Mô hình chuỗi thời gian mờ có trọng số bậc cao và ứng dụng

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn ĐẠI HỌC THÁI NGUYÊN TRƢỜNG ĐẠI HỌC CNTT VÀ TRUYỀN THÔNG ĐẶNG THỊ THU THẢO MÔ HÌNH CHUỖI THỜI GIAN MỜ CÓ TRỌNG SỐ BẬC CAO VÀ ỨNG DỤNG LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH 2 THÁI NGUYÊN - 2012 ĐẠI HỌC THÁI NGUYÊN TRƢỜNG ĐẠI HỌC CNTT VÀ TRUYỀN THÔNG ĐẶNG THỊ THU THẢO MÔ HÌNH CHUỖI THỜI GIAN MỜ CÓ TRỌNG SỐ BẬC CAO VÀ ỨNG DỤNG Chuyên ngành: Khoa học máy tính Mã số: 60 48 01 LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH NGƢỜI HƢỚNG DẪN KHOA HỌC: TS. NGUYỄN CÔNG ĐIỀU THÁI NGUYÊN - 2012 i Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn LỜI CAM ĐOAN Tôi cam đoan đây là công trình nghiên cứu của riêng tôi. Các số liệu, kết quả nêu trong luận văn là trung thực và chƣa từng đƣợc ai công bố trong bất kỳ công trình nào khác. Tác giả luận văn Đặng Thị Thu Thảo i Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn MỤC LỤC Trang bìa phụ Lời cam đoan MỤC LỤC 3 DANH MỤC BẢNG BIỂU iii DANH MỤC HÌNH VẼ iv MỞ ĐẦU 1 CHƢƠNG 1 TỔNG QUAN VỀ CHUỖI THỜI GIAN 5 1.1 Các kiến thức cơ bản về chuỗi thời gian 5 1.1.1. Khái niệm chuỗi thời gian 5 1.1.2 Tính chất của chuỗi thời gian 6 1.1.3 Phân chia chuỗi thời gian 8 1.2 Mô hình chuỗi thời gian 10 1.3 Mô hình hồi quy 10 1.3.1 Mô hình tự hồi quy (AR) 11 1.3.2 Mô hình trung bình trượt (MA) 12 1.1.4 Những hạn chế của mô hình ARMA trong chuỗi thời gian tài chính 13 CHƢƠNG 2 14 MÔ HÌNH CHUỖI THỜI GIAN MỜ CÓ TRỌNG SỐ BẬC CAO 14 2.1 Tổng quan về tập mờ 14 2.1.1 Tập mờ 14 2.1.2 Quan hệ mờ 16 2.1.3 Các phép toán của quan hệ mờ 18 2.1.4 Suy luận xấp xỉ và suy diễn mờ 18 2.2 Hệ mờ 20 2.2.1 Bộ mờ hoá 20 2.2.2 Giải mờ 21 2.3 Chuỗi thời gian mờ 22 ii Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn 2.3.1 Một số khái niệm cơ bản 22 2.3.2 Một số định nghĩa liên quan đến chuỗi thời gian mờ 23 2.4 Một số thuật toán trong mô hình chuỗi thời gian mờ 24 2.4.1 Một số thuật toán bậc một (thuật toán cơ sở) 24 2.4.2 Một số thuật toán bậc cao 26 2.4.3 Chuỗi thời gian mờ có trọng bậc cao 30 2.4.4 Mô hình chuỗi thời gian mờ có trọng của Hui – Kuang Yu 32 2.4.5 Thuật toán bậc cao có trọng 38 CHƢƠNG 3 41 ỨNG DỤNG MÔ HÌNH CHUỖI THỜI GIAN MỜ 41 CÓ TRỌNG BẬC CAO 41 3.1 Ứng dụng trong bài toán dự báo nhiệt độ 41 3.1.1 Ứng dụng thuật toán chuỗi thời gian mờ có trọng bậc 3 41 3.1.2 Ứng dụng thuật toán chuỗi thời gian mờ có trọng bậc 1, bậc 2 45 3.2 Ứng dụng trong dự báo chỉ số Chứng khoán 48 3.2.1 Dự báo chỉ số chứng khoán Đài Loan 48 3.2.2 Dự báo chỉ số chứng khoán Việt Nam 56 KẾT LUẬN 62 TÀI LIỆU THAM KHẢO 64 PHỤ LỤC 66 iii Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn DANH MỤC BẢNG BIỂU Bảng 2.1 Số lƣợng sinh viên nhập học 34 Bảng 2.2 Các nhóm mối quan hệ mờ 35 Bảng 2.3 Kết quả dự báo của