MөFWLrXÿӕLWѭӧng và phҥm vi nghiên cӭu
Dӵ báo nhu cҫu sҧn xuҩt có doanh nghiӋp là bài toán khó hiӋQQD\FKѭDFySKѭѫQJ pháp, mô hình tӕLѭXÿӇ giҧi quyӃt nó Ví dө ngày 13/07/2020 trang tin tӭc công nghӋ CNET.COM cӫD ÿѭD WLQ $SSOH ÿm Qӝp phҥt cho Samsung 950 triӋX ÿ{ Yu NK{QJPXDÿӫ sӕ Oѭӧng tҩm nӅQ2/('QKѭFDPNӃWĈLӅu này xҧy ra là vì Apple dӵa trên báo nhu cҫu sҧn xuҩWYjÿһt mua sӕ Oѭӧng lӟn tҩm nӅn tӯ 6DPVXQJÿӇ ÿѭӧc Kѭӣng giá thҩp do mua sӕ Oѭӧng lӟQ7X\QKLrQWuQKKuQKEiQKjQJNK{QJQKѭNǤ vӑng GRÿҥi dӏch Corona nên $SSOHNK{QJPXDÿӫ sӕ Oѭӧng và phҧi chӏ phҥt
&iFWK{QJWLQÿһFWUѭQJWKѭӡQJGQJÿӇ dӵ báo nhu cҫu sҧn xuҩt: x 'ӳOLӋXEiQKjQJWURQJTXiNKӭ x TKD\ÿәLWKHRPa YөOѭӧQJKjQJEiQUDVӁQKLӅXKѫQKRһFtWKѫQYjRPӝW YjLWKӡLÿLӇPFөWKӇYjFyWtQKFKҩWOһSOҥLWKHRFKXNǤWKѭӡQJFKXNǤOjPӝW QăPQKѭQJFNJQJFyWKӇQJҳQKRһFGjLKѫQ x 1ăQJOӵFFNJQJQKѭKҥQFKӃFӫDGRDQKQJKLӋSWURQJVҧQ[XҩWYtGөQKXFҫX VҧQ[XҩWEiQKWUXQJWKXWKiQJWӯJLӳDWKiQJÿӃQJLӳDWKiQJkPOӏFKOj KӝS7X\QKLrQQăQJOӵFVҧQ[XҩWWӕLÿDOjKӝSKҥQVӱGөQJOj WKiQJ 9u Yұ\ GRDQK QJKLӋS Fy WKӇ VҧQ [XҩW WUѭӟF YjL WKiQJ ÿӇ Gӵ SKzQJ KjQJWӗQNKRÿӫEiQFKRPDWUXQJWKX x 7uQKKuQKNLQKWӃYƭP{WӹJLiYjQJQJRҥLWӋ x 7uQKKuQKWKLrQWDLGӏFKEӋQKKӓDKRҥQYtGө GӏFK&RURQDKҥQKiQӣPLӅQ WUXQJô
Tùy vào loҥi sҧn phҭm, nhu cҫu, [X Kѭӟng, mùa vө, ÿLӅu kiӋn kinh tӃ YL P{ Yƭ mụô mà ta phҧi ỏp dөQJFiFSKѭѫQJSKiSP{KuQKGӵ bỏo phự hӧSÿӇ cú sai sӕ dӵ báo nhӓ nhҩt
Tuy nhiên vì thӡi gian mà nguӗn lӵc hӳu hҥn, tôi chӍ giӟi hҥn phҥm vi nghiên cӭu cӫa luұQYăQOjdӳ liӋu bán hàng quá khӭ cӫa công ty sҧn xuҩWGѭӧc phҭm y tӃ và yӃu tӕ theo mùa vө.
Thu thұp, tìm hiӇXYjÿiQKJLiGӳ liӋu
Trong quá trình thӵc hiӋn luұQ YăQ W{L ÿm ÿѭӧc phép sӱ dөng dӳ liӋu cӫa doanh nghiӋp vӅ sҧn xuҩWGѭӧc phҭm y tӃ trong thӡi gian tӯ QăPÿӃn nay Tuy nhiên tôi phҧi cam kӃt bҧo mұt dӳ liӋu chi tiӃW Yu ÿk\ Oj Gӳ liӋu bán hàng nӃu bӏ lӝ ra ngoài sӁ ҧQKKѭӣQJÿӃn kӃt quҧ kinh doanh cӫa công ty này
Dӳ liӋu thu thұS ÿѭӧc là dӳ liӋu bán hàng trong phân hӋ kӃ toán cӫa phҫn mӅm quҧn trӏ cӫa doanh nghiӋp Dӳ liӋu khoҧng 109 nghìn dòng MӛLQăPNKRҧQJÿӃn
22 nghìn dòng, mӛi dòng là chi tiӃt hàng hóa, sӕ Oѭӧng xuҩt, ngày xuҩt bán và các thông tin khác
7KHRÿӏQKQJKƭDGӳ liӋu time series, dӳ liӋu này là chuӛi sӵ kiӋQYjWKѭӟFÿRWKHR ngày nên nó là dӳ liӋu time series ĈӇ lӑc dӳ liӋu cho bài toán khai phá dӳ liӋu time series thì phҧLFyWѭѫQJÿӕLÿӫ ӣ FiFÿLӇm trong chuӛi thӭ tӵ thӡi gian
Công ty có trên 1100 hàng hóa chia thành 25 loҥi hàng hóa
Dӳ liӋu có rҩt nhiӅu hàng hóa chӍ kinh doanh thӡi gian nhҳn nên cҫn loҥi bӓ Tuy nhiên có 11 hàng hóa FyNLQKGRDQKWURQJÿӃn 12 tháng trong cҧ 7 QăPWURQJÿy QăPFKӍ WtQKWKiQJÿҫXQăP(toàn bӝ dӳ liӋXOjQăP
Ngoài ra, khi xét theo loҥi hàng hóa thì FyQKyPFyÿӫ dӳ liӋXWURQJQăP Trӵc quan hóa dӳ liӋu bҵng power bi desktop
VӟLÿһt thù dӳ liӋu này, tôi quyӃWÿӏnh chӑQÿLӇm thӡi gian cho dӳ liӋu time series OjWKiQJQăPYjOӑc các hàng hóa ÿӫ 12 tháng ӣ tҩt cҧ FiFQăPWUӯ QăPFKӍ có
Giӟi hҥn nghiên cӭu cӫDÿӅ tài
Dӵ báo nhu cҫu sҧn xuҩt
Dӵ báo doanh sӕ cho ta biӃt có bao nhiêu sҧn phҭm có khҧ QăQJEiQÿѭӧc trong mӝt khoҧng thӡLJLDQWѭѫQJODL'ӵ báo doanh sӕ FKtQK[iFOjÿLӅu cҫn thiӃt cho mӝt doanh nghiӋp cho phép nó sҧn xuҩt sӕ Oѭӧng sҧn phҭm cҫn thiӃWYjRÿ~QJWKӡi ÿLӇPĈӕi vӟi bҩt kǤ doanh nghiӋp vӅ sҧn xuҩt nào, viӋFÿiQKJLiFiF[XKѭӟng thӏ WUѭӡng mӝWFiFKÿҫ\ÿӫ là rҩt cҫn thiӃt Mӝt cam kӃt vӅ phía bӝ phұn bán hàng và kӃ hoҥFKWѭѫQJODLFӫa toàn bӝ bӝ phұn sҧn xuҩt phө thuӝc vào dӵ báo này.
