Một số vấn đề an ninh trong mạng máy tính không dây

MỞ ĐẦU Chuỗi thời gian sử dụng công cụ hữu hiệu để phân tích kinh tế, xã hội nghiên cứu khoa học Chính tầm quan trọng phân tích chuỗi thời gian, nhiều tác giả đề xuất công cụ để phân tích chuỗi thời gian Trong năm trước, công cụ chủ yếu để phân tích chuỗi thời gian sử dụng công cụ thống kê hồi qui, phân tích Furie vài công cụ khác Nhưng hiệu có lẽ mô hình ARIMA Box-Jenkins Mô hình cho kết tốt phân tích liệu Tuy nhiên phức tạp thuật toán gây khó khăn ứng dụng phân tích chuỗi số liệu, chuỗi số liệu có thay đổi phản ánh phi tuyến mô hình Để vượt qua khó khăn trên, gần nhiều tác giả sử dụng mô hình chuỗi thời gian mờ Khái niệm tập mờ Zadeh đưa từ năm 1965 ngày tìm ứng dụng nhiều lĩnh vực khác điều khiển trí tuệ nhân tạo Trong lĩnh vực phân tích chuỗi thời gian, Song Chissom đưa khái niệm chuỗi thời gian mờ phụ thuộc vào thời gian không phụ thuộc vào thời gian để dự báo Chen cải tiến đưa phương pháp đơn giản hữu hiệu so với phương pháp Song Chissom Trong phương pháp mình, thay sử dụng phép tính tổ hợp Max- Min phức tạp, Chen tính toán phép tính số học đơn giản để thiết lập mối quan hệ mờ Phương pháp Chen cho hiệu cao mặt sai số dự báo độ phức tạp thuật toán Từ công trình ban đầu chuỗi thời gian mờ xuất năm 1993, mô hình sử dụng để dự báo nhiều lĩnh vực kinh tế hay xã hội lĩnh vực giáo dục để dự báo số sinh viên nhập trường, hay lĩnh vực dự báo thất nghiệp, lĩnh vực dân số, chứng khoán nhiều lĩnh vực khác tiêu thụ điện, hay dự báo nhiệt độ thời tiết… Tuy nhiên xét độ xác dự báo, số thuật toán cho kết chưa cao Để nâng cao độ xác dự báo, số thuật toán cho moo hình chuỗi thời gian mờ liên tiếp đưa Chen sử dụng mô hình bậc cao chuỗi thời gian mờ để tính toán Sah Degtiarev thay dự báo chuỗi thời gian sử dụng chuỗi thời gian hiệu số bậc để nâng cao độ xác Đây phương pháp hay sử dụng mô hình Box-Jenkins để loại bỏ tính không dừng chuỗi thời gian Huarng sử dụng thông tin có trước tính chất chuỗi thời gian mức độ tăng giảm để đưa mô hình heuristic chuỗi thời gian mờ Trong thời gian gần đây, đề tài số tác giả nghiên cứu Các hướng tập trung nâng cao độ xác dự báo mô hình chuỗi thời gian mờ Bài báo I-Hong Kuo tác giả (2008) đưa phương pháp tăng độ xác dự báo tối ưu phần tử đám đông (Particle swarm optimaization) Ching Hsue Cheng đồng tác giả (2008) mở rông nghiên cứu phương pháp kỳ vọng (Exspectation method) Phương pháp lựa chọn mức (Grade Selection Method) thông qua ma trận chuyển dịch có trọng Ngoài có xu hướng sử dụng kết hợp phương pháp khác với chuỗi thời gian mờ phương pháp mạng Nơ ron Cagdas H Aladag (2008) hay Medey Khascay (2008) Ngay nhà nghiên cứu sâu lĩnh vực Huarng mở rộng theo hướng từ năm 2006 Thuật toán di truyền tìm ứng dụng hướng nghiên cứu Năm 2007 có báo Li-Wei Lee sử dụng mối quan hệ mờ thuật toán di truyền để dự báo nhiệt độ số tài Đài Loan Ngoài số tác giả khác tìm thuật toán khác đơn giản để dự báo báo Singh (2007) hay thuật toán dựa vào trend chuỗi thời gian (Baldwin 2000) Nghiên cứu dự báo chuỗi thời gian toán gây ý nhà toán học, kinh tế, xã hội học, Các quan sát thực tế thường thu thập dạng chuỗi số liệu Từ chuỗi số liệu người ta rút quy luật trình mô tả thông qua chuỗi số liệu Nhưng ứng dụng quan trọng dự báo khả xảy cho chuỗi số liệu Những thí dụ dẫn báo đưa khả dự báo kinh tế dự báo số chứng khoán, mức tăng dân số, dự báo nhu cầu sử dụng điện, dự báo số lượng sinh viên nhập học trường đại học Các thí dụ dẫn ngành kinh tế kỹ thuật Như trình bày phần trên, có nhiều phương pháp dự báo chuỗi thời gian Thông thường để dự báo, người ta sử dụng công cụ mạnh thống kê mô hình ARIMA Mô hình thích ứng hầu hết cho chuỗi thời gian dừng tuyến tính Trong chương trình xử lý số liệu có phần để dự báo chuỗi thời gian Nhưng chuỗi số liệu phi tuyến, số liệu kinh tế, sử dụng mô hình ARIMA hiệu Chính phải có phương pháp khác để xử lý chuỗi số liệu phi tuyến Đã có nhiều người sử dụng công cụ mạng nơ ron để xử lý tính chất phi tuyên chuỗi số liệu Đây hướng nhiều người tiếp cận có sách chuyên khảo vấn đề thí dụ Mandic Chambers “ Recurrent neural network and prediction” in vào năm 2001 Một hướng khác sử dụng khái niệm mờ để đưa thuật ngữ “ Chuỗi thời gian mờ” Phương pháp sử dụng chuỗi thời gian mờ đưa từ năm 1994 đến tiếp tục nghiên cứu để làm tăng độ xác dự báo Trong đề tài em trình bày phương pháp dự báo số chứng khoán công cụ chuỗi thời gian mờ số tác giả phát triển Tư tưởng phương pháp sử dụng số khái niệm Huarng Chen, Hsu để phát triển thuật toán Dựa thuật toán đề ra, em tính toán toán thực tế dựa liệu lấy từ thị trường chứng khoán Đài Loan để kiểm chứng Kết thu khả quan Độ xác dự báo nâng lên nhiều so với thuật toán trước đề Nội dung luận văn nghiên cứu khái niệm, tính chất thuật toán khác mô hình chuỗi thời gian mờ để dự báo cho số chuỗi số kinh tế xã hội, trình bày chương: Chương 1: trình bày kiến thức chuỗi thời gian Chương 2: trình bày Lý thuyết tập mờ chuỗi thời gian mờ Chương 3: trình bày số thuật toán chuỗi thời gian mờ số thuật toán cải tiến Luận văn hoàn thành hướng dẫn tận tình TS Nguyễn Công Điều, tác giả xin bày tỏ lòng biết ơn chân thành thầy Tác giả xin chân thành cảm ơn thầy giáo Viện công nghệ thông tin, khoa Công nghệ thông tin Đại học Thái Nguyên tham gia giảng dạy giúp đỡ em suốt qúa trình học tập nâng cao trình độ kiến thức Tuy nhiên điều kiện thời gian khả có hạn nên luận văn tránh khỏi thiếu sót Tác giả mong thầy cô giáo bạn đóng góp ý kiến để đề tài hoàn thiện CHƯƠNG CÁC KIẾN THỨC CƠ BẢN VỀ CHUỖI THỜI GIAN Trong phần này, tìm hiểu lớp mô hình chuỗi thời gian thông dụng thực tế Đó mô hình quy trình trượt ARMA(Autoregressive Moving Average) Ta nghiên cứu đặc trưng trình ARMA, xem xét tổng quan phương pháp ước lượng tham số lớp mô hình thấy rõ hạn chế áp dụng vào chuỗi thời gian tài Ngoài ra, mô hình ARMA đóng vai trò quan sở để xây dựng mô hình ARCH sau Chuỗi