các phƣơng pháp khác nhau 36 Bảng 2.4 So sánh hiệu quả thuật toán 37 Bảng 3.1 Nhiệt độ trung bình từ 01.6.1996 đến 30.9.1996 41 Bảng 3.2 Các giá trị mờ hóa 42 Bảng 3.3 Nhóm quan hệ mờ có trọng bậc 3 43 Bảng 3.4 Rút gọn của nhóm quan hệ mờ có trọng bậc 3 44 Bảng 3.5 Dự báo nhiệt độ trung bình của tháng 6.1996 44 Bảng 3.6 Dự báo nhiệt độ trung bình của tháng 6.1996 bằng mô hình bậc 1 45 Bảng 3.7 Dự báo nhiệt độ trung bình của tháng 6.1996 bằng mô hình bậc 2 46 Bảng 3.8 So sánh hiệu quả thuật toán 47 Bảng 3.9 Dữ liệu chỉ số chứng khoán TAIFEX 48 Bảng 3.10 Các giá trị mờ hóa 49 Bảng 3.11 Nhóm quan hệ mờ có trọng bậc 3 51 Bảng 3.12 Rút gọn của nhóm quan hệ mờ có trọng bậc 3 52 Bảng 3.13 Kết quả dự báo chỉ số chứng khoán TAIFEX 53 Bảng 3.14 So sánh với các phƣơng pháp dự báo khác 54 Bảng 3.15 Số liệu chỉ số VN-index trong tháng 4 và tháng 5 năm 2012 56 Bảng 3.16 Các giá trị mờ hóa 57 Bảng 3.17 Nhóm quan hệ mờ có trọng bậc 3 59 Bảng 3.18 Rút gọn của nhóm quan hệ mờ có trọng bậc 3 60 Bảng 3.19 Giá trị dự báo 60 iv Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn DANH MỤC HÌNH VẼ Hình 2.1 Hàm liên thuộc của tập mờ “cao” 16 Hình 2.2 Cấu hình cơ bản của hệ mờ 20 Hình 2.3 Minh hoạ các phƣơng pháp giải mờ 22 Hình 2.4 Đồ thị kết quả dự báo kết quả theo các thuật toán 38 Hình 3.1 Biểu đồ so sánh giá trị dự báo giữa các bậc 48 Hình 3.2 Biểu so sánh giá trị thực và giá trị dự báo 56 Hình 3.3 Biểu đồ so sánh giá trị thực tế và giá trị dự báo chỉ số VN-index 62 Hình PL.1. Giao diện chƣơng trình 66 Hình PL.2. Chƣơng trình dự báo nhiệt độ 67 Hình PL.3. Chƣơng trình dự báo chỉ số VN-Index 67 Hình PL.4. Chƣơng trình dự báo chỉ số chứng khoán 68 1 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn MỞ ĐẦU Khoa học máy tính ngày nay phát triển luôn gắn liền với cuộc sống kinh tế xã hội. Nó không còn là việc lập trình ra những phần mềm quản lý để vận hành máy móc trong một số lĩnh vực cụ thể của ngành công nghệ thông tin đơn thuần. Giờ đây việc đi sâu vào tính ứng dụng với khả năng phân tích các số liệu trong kinh tế, xã hội một cách khoa học để có đƣợc những kết quả tính toán tối ƣu đang trở thành một công cụ đắc lực giúp cho các nhà quản lý, các nhà đầu tƣ dự báo hay đánh giá đƣợc tính chính xác trong kết quả công việc của mình. Để có đƣợc những kết quả đánh giá tối ƣu với tính chính xác cao từ kho dữ liệu tích lũy đƣợc, đòi hỏi các nhà khoa học phải luôn đi tìm các hƣớng tiếp cận để phân tích cũng nhƣ dự báo số liệu và phƣơng pháp phân tích chuỗi thời gian đang là hƣớng đi mà các nhà khoa học lựa chọn và kỳ vọng. Bằng các công cụ hữu hiệu của xác suất thống kê, phân tích chuỗi thời gian là công cụ quan trọng để phân tích số liệu trong kinh tế, xã hội cũng nhƣ trong nghiên cứu khoa học và từ đó trích xuất ra những thông tin quan trọng từ các dãy số