Chuӛi thӡi gian (time series)
Theo Wikipedia (English): chuӛi thӡi gian là chuӛLFiFÿLӇm dӳ liӋXÿѭӧc lұp chӍ mөc theo thӭ tӵ thӡLJLDQ7K{QJWKѭӡng, mӝt chuӛi thӡi gian là mӝt chuӛLÿѭӧc quan sát tҥLFiFÿLӇPFiFKÿӅu nhau theo thӡi gian, có thӇ là hàng ngày, hàng tháng, KjQJTXêKjQJQăP'RÿyQyOjPӝt chuӛi các dӳ liӋu thӡi gian rӡi rҥc
Ví dө vӅ chuӛi thӡi gian: sӕ liӋu chӭng khoán, sӕ liӋu tài chính kӃ toán, sӕ liӋu dӵ báo thӡi tiӃt, sӕ liӋu theo dõi sӕ QJѭӡi nhiӉm Covid-19
+uQKĈӗ thӏ minh hӑa mӝt chuӛi thӡi gian (Tәng sӕ ca nhiӉm Corona tҥi Mӻ) Chuӛi thӡi gian X vӟi các giá trӏ quan sát tҥi các thӡLÿLӇPÿѭӧc ký hiӋu là X1, X2,
XôXtô;n vӟi Xt là giỏ trӏ cӫa chuӛi X tҥi thӡLÿLӇm t
Các chuӛi thӡi gian vӃ kinh tӃ WKѭӡng có các tính chҩt: [2] x 7tQK[XKѭӟQJGjLKҥQ
Tính chҩW Qj\ GQJ ÿӇ chӍ [X KѭӟQJ WăQJ KD\ JLҧm cӫD FiF ÿLӇm quan sát trong chuӛi thӡi gian Trӵc quan hóa dӳ liӋu chuӛi thӡi gian sӁ dӉ dàng thҩ\[XKѭӟng cӫa hình 1 là chuӛi thӡLJLDQFy[XKѭӟQJWăQJ9tGө dân sӕ ViӋW1DPFy[XKѭӟng WăQJ1KѭQJWӕFÿӝ WăQJGkQVӕ cӫa ViӋW1DPFy[XKѭӟng giҧm x 7tQKPDYө
Tính chҩWQj\ÿӇ chӍ [XKѭӟQJWăQJKD\JLҧm cӫa chuӛi vào mӝt vài thӡLÿLӇm cө thӇ YjWKѭӡQJÿѭӧc lһp lҥi theo chu kǤ có thӇ OjKjQJWKiQJKjQJTXêKjQJQăP
Ví dө: nhiӋWÿӝ WăQJYjRPDKqPJLҧPYjRPDÿ{QJYjFKXNǤ lһp lҥi là hàng QăP x 7tQKFKXNǤ
Tính chҩt này khác tính chҩt mùa vө OjWKѭӡQJNpRGjLKѫQQăP9tGө chu kǤ suy thoái kinh tӃ WKѭӡng tӯ QăPWUӣ lên x 7tQKFKҩWEҩWWKѭӡQJQJүXQKLrQ
Tính chҩWQj\GQJÿӇ chӍ sӵ WKD\ÿәi bҩWWKѭӡng cӫa các giá trӏ trong chuӛi thӡi gian Sӵ WKD\ÿәi này không thӇ dӵ ÿRiQEҵng các sӕ liӋu kinh nghiӋm trong quá khӭYjFNJQJFyWtQKFKXNǤ x 'ӵEiRFKXӛLWKӡLJLDQ
Dӵ báo chuӛi thӡi gian là quá trình dӵa trên dӳ liӋu quá khӭ kӃt hӧp mӝt sӕ mô hình, kӻ thuұWÿӇ ÿѭDUDNӃt quҧ dӵ ÿRiQWURQJWѭѫQJODL&iFP{KuQKGӵ báo chuӛi thӡLJLDQÿѭӧc xây dӵng dӵa trên nguyên lý quy luұt trong quá khӭ có thӇ lһp lҥi ӣ WURQJWѭѫQJODL
Các mô hình dӵ báo chuӛi thӡi gian
Mô hình hӗi quy (Regressive) là tìm quan hӋ phө thuӝc cӫa mӝt biӃQÿѭӧc gӑi là biӃn phө thuӝc vào mӝt hoһc nhiӅu biӃQNKiFÿѭӧc gӑi là biӃQÿӝc lұp nhҵm mөc ÿtFKѭӟFOѭӧng hoһFWLrQÿRiQJLiWUӏ kǤ vӑng cӫa biӃn phө thuӝc khi biӃWWUѭӟc giá trӏ cӫa biӃQÿӝc lұp [2]
(@QKѭGӳ liӋu huҩn luyӋn
Sau khi huҩn luyӋn và tҥo dӳ liӋu test, dӵ báo có thӇ ÿѭӧc thӵc hiӋn bҵng cách gӑi hàm predict() Tính toán sai sӕ dӵ báo giӳa tұp dӳ liӋu kiӇm tra và dӳ liӋu kӃt quҧ dӵ báo
Phân tích và dӵ báo theo nhóm thuӕc
Hình 3.5: BiӇXÿӗ sӕ Oѭӧng bán tҩt cҧ các mһt hàng
Nhұn xét: x 6ӕOѭӧQJEiQFy[XOѭӟQJWăQJӣFiFQăP YjÿLQJDQJӣ các QăP x ĈһFELӋWVӕOLӋXEiQKjQJQăPFyEҩWWKѭӡQJOӟQVRYӟLFiFQăPWUѭӟFOj WiFÿӝQJFӫDGӏFK&RYLG-19 x 6ӕOLӋXFyWtQKQJүXQKLrQFDRWtQKPDYөNK{QJFӕÿӏQK x 6ӕOѭӧQJEiQWKѭӡQJWKҩSWKiQJVDXÿyWăQJFDRӣWKiQJWLӃS WKHRYjәQÿӏQKKѫQӣFiFWKiQJFzQOҥL x *Lӳ FiF QăP WKu FNJQJ Fy NKiF QKDX FKӭ NK{QJ Fӕ ÿӏQK QKѭ FiF QăPFiFWKiQJQӳDFXӕLQăPFNJQJELӃQÿӝQJUҩWQKLӅX
Hình 3.6: BiӇXÿӗ sӕ Oѭӧng bán nhóm thuӕc vӅ Da liӉu
Nhұn xét: x 6ӕOѭӧQJEiQFy[XOѭӟQJWăQJӣFiFQăPYjÿLQJDQJӣFiF QăP x 6ӕOLӋXEiQKjQJQăPOҥLJLҧPVRYyLQăPWUѭӟFFyWKӇEҩWWKѭӡQJQj\Oj WiFÿӝQJFӫDGӏFK&RYLG-19 x 6ӕOLӋXFyWtQKQJүXQKLrQFDRWtQKPDYөNK{QJFӕÿӏQK x 6ӕOѭӧQJWKiQJWKҩSWKiQJFDROXkQSKLrQWX\QKLrQFNJQJFyNKL WKiQJJҫQQKDXJLiWUӏNK{QJWKD\ÿәLQKLӅX x *Lӳ FiF QăP WKu FNJQJ Fy NKiF QKDX FKӭ NK{QJ Fӕ ÿӏQK QKѭ FiF QăPFiFWKiQJQӳDFXӕLQăPFNJQJELӃQÿӝQJUҩWQKLӅX
