic forecasting rules”, Journal of Computer Science and Cybernetics, Vol 37, No 1, 2021, pp 23-42 [26] J Kennedy and R C Eberhart, “Particle Swarm Optimization”, In Proceedings of the IEEE International Conference on Neural Networks, Piscataway, New Jersey IEEE Service Center, pp 1942-1948, 1995 OPTIMIZATION OF FUZZINESS PARAMETERS IN HIGH-ORDER LINGUISTIC TIME SERIES FORECASTING MODEL Pham Dinh Phong, Nguyen Duy Hieu, Hoang Van Thong, Mai Van Linh ABSTRACT: The linguistic time series forecasting model based on hedge algebras theory has been being researched and developed The superior feature of this model is to establish a formal mechanism to transform numeric time series into linguistic time series based on the symantically quantifying mapping (SQM) values of linguistic words instead of partitioning the universe of discource into intervals The process of forecasting and calculating crisp forecasting values is performed by directly handling linguistic words of linguistic variable In this formalism, when given specific values of fuzziness parameters of hedge algebras, the SQM values of words are calculated and based on them the real semantics of the words are determined However, in previous studies, the values of fuzziness parameters were determined by experts or by trial-error method, leading to low forecasting accuracy This paper proposes a method of optimizing fuzziness parameter values using particle swarm optimization for high-order linguistic time series forecasting models In addition, a new, more efficient crisp forecasting value calculation formula is also proposed The experimental results on two real-world forecasting problems, “the enrollments of the University of Alabama” and the “the Lahi crop production of Indian”, show that the proposed forecasting model has better forecasting accuracy than its counterparts