liệu thống kê cơ bản. Phƣơng pháp phân tích chuỗi thời gian trƣớc đây chủ yếu sử dụng các công cụ thống kê nhƣ hồi qui, phân Fourie và các công cụ phân tích khác nhƣng kết quả đem lại chƣa cao. Phƣơng pháp hiệu quả nhất có lẽ phải kể đến là phƣơng pháp sử dụng mô hình ARIMA của Box-Jenkins. Ƣu điểm của mô hình này là cho kết quả khá tốt trong phân tích dữ liệu và đang đƣợc sử dụng rất rộng rãi trong thực tế. Tuy nhiên trong một số lĩnh vực nhất là trong kinh tế, mô hình ARIMA lại chƣa thể hiện đƣợc tính hiệu quả vì chuỗi số liệu diễn biến mang tính chất phi tuyến. Do đó để dự báo chuỗi thời gian trong kinh tế, các nhà khoa học phải có những cải biên nhƣ sử dụng mô hình ARCH để có đƣợc những phân tích và đánh giá về sự rủi ro gặp phải. Để vƣợt qua đƣợc những khó khăn trên trong phân tích chuỗi thời gian, gần đây nhiều tác giả đã sử dụng mô hình chuỗi thời gian mờ. Khái niệm tập mờ đƣợc Zadeh đƣa ra từ năm 1965 và ngày càng tìm đƣợc ứng dụng trong nhiều lĩnh vực khác nhau nhất là trong điều khiển và trí tuệ nhân tạo. Trong lĩnh vực phân tích chuỗi thời gian, Song và Chissom [10-12] đã đƣa ra khái niệm chuỗi thời gian mờ không phụ thuộc vào thời gian (chuỗi thời gian dừng) và phụ thuộc 2 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn vào thời gian (không dừng) để dự báo. Chen [14] đã cải tiến và đƣa ra phƣơng pháp mới đơn giản và hữu hiệu hơn so với phƣơng pháp của Song và Chissom. Trong phƣơng pháp của mình, thay vì sử dụng các phép tính tổ hợp Max-Min phức tạp, Chen đã thiết lập nhóm các mối quan hệ mờ và qua đó sử dụng các phép tính số học đơn giản để tính toán dự báo. Phƣơng pháp của Chen cho hiệu quả cao hơn về mặt sai số dự báo và giảm độ phức tạp của thuật toán. Từ các công trình ban đầu về chuỗi thời gian mờ đƣợc xuất hiện năm 1993, hiện nay mô hình này đang đƣợc sử dụng để dự báo trong rất nhiều lĩnh vực của kinh tế hay xã hội nhƣ dự báo số sinh viên nhập trƣờng, số khách du lịch, dân số, chứng khoán và trong đời sống nhƣ dự báo mức tiêu thụ điện, hay dự báo nhiệt độ của thời tiết… Tuy nhiên xét về độ chính xác của dự báo, các thuật toán trên cho kết quả chƣa cao. Trong những năm gần đây, một số tác giả đã sử dụng nhiều kỹ thuật khác nhau để tìm mô hình hữu hiệu cho chuỗi thời gian mờ. Những kỹ thuật trong lý thuyết tính toán mềm, khai phá dữ liệu, mạng nơ ron và các giải thuật tiến hoá đều đƣợc đƣa vào sử dụng. Một số tác giả sử dụng phƣơng pháp phân cụm nhƣ công trình của Chen et al trong [16], tập thô [4] hay sử dụng khái niệm tối ƣu đám đông nhƣ trong công trình [8] để xây dựng các thuật toán trong mô hình chuỗi thời gian mờ. Ngoài ra, một số tác giả khác đã sử dụng thêm thông tin khác trong chứng khoán để dự báo chính xác hơn các chỉ số chứng khoán. Từ đó nảy sinh ra mô hình chuỗi thời gian mờ loại 2 khi đồng thời với