Hình 3.7: BiӇXÿӗ sӕ Oѭӧng bán nhóm thuӕc vӅ Tiêu hóa
Nhұn xét: x 6ӕOѭӧQJEiQFy[XKѭӟQJWăQJӣFiFQăPYjÿLQJDQJӣ FiF QăP Tuy nhLrQ FXӕL TXê QăP Vӕ OѭӧQJ EiQ FDR EҩW WKѭӡQJ x 6ӕOLӋXEiQKjQJQăPNKiEҩWWKѭӡQJVRYӟLFiFQăPWUѭӟFYu WiFÿӝQJFӫD GӏFK&RYLG-19 x 6ӕOLӋXFyWtQKQJүXQKLrQFDRWtQKPDYөNK{QJFӕÿӏQK x Sӕ OѭӧQJbán KRһFWKiQJWKҩSYjFDROXkQSKLrQ nhau x 7tQK PD Yө FNJQJ NK{QJ әQ ÿӏQK Yt Gө WKiQJ FiF QăP a WKѭӡQJWKҩSKRһFWUXQJEuQKQKѭQJWKiQJQăPOҥLFDREҩWWKѭӡQJ 1KұQ[pWFKXQJYӅGӳOLӋXWKHRQKyPWKXӕF x 6ӕOLӋXQăPFyGLӉQELӃQEҩWWKѭӡQJYuҧQKKѭӣQJFӫDGӏFKEӋQKQrn WiFJLҧORҥLEӓQăPUDNKӓLWұSGӳOLӋXGӵEiR x 7iFJLҧFKӑQWURQJQKyPGӳOLӋXWUrQÿӇOjPGӵEiR7URQJÿyGӳOLӋXQKyPGDOLӉXÿѭӧFFKӑQYuQy NKiWѭѫQJÿӗQJYӅWtQKFKҩWVӕYӟLQKyPFzQOҥL+ѫQQӳDVӕOLӋXYӅGDOLӉXtWEӏQKLӉXKѫQ
3.5.2 Sӱ dөng mô hình SARIMA a Tìm mô hình cho dӳ liӋu vӅ nhóm da liӉu
Sӱ dөng ngôn ngӳ S\WKRQÿӇ tìm mô hình (xem phө lөc)
KӃt quҧ chҥy tìm mô hình là hình 3.8, mӛLP{KuQKFyÿiQKJLiVDLVӕ Khi duyӋt hӃt các mô hình và so sánh sai sӕ EuQKSKѭѫQJQKӓ nhҩt WDWuPÿѭӧc 3 mô hình tӕi ѭu nhҩWQKѭKuQK
Hình 3.8 kӃt quҧ tìm mô hình theo nhóm da liӉu b KӃt quҧ dӵ báo nhóm da liӉu b.1 Mô hình 1: SARIMA ((p, d, q), (P, D, Q, s)) = (0, 0, 1), (0, 1, 2, 12)
Hình 3.9 các thông sӕ kӃt quҧ dӵ báo theo nhóm da liӉu
Sau khi huҩn luyӋn mô hình SARIMA ((p, d, q), (P, D, Q, s)) = (0, 0, 1), (0, 1, 2, 12), ta xem kӃt quҧ huҩn luyӋn bҵng cách gӑi hàm results.summary() ta có bҧng kӃt quҧ ӣ hình 3.9 Các tham sӕ: x dDWDWLPHOjQJj\JLӡKXҩQOX\ӋQP{KuQK x Dep Variable, Model, Sample, No Observations OjFiFWKDPVӕÿҫXYjRFӫDP{ hình
Các giá trӏ còn lҥi là các kӃt quҧ mô hình huҩn luyӋn tính toán ÿѭӧc Có nhiӅu WK{QJWLQQKѭQJFK~QJWDFK~êÿӃn bҧng các hӋ sӕ (coef ± coefficients) Cӝt coef cho biӃt tҫm quan trӑng cӫa mӛLÿӕLWѭӧng: x ma.S.L12 là MA(seasonal)1 x ma.S.L24 là MA(seasonal)2 x VLJPDOjEuQKSKѭѫQJSKѭѫQJVDLQKLӉXWUҳQJ
Cӝt P>|z| cho chúng ta biӃt tҫm quan trӑng cӫa mӛLÿӕLWѭӧng Giá trӏ p thҩp cho thҩ\FiFÿӕLWѭӧng là hӧSOêNKLÿѭӧc giӳ lҥi trong mô hình (Xem thêm phө lөc b: Các thuӝc tính cӫa lӟp SARIMAXresults)
Hình 3.10ÿӗ thì kӃt quҧ dӵ báo nhóm da liӉu
Nhұn xét: x 1KuQWәQJWKӇÿӗWKӏNӃWTXҧVӕOLӋX GӵEiRJҫQNKӟSYӟLVӕOLӋX bán hàng WKӵF WӃ[ҧ\UDWҥL công ty x 1KѭQJYүQFyVDLVӕFDRYtGөWKiQJ5 và FyGRDQKVӕEiQKjQJFDR KѫQ 4XD WuP KLӇX WҥL SKzQJ NLQK GRDQK WKu WKӡL ÿLӇP ÿy F{QJ W\ ÿҭ\ PҥQK FKѭѫQJWUuQKPDUNHWLQJOѭӧQJKjQJWӗQNKRFzQQKLӅXWURQJF{QJW\ x 6DLVӕWRjQSKѭѫQJWUXQJEuQKUPVHFKRFҧWKiQJOjrmse = 193 553Ĉk\Oà VDLVӕNKiFDRGREҧQWKkQYLӋFFӝQJVӕOѭӧQJEiQFiFORҥLWKXӕFFQJQKyPÿmFyWK{QJWLQQKLӉXYuPӛLORҥLWKXӕFFyFiFTX\FiFKWtQKVӕOѭӧQJNKiFQKDXYtGөFyORҥLWtQKWKHRYLrQFKDLOӑYӍô b.2 Mô hình 2: SARIMA ((p, d, q), (P, D, Q, m)) = (0, 0, 0), (0, 1, 2, 12)
Hình 3.11 các thông sӕ kӃt quҧ dӵ báo theo nhóm da liӉu, mô hình 2
Sau khi huҩn luyӋn mô hình 2: SARIMA ((p, d, q), (P, D, Q, s)) = (0, 0, 0), (0, 1, 2, 12), ta xem kӃt quҧ huҩn luyӋn bҵng cách gӑi hàm results.summary() ta có bҧng kӃt quҧ ӣ hình 3.11 Các tham sӕ: x GDWDWLPHOjQJj\JLӡKXҩQOX\ӋQP{KuQK x Dep Variable, Model, Sample, No Observations Oj FiF WKDP Vӕ ÿҫX YjR FӫD mô hình
Các giá trӏ còn lҥi là các kӃt quҧ mô hình huҩn luyӋQ WtQK WRiQ ÿѭӧc Có nhiӅu WK{QJWLQQKѭQJFK~QJWDFK~êÿӃn bҧng các hӋ sӕ (coef ± coefficients) Cӝt coef cho biӃt tҫm quan trӑng cӫa mӛLÿӕLWѭӧng: x ma.S.L12 là MA(seasonal)1 x ma.S.L24 là MA(seasonal)2 x VLJPDOjEuQKSKѭѫQJSKѭѫQJVDLQKLӉXWUҳQJ
Cӝt P>|z| cho chúng ta biӃt tҫm quan trӑng cӫa mӛLÿӕLWѭӧng Giá trӏ p thҩp cho thҩ\FiFÿӕLWѭӧng là hӧSOêNKLÿѭӧc giӳ lҥi trong mô hình (Xem thêm phө lөc b: Các thuӝc tính cӫa lӟp SARIMAXresults)
Hình 3.12 Ĉӗ thӏ kӃt quҧ dӵ báo nhóm da liӉu, mô hình 2
Nhұn xét: x 1KuQFKXQJNӃWTXҧGӵEiRWKHRP{KuQKFѫEҧQJLӕQJP{KuQKYӅ[XKѭӟQJ SKkQEәVӕOLӋXGӵEiR x ;pW YӅ VDL Vӕ WRjQ SKѭѫQJ WUXQJ EuQK UPVH FKR Fҧ WKiQJ Oj rmse 197,426.896DLVӕQj\ FDRKѫQP{KuQKOjrmse = 193 553
KӃt luұn: x Mô hình 1 SARIMA ((p, d, q), (P, D, Q, s)) = (0, 0, 1), (0, 1, 2, 12) là mô hình GӵEiRFKRNӃWTXҧGӵEiRWӕWQKҩWÿ~QJWKHRWKXұWWRiQEҵQJ3\WKRQÿmFKҥ\UD NӃWTXҧWURQJSKҫQD x 1KuQWәQJWKӇÿӗWKӏ NӃWTXҧVӕOLӋXGӵEiRJҫQNKӟSYӟLVӕOLӋXEiQKjQJWKӵF WӃ[ҧ\UDWҥLF{QJW\ x 7ӯWKDPVӕP{KuQKWDWKҩ\EҧQFKҩWFKXӛLWKӡLJLDQQKyPGDOLӉXYӯD có thành SKҫQ [X KѭӟQJ RUGHUS G T 1) YӯD Fy WKjQK SKҫQ PD Yө seasonal_order(P,D,Q)m = (0,1,2)12
Hình 3.13: Tóm tҳt (summary) mô hình hӑc máy LSTM
Sau khi tҥo mô hình và huҩn luyӋn LSTM (xem mөc 3.4) ta có thӇ xem bҧng tәng kӃt model.summary() ta thҩy mô hình có: x 6ӕOӟS/670 x ÿҫXYjRPӛLOӟS x ÿҫXUD x 7әQJWKDPVӕFӫD mô hình: 71051
Hình 3.14: kӃt quҧ dӵ báo sҧn phҭm kháng sinh nhҽ theo mô hình LSTM
Nhұn xét: x 1KuQWәQJWKӇÿӗWKӏNӃWTXҧVӕOLӋXGӵEiRJҫQNKӟSYӟLVӕOLӋXEiQKjQJWKӵF WӃ[ҧ\UDWҥLF{QJW\ x 1KѭQJYүQFyVDLVӕFDRYtGөWKiQJYj Fy GRDQKVӕEiQKjQJFDR KѫQ 4XD WuP KLӇX WҥL SKzQJ NLQK GRDQK WKu WKӡL ÿLӇP ÿy F{QJ W\ ÿҭ\ PҥQK FKѭѫQJWUuQKPDUNHWLQJOѭӧQJKjQJWӗQNKRFzQQKLӅXWURQJF{QJW\ x 6DLVӕWRjQSKѭѫQJWUXQJEuQKUPVHFKRFҧWKiQJOjrmse = 111 208Ĉk\Oj VDLVӕNKiFDRGREҧQWKkQYLӋFFӝQJVӕOѭӧQJEiQFiFORҥLWKXӕFFQJQKyPÿm FyWK{QJWLQQKLӉXYuPӛLORҥLWKXӕFFyFiFTX\FiFKWtQKVӕOѭӧQJNKiFQKDXYt GөFyORҥLWtQKWKHRYLrQFKDLOӑYӍô x 6RYӟLP{KuQK65,0A có rmse = 193 553 thì mô hình LSTM FyNӃWTXҧGӵ EiRFKtQK[iFKѫQJLҧPWӹOӋOӛLGӵEiROj37% = (176,333-111,208)/ 176,333 x Mô hình RMSE
Bҧng 3.2 kӃt quҧ ÿiQKJLiVDLVӕ theo nhóm da liӉu
Phân tích và dӵ báo theo 1 sҧn phҭm (thuӕc)
(Trong phҫn này tên thuӕFÿmÿѭӧFWKD\ÿәLÿӇ bҧo mұt thông tin)
Hình 3.15: BiӇXÿӗ sӕ Oѭӧng bán sҧn phҭm ALPHA
Hình 3.16: BiӇXÿӗ sӕ Oѭӧng bán sҧn phҭm B1-B6-B12
Hình 3.17: BiӇXÿӗ sӕ Oѭӧng bán sҧn phҭm kháng sinh nhҽ
Hình 3.18: BiӇXÿӗ sӕ Oѭӧng bán sҧn phҭm thuӕc giҧPÿDXKҥ sӕt
Hình 3.19: BiӇXÿӗ sӕ Oѭӧng bán sҧn phҭm CALCIUM
Hình 3.20: BiӇXÿӗ sӕ Oѭӧng bán sҧn phҭm kháng sinh mҥnh
Hình 3.21: BiӇXÿӗ sӕ Oѭӧng bán sҧn phҭm viêm khӟp dҥng thҩp
1KұQ[pWFKXQJYӅGӳOLӋXWKHRVҧQSKҭPWKXӕF x 6ӕOLӋXQăPFyGLӉQELӃQEҩWWKѭӡQJYuҧQKKѭӣQJFӫDGӏFKEӋQKQrQ WiFJLҧORҥLEӓQăPUDNKӓLWұSGӳOLӋXGӵEiR x 7iFJLҧVҧQSKҭP³WKXӕFNKiQJVLQKQKҽ´ÿӇOjP GӳOLӋXGӵEiR EӣLYuGӳ OLӋXQj\NKiWѭѫQJÿӗQJQKau và ít WK{QJWLQQJүXQKLrQEҩWWKѭӡQJKѫQ
3.6.2 Sӱ dөng mô hình SARIMA a Tìm mô hình dӵ báo cho dӳ liӋu 1 sҧn phҭm thuӕc
Sӱ dөng ngôn ngӳ S\WKRQÿӇ tìm mô hình (xem phө lөc)
KӃt quҧ chҥy tìm mô hình là hình 3.22, mӛLP{KuQKFyÿiQKJLiVDLVӕ Khi duyӋt hӃt các mô hình và so sánh sai sӕ EuQKSKѭѫQJQKӓ nhҩWWDWuPÿѭӧc 3 mô hình tӕi ѭXQKҩWQKѭKuQK
Hình 3.22 kӃt quҧ tìm mô hình theo sҧn phҭm kháng sinh nhҽ b KӃt quҧ dӵ báo sҧn phҭm thuӕc