chuỗi thời gian chính còn sử dụng số liệu của các tham số phụ để đƣa ra dự báo. Có thể kể ra đây công trình của Chu et.al [6]. Một trong các hƣớng đƣợc phát triển là sử dụng mối quan hệ mờ bậc cao trong mô hình chuỗi thời gian mờ. Chen [15] tiếp tục là ngƣời đi đầu khi xây dựng đƣợc thuật toán để xử lý mối quan hệ mờ bậc cao. Sau đó hƣớng này đƣợc một số tác giả khác tiếp cận và ứng dụng trong các công trình của mình. Trong các công trình này, các tác giả chủ yếu sử dụng thuật toán của Chen nhƣng có cải tiến đôi chút trong việc đƣa ra các luật khác nhau để giải mờ. Riêng Singh trong bài báo [17] đã xây dựng mô hình chuỗi thời gian mờ bậc cao bằng cách mở rộng thuật toán đơn giản của mình xây dựng trong các công trình trƣớc đây. Một cải tiến trong mô hình bậc cao là dùng các trọng số để nâng cao độ chính xác thuật toán. Tƣ tƣởng của nó là khi tạo các nhóm quan hệ mờ, nhiều khi không tính đến sự lặp lại của các tập mờ trong nhóm. Để tính đến sự đóng góp [...]... nam cũng đã có những kết quả theo hƣớng này Với mục tiêu tìm hiểu về việc sử dụng mô hình chuỗi thời gian mờ trong dự báo, đặc biệt là việc sử dụng mô hình chuỗi thời gian mờ có trọng số bậc cao, em đã lựa chọn đề tài Mô hình chuỗi thời gian mờ có trọng số bậc cao và ứng dụng làm đề tài cho luận văn tốt nghiệp của mình Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn... mô hình chuỗi thời gian mờ và gần đây nhất trong công trình [3], tác giả đã sử dụng mô hình chuỗi thời gian mờ bậc cao nhƣng phát triển theo hƣớng đƣa ra khái niệm mới là nhóm quan hệ mờ bậc cao để có thể sử dụng thuật toán mà tác giả đã xây dựng trong [2] Nhờ có mối quan hệ mờ bậc cao này việc tính toán để giải mờ sẽ đơn giản hơn Nhƣ đã trình bầy ở phần tổng quan, mô hình chuỗi thời gian mờ đang có. .. cạnh đó trình bầy một số lớp mô hình chuỗi thời gian hết sức thông dụng trong thực tế, đó là: mô hình tự hồi quy, mô hình trung bình trƣợt và mô hình kết hợp của 2 mô hình này là mô hình ARMA (Autoregressive Moving Average) với những hạn chế của nó khi áp dụng với chuỗi thời gian tài chính 1.1 Các kiến thức cơ bản về chuỗi thời gian 1.1.1 Khái niệm chuỗi thời gian Một chuỗi thời gian là một dãy các giá... các giá trị có thể có của một biến bằng cách sử dụng giá trị của biến khác trong cùng chuỗi thời gian Các mô hình hồi quy phổ biến nhất trong kỹ thuật gồm:  Mô hình tự hồi quy (AR)  Mô hình trung bình trƣợt (MA)  Mô hình ARMA  Mô hình ARIMA  Mô hình CARIMA Trong luận văn này em chỉ đề cập đến 3 mô hình thƣờng gặp là: mô hình tự hồi quy, mô hình trung bình trƣợt và mô hình ARMA 1.3.1 Mô hình tự hồi... dùng cho phân tích chuỗi thời gian thông thƣờng gồm:  Mô hình hồi quy  Mô hình miền thời gian  Mô hình miền tần số Trong đó mô hình miền thời gian bao gồm:  Mô hình hàm chuyển  Mô hình trạng thái không gian 1.3 Mô hình hồi quy Mô hình hồi quy đƣợc xây dựng bằng việc sử dụng phân tích hồi quy Đây là phƣơng pháp dùng trong việc nghiên cứu mối quan hệ giữa biến, đánh giá và dự Số hóa bởi Trung tâm... học Thái Nguyên http://www.lrc-tnu.edu.vn 4 Luận văn đƣợc chia làm 3 chƣơng với các nội dung nghiên cứu chính: Chƣơng 1: Tổng quan về chuỗi thời gian Chƣơng 2: Mô hình chuỗi thời gian mờ có trọng số bậc cao Chƣơng 3: Ứng dụng mô hình chuỗi thời gian mờ có trọng số bậc cao Luận văn này đƣợc hoàn thành dƣới sự hƣớng dẫn tận tình của T.S Nguyễn Công Điều, tác giả xin bày tỏ lòng biết ơn chân thành của... xuất mô hình chuỗi thời gian mờ bậc cao nhƣ sau: 1 Xác định tập U bao gồm khoảng giá trị của chuỗi thời gian Khoảng này xác định từ giá trị nhỏ nhất đến giá trị lớn nhất có thể của chuỗi thời gian 2 Chia khoảng giá trị và xác định các tập mờ trên tập U 3 Mờ hoá các dữ liệu chuỗi thời gian 4 Thiết lập các mối quan hệ mờ, thí dụ nhƣ mối quan hệ mờ bậc 2 nhƣ sau: giá trị tại thời điểm t-2 và t-1 của chuỗi. .. sử F(t) suy đồng thời từ F(t-1), F(t-2),…, F(t-m) m>0 và là chuỗi thời gian mờ dừng Khi đó mối quan hệ mờ có thể viết đƣợc F(t-1), F(t-2),…, F(t-m) F(t) và gọi đó là mô hình dự báo bậc m của chuỗi thời gian mờ Định nghĩa 6: Nhóm quan hệ mờ bậc cao Để đơn giản, ta chỉ xét mối quan hệ mờ bậc 2 Ai1,Ai2  Aj Giả sử đối với tập Ai1 có nhóm quan hệ mờ Ai1  Ak,Am và Ai2 có nhóm quan hệ mờ Ai2  Ap,Aq Khi...3 của các tập mờ lặp lại trong các nhóm, ngƣời ta đƣa ra trọng số cho các tập đó Kiểu tạo trọng số này đƣợc Yu [7] đƣa ra lần đầu tiên Sau này, một số kiểu trọng số khác nhau nhƣ trọng xu hƣớng đƣợc đƣa vào trong [4] Mô hình chuỗi thời gian mờ có trọng còn đƣợc tiếp tục nghiên cứu trong các năm gần đây nhƣ các bài báo [8],[9] Ở Việt Nam, mô hình chuỗi thời gian mờ là một vấn đề mới chƣa... cách đều thì biến chỉ số có thể bỏ qua Trong trƣờng hợp một chuỗi thời gian đơn biến có thể đƣợc biểu diễn chính xác bởi một mô hình toán học thì chuỗi thời gian đó đƣợc cho là xác định Nếu không, nếu chuỗi thời gian chỉ có thể đƣợc biểu diễn bằng một hàm phân bố xác suất thì chuỗi thời gian đƣợc cho là không xác định hoặc ngẫu nhiên 1.1.3.5 Chuỗi thời gian đa biến Chuỗi thời gian đa biến đƣợc sinh . chính: Chƣơng 1: Tổng quan về chuỗi thời gian. Chƣơng 2: Mô hình chuỗi thời gian mờ có trọng số bậc cao. Chƣơng 3: Ứng dụng mô hình chuỗi thời gian mờ có trọng số bậc cao. Luận văn này đƣợc hoàn. 41 ỨNG DỤNG MÔ HÌNH CHUỖI THỜI GIAN MỜ 41 CÓ TRỌNG BẬC CAO 41 3.1 Ứng dụng trong bài toán dự báo nhiệt độ 41 3.1.1 Ứng dụng thuật toán chuỗi thời gian mờ có trọng bậc 3 41 3.1.2 Ứng dụng thuật. Một số thuật toán bậc cao 26 2.4.3 Chuỗi thời gian mờ có trọng bậc cao 30 2.4.4 Mô hình chuỗi thời gian mờ có trọng của Hui – Kuang Yu 32 2.4.5 Thuật toán bậc cao có trọng 38 CHƢƠNG 3 41 ỨNG