Hình 3.23 các thông sӕ kӃt quҧ dӵ báo theo sҧn phҭm kháng sinh nhҽ
Sau khi huҩn luyӋn mô hình SARIMA ((p, d, q), (P, D, Q, s)) = (1, 1, 1), (0, 1, 2, 12), ta xem kӃt quҧ huҩn luyӋn bҵng cách gӑi hàm results.summary() ta có bҧng kӃt quҧ ӣ hình 3.23 Các tham sӕ: x GDWDWLPHOjQJj\JLӡKXҩQOX\ӋQP{KuQK x Dep Variable, Model, Sample, No Observations OjFiFWKDPVӕÿҫXYjRFӫDP{ hình
Các giá trӏ còn lҥi là các kӃt quҧ mô hình huҩn luyӋQ WtQK WRiQ ÿѭӧc Có nhiӅu WK{QJWLQQKѭQJFK~QJWDFK~êÿӃn bҧng các hӋ sӕ (coef ± coefficients) Cӝt coef cho biӃt tҫm quan trӑng cӫa mӛLÿӕLWѭӧng: x ar.L1 là AR1 x ma.L1 là MA1 x ma.S.L12 là MA(seasonal)1 x ma.S.L24 là MA(seasonal)2 x VLJPDOjEuQKSKѭѫQJVDLQKLӉXWUҳQJ
Cӝt P>|z| cho chúng ta biӃt tҫm quan trӑng cӫa mӛLÿӕLWѭӧng Giá trӏ p thҩp cho thҩ\FiFÿӕLWѭӧng là hӧp lý khi ÿѭӧc giӳ lҥi trong mô hình (Xem thêm phө lөc các tham sӕ kӃt quҧ huҩn luyӋn mô hình SARIMA)
Hình 3.24 kӃt quҧ dӵ báo sҧn phҭm kháng sinh nhҽ theo mô hình SARIMA
Nhұn xét: x ĈӗWKӏGӵEiRJҫQNKӟSYӟLÿӗWKӏEiQKjQJ[ҧ\UDWKӵFWӃFӫDF{QJW\ x 1KѭQJYүQ FyVDLVӕFDRYtGөWKiQJFyGRDQKVӕEiQKjQJFDRKѫQ GRWKӡLÿLӇPQj\SKzQJNLQKGRDQKÿҭ\PҥQKFKѭѫQJWUuQKPDUNHWLQJQrQVӕ OѭӧQJEiQQKLӅXKѫQEuQKWKѭӡQJ x 6DLVӕWRjQSKѭѫQJWUXQJEuQKUPVHFKRFҧWKiQJOjUPVH 161
Hình 3.25: Tóm tҳt (summary) mô hình hӑc máy LSTM
Sau khi tҥo mô hình và huҩn luyӋn LSTM (xem mөc 3.4) ta có thӇ xem bҧng tәng kӃt model.summary() ta thҩy mô hình có: x 6ӕOӟS/670 x ÿҫXYjRPӛLOӟS x ÿҫXUD x 7әQJWKDPVӕFӫDP{KuQK
Hình 3.26: KӃt quҧ dӵ báo sҧn phҭm kháng sinh nhҽ theo mô hình LSTM
Nhұn xét: x 1KuQWәQJWKӇÿӗWKӏNӃWTXҧVӕOLӋXGӵEiRJҫQNKӟSYӟLVӕOLӋXEiQKjQJWKӵF WӃ[ҧ\UDWҥLF{QJW\ x 1KѭQJ YүQFyVDLVӕFDRYtGөWKiQJ YjFyGRDQKVӕEiQKjQJFDR
KѫQ 4XD WuP KLӇX WҥL SKzQJ NLQK GRDQK WKu WKӡL ÿLӇP ÿy F{QJ W\ ÿҭ\ PҥQK FKѭѫQJWUuQK PDUNHWLQJ QrQ GRDQKVӕ EiQhàng FDRKѫQ PӭF WUXQJEuQKKjQJ QăPFӫD công ty x 6DLVӕWRjQSKѭѫQJWUXQJEuQKUPVHFKRFҧWKiQJOj rmse = 17 544Ĉk\Oj VDLVӕNKiFDREӣLYuNӃWTXҧEiQKjQJWKӵFWӃFzQSKөNKiQKLӅX\ӃXWӕQKѭGӏFK EӋQKFKѭѫQJWUuQKTXҧQg FiRNKX\ӃQPmLYjVӵFҥQKWUDQKWӯFiFF{QJW\GѭӧF SKҭPNKiF x 6RYӟLP{KuQK65,0$FyUPVH 19 161 thì mô hình LSTM FyNӃWTXҧGӵEiR FKtQK[iFKѫQJLҧPWӹOӋOӛLGӵEiROj8% = (19,161-17,544)/19,161 x Mô hình RMSE
Bҧng 3.3 kӃt quҧ ÿiQKJLiVDLVӕ theo sҧn phҭm
&+ѬѪ1* KӂT LUҰ19ơ+ѬӞNG PHÁT TRIӆN
Tәng kӃt các kӃt quҧ dӵ báo
Qua kӃt quҧ thӵc nghiӋm trên tұp dӳ liӋu nhóm thuӕc và sҧn phҭm thuӕc cho ta mӝt sӕ nhұQ[pWQKѭVDX x 9ӅÿӝFKtQK[iFFӫDGӵEiRP{KuQK/670FKRNӃWTXҧGӵEiRFKtQK[iFKѫQ WX\QKLrQYӟLÿһFWKPjPҥQJQѫ-URQPӛLOҫQKXҩQOX\ӋQP{KuQK/670Yj
Gӵ EiR OҥL WKu NӃW TXҧ Fy WKD\ ÿәL FKӭ NK{QJ Fӕ ÿӏQK NӃW TXҧ QKѭ P{ KuQK 6$5,0$YӕQOjP{KuQKWtQKWRiQWKӕQJNrQrQNӃWTXҧJLӕQJQKDXQӃXFKҥ\ÿL FKҥ\OҥLQKLӅXOҫQ KLiSGөQJ/670Yj$5,0$WUrQPӝWWұSKӧSGӳOLӋXWjL FKtQKNӃWTXҧFKӍUDUҵQJ/670YѭӧWWUӝLKѫQVRYӟL$5,0$YuWKXұWWRiQGӵD WUrQ/670ÿmFҧLWKLӋQOӛLGӵEiR WӯÿӃQ VRYӟL$5,0$ x 9ӅWKӡLJLDQKXҩQOX\ӋQ
Cҩu hình máy thӱ nghiӋm: CPU: Intel(R) Core(TM) i5-6200, RAM: 4GB, HDD: SSD, Windows 10 Pro 64bit
Mô hình >ŽҢŝĚӋůŝҵƵ >ҥŶĐŚҢLJ dŚӁŝŐŝĂŶĐŚҢLJ;ŐŝąLJͿ
Bҧng 4.1 thӡi gian chҥy theo mô hình và loҥi dӳ liӋu
Tӯ bҧng 4.1 ta thҩy mô hình LSTM có thӡi gian chҥy tӯ trên 1 phút so vӟi mô hình SARIMA chӍ tӕQYjLJLk\7X\QKLrQÿӇ chҥy thuұt toán tìm kiӃm mô hình tӕLѭX cӫa SARIMA tӕn khoҧng 3, 4 giӡ.
So sánh khác biӋt giӳa mô hình SARIMA và LSTM
x $5,0$JһSYҩQÿӅkhó WuPWKDPVӕFKRP{KuQKYu x DӳOLӋXbán hàng FyWtQKQăQJÿӝQJFDR và tKѭӡQJUҩWNKyÿӇWuPUDquy OXұW WURQJGӳOLӋXFKXӛLWKӡLJLDQ x Dӳ OLӋX FKXӛL WKӡL JLDQ Fy WKӇ Oj SKL WX\ӃQ Yj FKӭD FҩX WU~F Wӵ WѭѫQJ TXDQUҩWSKӭFWҥS x &iFÿLӇPGӳOLӋXWURQJFiFNKRҧQJWKӡLJLDQNKiFQKDXFyWKӇWѭѫQJTXDQ YӟLQKDXYjSKpS[ҩS[ӍWX\ӃQWtQKÿ{LNKLNK{QJP{KuQKKyDÿѭӧFWҩWFҧ FҩXWU~FWURQJGӳOLӋX x &iFSKѭѫQJSKiSWUX\ӅQWKӕQJQKѭP{KuQKKӗLTX\FӕJҳQJѭӟFWtQKFiF WKDPVӕFӫDPӝWP{KuQKFyWKӇÿѭӧF[HPQKѭPӝWSKpSJҫQÿ~QJWUѫQ WUXYӟLFҩXWU~FÿmWҥRUDGӳOLӋX x &yWKӇWұQGөQJVӭFPҥQKWtQKWRiQFӫDPi\WtQKÿӇWuPP{KuQKWӕLѭX QKѭQJSKҧLWӕQWKӡLJLDQWKӵFWKLUҩWOkXYtGөYӟLGӳOLӋXFyTXDQViW PjWKӡLJLDQWKӵFWKLNKRҧQJJLӡ x /670NK{QJSKҧLWuPWKDPVӕP{KuQKQKѭ6$5,0$QKѭQJOҥLSKӭFWҥSKѫQ WURQJYLӋF[k\GӵQJP{KuQKGӵEiRFөWKӇ x TKӡLJLDQKXҩQOX\ӋQOkXKѫQ6$5,0$ x 6ӕOҫQÿjRWҥRFzQJӑLOjNǤQJX\rQepochs) NK{QJҧQKKѭӣQJÿӃQP{ KuQKGӵEiRNKLepochs QKӓ 007X\QKLrQYӟLWKӱQJKLӋPepochs
= 1000 thì WDWKҩ\NӃWTXҧGӵEiRWӕWKѫQ 7KӱQJKLӋPFNJQJWăQJepochs WLӃSOrQWUrQQKѭQJKLӋXTXҧkhông WăQJ QӳD x 6ӕOѭӧQJÿҫXYjRFӫD/670FNJQJҧQKKѭӣQJÿӃQNӃWTXҧGӵEiR x 'ӵEiRLSTM có WKӇSKkQORҥLWKjQKQKѭ sau:
- 1KLӅXÿҫXYjRGӵEiRÿҫXUD
- 1KLӅXÿҫXYjRGӵEiRQKLӅXÿҫXUD x /670FyWKӇiSGөQJFKRQKLӅXP{KuQKGӵEiRNKiFYӟLGӵEiRFKXӛL WKӡLJLDQ
- 0{WҧKuQKҧQK x 0ҥQJQѫ-ron (LSTM vjFiFSKѭѫQJSKiSKӑFVkXNKiFYӟLEӝGӳOLӋX NKәQJOӗFXQJFҩSFiFKFKLDQyWKjQKQKLӅXO{QKӓKѫQYjÿjRWҥRPҥQJ WKHRQKLӅXJLDLÿRҥQ tFKWKѭӟFO{NtFKWKѭӟFWӯQJÿRҥQOLrQTXDQÿӃQ WәQJ Vӕ Gӳ OLӋX ÿjR WҥR ÿѭӧF Vӱ GөQJ 7KXұW QJӳ OһS ÿѭӧF Vӱ GөQJ ÿӇ ELӇXWKӏVӕO{FҫQWKLӃWÿӇKRjQWKjQKYLӋFKXҩQOX\ӋQPӝWP{KuQKEҵQJ FiFKVӱGөQJWRjQEӝWұSGӳOLӋX x /670FKҳFFKҳQOjSKӭFWҥSKѫQYjNKyÿjRWҥRKѫQYjWURQJKҫXKӃWFiF WUѭӡQJKӧSNK{QJYѭӧWTXiKLӋXVXҩWFӫDPӝWP{KuQK$5,0$ÿѫQJLҧQ x PKѭѫQJSKiS$5,0$KRҥWÿӝQJKLӋXTXҧKѫQFiFSKѭѫQJSKiSKӑFPi\ YjKӑFVkXÿӇGӵEiRPӝWKRһFQKLӅXEѭӟFWUrQWұSGӳOLӋXÿѫQELӃQ x &iFSKѭѫQJSKiSKӑFPi\YjKӑFVkXFKѭDPDQJOҥLKӭDKҽQFKRGӵEiR FKXӛL WKӡL JLDQ ÿѫQ ELӃQ Yj YүQ FzQ QKLӅX QJKLrQ FӭX SKҧL ÿѭӧF WKӵF KLӋQ x 9uFiF/670ÿѭӧFWUDQJEӏÿӇKӑFFiFPӕLWѭѫQJTXDQGjLKҥQWURQJPӝW WUuQKWӵFK~QJFyWKӇOұSP{KuQKFiFWUuQKWӵÿDELӃQSKӭFWҥSPjNK{QJ FҫQFKӍÿӏQKEҩWNǤNKRҧQJWKӡLJLDQQjR
Qua tìm hiӇu lý thuyӃt và thӵc nghiӋm, luұQYăQÿmiSGөQJÿѭӧc bҵng Python có sӱ dөQJ FiF WKѭ YLӋn QKѭstatsmodels, sklearn, pandas, matplotlib và ÿm Gӵ báo ÿѭӧc sӕ liӋXEiQKjQJWѭѫQJODL ÿiSӭQJÿѭӧc nhu cҫu cӫa công ty
LuұQYăQÿmEѭӟFÿҫu bә VXQJÿѭӧc hӋ thӕng dӵ báo vào hӋ thӕng tin hiӋn tҥi cӫa công ty HӋ thӕng dӵ EiRÿѭӧc xây dӵng bҵng ngôn ngӳ Python, áp dөng mô hình dӵ báo LSTM1JRjLUDÿӇ hoàn thiӋn hӋ thӕng cҫn phát triӇn thêm bӝ ÿLӇu khiӇn (Controller) và gói (7/ÿӇ tәng hӧp, vұn chuyӇn dӳ liӋu giӳa 2 hӋ thӕng
Source code Python dùng trong hӋ thӕng dӵ EiRÿѭӧc cung cҩp trong phҫn phө lөc cӫa luұQYăQQj\
VӅ JyFÿӝ kinh tӃ: ĈһFWKÿӕi vӟi ngành sҧn xuҩt thuӕc thì sҧn phҭm có hҥn sӱ dөng không quá lâu dài vì vұy dӵ báo nhu cҫu tiêu thө rҩt cҫn thiӃW7kPOêQJѭӡLWLrXGQJFNJQJNK{QJ muӕn sӱ dөng thuӕc gҫn hӃt hҥn sӱ dөQJ1JѭӡLEiQWKuFNJQJEiQÿѭӧc thuӕc gҫn hӃt hҥn sӱ dөng
Dӵ báo nhu cҫu tiêu thө cҫn thiӃWÿӇ lұp kӃ hoҥch sҧn xuҩt tӕLѭXQKҩt Tӯ ÿyOұp kӃ hoҥch thu mua nguyên vұt liӋu hӧp lý vì sӕ nguyên vұt liӋu chӍ WKXPXDÿѭӧc theo PDÿӇ giӳ mӭc sҧn xuҩt ӣ mӭc vӯDYjÿӫ, cҳt giҧm chi phí
Tӯ ÿyF{QJW\JLҧPÿѭӧc chi phí quҧn lý hàng tӗQNKRÿһc biӋt có nhӳng loҥi thuӕc phҧi bҧo kho lҥnh vӟi chi phí cao
TiӃSÿӃn kӃ hoҥch kinh doanh gӗm có marketing và bán hàng phù hӧp tӯng tháng WURQJQăP9tGө vӟLÿӕi vӟi nhӳQJWKiQJÿѭӧc dӵ báo nhu cҫXWăQJFDRWKuF{QJW\ cҫQÿҭy mҥnh chiӃn dӏch marketing quҧng bá sҧn phҭPÿҭy mҥQKWKѭѫQJKLӋXÿӇ ÿҭy cao doanh sӕ bán hàng Tránh viӋc phҧi quҧng bá sҧn phҭm không hiӋu quҧ cҧ QăP9tGө nhóm sҧn phҭm da liӉXWKiQJWKiQJYjWKiQJWKiQJÿѭӧc dӵ báo nhu cҫXWăQJFDR7Kӵc tӃ ÿk\OjQKӳng tháng cұn tӃt âm lӏch cӫa ViӋt Nam và kǤ nghӍ hè nên nhu cҫXOjPÿҽp cӫa chӏ em phө nӳ WăQJFDRÿһc biӋt sҧQGѭӥng da, kem chӕng nҳng Cho nên công ty cҫQÿҭy mҥnh chiӃn bán hàng mҥnh mӁ trong nhӳng tháng trên
.KLF{QJW\ÿmGӵ EiRÿѭӧc nhu cҫXWLrXGQJWURQJWѭѫQJODLWKuQKѭSKkQWtFKӣ trên công ty sӁ OrQÿѭӧc kӃ hoҥch sҧn xuҩt, kӃ hoҥch tӗn kho, kӃ hoҥch bán hàng hӧp lý nhҩW9jÿӇ thӵc hiӋn các kӃ hoҥch này tӕt thì công ty cҫn chuҭn bӏ kӃ hoҥch tài chính hӧSOêÿӇ tӕLÿDKyDWӯQJÿӗng vӕn bӓ UDÿһc biӋt là các nguӗn vӕn vay ngҳn hҥn
Nhìn chung nӃu chúng ta có thӇ dӵ báo nhu cҫu tiêu thө mӝt cách chính xác thì chúng ta có các kӃ hoҥch hӧSOêQKѭÿmSKkQWtFKӣ trên, dүQÿӃn giá thành sҧn xuҩt sҧn phҭm là thҩp nhҩt tӯ ÿyWăQJWtQKFҥnh tranh cӫa công ty trên thӏ WUѭӡng TӕLÿD hóa lӧi nhuұn cho các cә ÿ{QJ
Ngày nay, nhà sҧn xuҩt phҧi thích ӭng vӟi thӏ WUѭӡng biӃQÿӝng liên tөFÿHPÿӃn nhӳng sҧn phҭm và dӏch vө ÿӝWSKiÿӃn khách hàng Sӵ cҥnh tranh giӳa các nhà sҧn xuҩt ngày càng khӕc liӋt Vì vұy dӵ báo nhu cҫu sҧn xuҩt thұt sӵ cҫn thiӃWÿӇ giӳ vӳng vӏ thӃ cӫa doanh nghiӋSWUrQWKѭѫQJWUѭӡng.
Hҥn chӃ YjKѭӟng nghiên cӭu tiӃp theo
LuұQYăQPӟi chӍ thӵc nghiӋm trên sӕ liӋu cӫa công ty sҧn xuҩWGѭӧc phҭm NӃu có ÿLӅu kiӋn cҫn phҧi thӵc nghiӋm trên nhiӅu bӝ sӕ liӋu hѫQÿӇ có thӇ ÿiQKJLiFKtQK[iFKѫQFiFP{KuQKSKѭѫQJSKiSGӵ báo
Vì thӡi gian có hҥn, tác giҧ mӟi chӍ tìm hiӇu và thӵc nghiӋm mô hình SARIMA trong kinh tӃ Oѭӧng và mô hình hӑc máy Long Short-Term Memory network (LSTM network) NӃXFyÿLӅu kiӋn cҫQÿiQK JLiWKrPFiFP{KuQKQKѭmô hình YHFWѫ Wӵ hӗi quy (VAR), mô hình hiӋu chӍnh sai sӕ dҥng vetor (Vector Error Correction Model - VECM)
Hҥn chӃ cӫa luұQYăQOjdӵ báo nhu cҫu sҧn xuҩt còn chӏu ҧQKKѭӣng bӣi nhiӅu yӃu tӕ ngoҥi suy hay là các yӃu tӕ bên ngoài hӋ thӕng thông tin cӫa công ty Tuy nhiên vì ÿLӅu kiӋQFKѭDWKXWKұSÿӫ dӳ liӋu ngoҥLVX\QrQÿӅ WjLFKѭDÿѭDYjRP{KuQKGӵ EiRĈk\FNJQJOjKѭӟng phát triӇn cӫDÿӅ tài, sӱ dөng thêm dӳ liӋu cӫa các yӃu tӕ bên ngoài hӋ thӕng tin hiӋn tҥLÿӇ WăQJÿӝ chính xác cӫa dӵ báo
[1] 3KҥP&ҧQK+X\(2008), %jL*L̫QJ0{Q+͕F.LQK7͇/˱ͫQJ, 1;%Ĉi Hዌc Quዎc Gia
[2] 3KҥP&DR7Ut (2020, Sep 01), ³.LQK7Ӄ/ѭӧQJ´, [Online] Available: http://voer.edu.vn/c/2d2e6a46
[3] TUҫQĈӭF0LQK7UҫQ+X\'ѭѫQJ9NJĈӭF7KL nghiên, (2015), 0͡WV͙Y̭Q ÿ͉Y͉GEiRGͷOL XFKX͟LWKͥLJLDQ ӹ\ӃX+ӝLQJKӏ4XӕFJLDOҫQWKӭ
9,,,YӅ1JKLrQFӭXFѫEҧQYjӭQJGөQJ&{QJQJKӋWK{QJWLQ)$,5+j 1ӝL
[4] 1JX\ӉQ'X\+LӃX9NJ1Kѭ/kQ1JX\ӉQ&iW+ӗ, (2015), 'EiRFKX͟L
WKͥLJLDQPͥGDWUrQQJͷQJKƭD.ӹ\ӃX+ӝLQJKӏ4XӕFJLDOҫQWKӭ9,,,
YӅ1JKLrQFӭXFѫEҧQYjӭQJGөQJ&{QJQJKӋWK{QJWLQ)$,5+j1ӝL [5] Bohdan M Pavlyshenko, (2019), ³0DFKLQH-Learning Models for Sales 7LPH6HULHV)RUHFDVWLQJ´MDPI
[6] Bjoern Krollner, Bruce Vanstone, Gavin Finnie ³Financial Time
6HULHV )RUHFDVWLQJ ZLWK 0DFKLQH /HDUQLQJ 7HFKQLTXHV $ 6XUYH\´,
ESANN 2010 proceedings, European Symposium on Artificial Neural Networks - Computational Intelligence and Machine Learning Bruges (Belgium)
[7] Mahmoud K Okasha ³Using Support Vector Machines in
Financial Time Series Forecasting´,QWHUQDWLRQDO-RXUQDORI6WDWLVWLFVDQG
[8] Dharmaraja Selvamuthu, Vineet Kumar & Abhishek Mishra, (2019), ³Indian stock market prediction using artificial neural networks on tick data´ Financial Innovation, Springer; Southwestern University of Finance and Economics, vol 5(1), pages 1-12, December
[9] Nitin Singh, Soumya Ranjan Mohanty, Rishabh Dev Shukla, (2017), Short term electricity price forecast based on environmentally adapted generalized neuron, DOI:10.1016/j.energy.2017.02.094
[10] Andreas Graefe, J Scott Armstrong, Randall J Jones, Alfred G Cuzan, (2013), Combining Forecasts: An Application to Elections,
[11] Yanrong Ni, Feiya Fan, (2010), A two-stage dynamic sales forecasting model for the fashion retail, doi:10.1016/j.eswa.2010.07.065
[12] Jessica Lina, Eamonn Keogha, Stefano Lonardia, Jeffrey P Lankfordb, Donna M Nystromb, (2004), Visually Mining and Monitoring Massive
Time Series.''ả$XJXVW±25, 2004, Seattle, Washington, U.S.A
[13] James H Stock, (2001), Time Series: Economic Forecasting, volume 23, pp 15721±15724, 2001, Elsevier Ltd
[14] Yash Patel, (2018), Forecasting data by using Time series data mining in
[15] Anastasia Borovykhכ Sander Bohte Cornelis W Oosterlee, (2018),
Conditional time series forecasting with convolutional neural networks,
[16] Ratnadip Adhikari, R K Agrawal, (2013), A combination of artificial neural network and random walk models for financial time series forecasting, Springer-Verlag London 2013 DOI:10.1007/s00521-013-
[17] Neelam Mishra, Hemant Kumar Soni, Sanjiv Sharma, A.K Upadhyay, (2017), A Comprehensive Survey of Data Mining Techniques on Time
Series Data for Rainfall Prediction, J ICT Res Appl., Vol 11, No 2,
[18] Jian Liu, Chunlin Liu, Lanping Zhang, Yi Xu, (2019), Research on sales
LQIRUPDWLRQSUHGLFWLRQV\VWHPRIHఇFRPPHUFHHQWHUSULVHVEDVHGRQWLPH series model, Springer-Verlag GmbH Germany, part of Springer Nature
[19] Teresa m Mccarthy, donna f Davis, susan l Golicic, john t Mentzer, (2006), The Evolution Of Sales Forecasting Management: A 20-Year Longitudinal Study Of Forecasting Practices, Wiley Interscience DOI: 10.1002/For.989
[20] $WKDU.KRGDEDNKVK,VPDLO$UL0XVWDID%DNÕU6HUKDW0XUDW$ODJR] (2020), Forecasting Multivariate Time-Series Data Using LSTM and Mini- Batches, Springer: Lecture Notes on Data Engineering and
[21] Jason Brownlee, (2017), Long Short-Term Memory Networks With Python:
Develop Sequence Prediction Models with Deep Learning, Copyright 2017
[22] Pranjal Srivastava, ³Essentials of Deep Learning : Introduction to Long Short Term Memory´,QWHUQHW https://www.analyticsvidhya.com/blog/2017/12/fundamentals-of-deep- learning-introduction-to-lstm, Sep 1, 2020
[23] Christopher Olah, ³Understanding LSTM Networks´,QWHUQHW http://colah.github.io/posts/2015-08-Understanding-LSTMs, Sep 1, 2020 [24] AlindGupta³Long Short Term Memory Networks Explanation´,QWHUQHW https://www.geeksforgeeks.org/long-short-term-memory-networks- explanation/?ref=lbp, Sep 1, 2020
[25] Jonathan E Taylor³SARIMAXResults´,QWHUQHW https://www.statsmodels.org/stable/generated/statsmodels.tsa.statespace.sar imax.SARIMAXResults.html, Sep 1, 2020
Dӵ báo theo 1 sҧn phҭm thuӕc ± Mô hình LSTM
PHӨ LӨC B: CÁC THUӜC TÍNH CӪA LӞP SARIMAXRESULTS [25]
Tên Dƀƚң aic (float) Akaike Information Criterion aicc
(float) Akaike Information Criterion with small sample correction arfreq
(array) Frequency of the roots of the reduced form autoregressive lag polynomial arparams
(array) Autoregressive parameters actually estimated in the model arroots
(array) Roots of the reduced form autoregressive lag polynomial bic (float) Bayes Information Criterion bse The standard errors of the parameter estimates cov_params_approx (array) The variance / covariance matrix cov_params_oim (array) The variance / covariance matrix cov_params_opg (array) The variance / covariance matrix cov_params_robust (array) The QMLE variance / covariance matrix cov_params_robust_appr ox (array) The QMLE variance / covariance matrix cov_params_robust_oim (array) The QMLE variance / covariance matrix fittedvalues (array) The predicted values of the model hqic (float) Hannan-Quinn Information Criterion llf
(float) The value of the log-likelihood function evaluated at params llf_obs
(float) The value of the log-likelihood function evaluated at params loglikelihood_burn
(float) The number of observations during which the likelihood is not evaluated mae (float) Mean absolute error mafreq
(array) Frequency of the roots of the reduced form moving average lag polynomial maparams
(array) Moving average parameters actually estimated in the model maroots
(array) Roots of the reduced form moving average lag polynomial mse (float) Mean squared error pvalues
(array) The p-values associated with the z-statistics of the coefficients resid (array) The model residuals seasonalarparams
(array) Seasonal autoregressive parameters actually estimated in the model seasonalmaparams
(array) Seasonal moving average parameters actually estimated in the model sse (float) Sum of squared errors states tvalues Return the t-statistic for a given parameter estimate use_t
&ůĂŐŝŶĚŝĐĂƚŝŶŐƚŽƵƐĞƚŚĞ^ƚƵĚĞŶƚ͛ƐĚŝƐƚƌŝďƵƚŝŽŶŝŶ inference zvalues (array) The z-statistics for the coefficients.