thời gian trình ngẫu nhiên Trước vào chi tiết tìm hiểu mô hình ARMA, ta nhắc lại số khái niệm liên quan đến chuỗi thời gian trình ngẫu nhiên Dù ta vào chi tiết mô hình khái niệm theo suốt trình nghiên cứu chuỗi thời gian 1.1 Khái niệm chuỗi thời gian trình ngẫu nhiên Một chuỗi thời gian dãy giá trị quan sát X:={x1, x2,……… xn} xếp thứ tự diễn biến thời gian với x giá trị quan sát thời điểm đầu tiên, x2 quan sát thời điểm thứ xn quan sát thời điểm thứ n Ví dụ: Các báo cáo tài mà ta thấy ngày báo chí, tivi hay Internet số chứng khoán, tỷ giá tiền tệ, số tăng cường hay số tiêu dùng thể thực tế chuỗi thời gian Bước việc phân tích chuỗi thời gian chọn mô hình toán học phù hợp với tập liệu cho trước X:={x1, x2,……… xn}nào Để nói chất quan sát chưa diễn ra, ta giả thiết quan sát xt giá trị thể biến ngẫu nhiên Xt với t∈T Ở T gọi tập số Khi ta coi tập liệu X:={x1, x2,……… xn} thể trình ngẫu nhiên{ Xt, t∈T} Và vậy, ta định nghĩa trình ngẫu nhiên sau Định nghĩa 1.1(Quá trình ngẫu nhiên) Một trình ngẫu nhiên họ biến ngẫu nhiên { Xt, t∈T} định nghĩa không gian xác suất(Ω, Α,Ρ) Chú ý: Trong việc phân tích chuỗi thời gian, tập số T tập thời điểm, ví dụ tập {1,2 } hay tập (-∞,+∞) Tất nhiên có trình ngẫu nhiên có T tập R giới hạn luận văn ta xét cho trường hợp T∈R Và thường ta xem T tập số nguyên, ta sử dụng ký hiệu tập số Z thay T Một điểm ý luận văn dùng thuật ngữ chuỗi thời gian để đồng thời liệu trình có liệu thể 1.2 Quá trình ngẫu nhiên dừng Định nghĩa 1.2 (Hàm tự hiệp phương sai) Giả sử { Xt, t∈ Z} trình ngẫu nhiên có var(Xt) 1) Xt gọi trình nhân tự hồi qui cấp p nói chung ta xét trình nhân Các đặc trưng trình tự hồi quy cấp p: - E(Xt) = - γ (0) = ∑ γ (i )+ | σ - p ρ (h) − ∑ ρ (h − i) = 0, ∀h > i =1 p t =1 Lần lượt cho h = 1,2,….p ta ρ(1) ρ(1) … … ρ(p-2)… ρ(p-1) … ρ(p-2) … ρ(p-3) … … ρ(p-3) ρ(p-2) ρ(1) ρ(p-1) ρ(p-1) … ρ(1) 10 Theo định nghĩa phần ta lập chuỗi thời gian mờ tương ứng với tập mờ xác định mối quan hệ mờ thời điểm t = 1,2,…,47 Có thể thấy mối quan hệ sau: A 21 → A21 , A21 → A20 , A20 → A21, …, A9 → A8 Từ xác định nhóm mối quan hệ mờ theo định nghĩa phần Thí dụ ta nhận nhóm quan hệ mờ sau: A 21 → A19, A20, A21 toàn thể nhóm quan hệ mờ thể bảng A1 → A3 A7 → A13 A12 → A8,A10 A18 → A10,A17,A18 A3 → A1,A3,A5 A8 → A6,A7,A10 A13 → A12 A19 → A18,A19 A4 → A3 A9 → A8 A14 → A11 A20 → A20,A21 A5 → A6 A10 → A16 A5,A8,A9,A11,A14 A6 → A21 → A19,A20,A21 A13,A16,A17 → A11 → A10,A11,A12 A17 A4,A6,A8,A10 → A16,A17,A18 Bảng Nhóm mối quan hệ mờ Bước 5: Lập mối quan hệ mờ thời điểm t Sau đó, tính nhóm quan hệ mờ heuristic có sử dụng tính chất hiệu số bậc hàm h xác định theo định nghĩa 5, vai trò biến x hiệu số bậc thời điểm t Như nhóm quan hệ mờ phụ thuộc vào thời điểm t chuỗi thời gian mờ Thí dụ nhóm quan hệ A10 → A5,A8,A9,A11,A14 thời điểm t1 hiệu số bậc âm thì: h10(∆t1, A5,A8,A9,A11,A14 ) = A5,A8,A9 Còn thời điểm t2 hiệu số bậc dương hàm heuristic cho giá trị h10(∆t1, A5,A8,A9,A11,A14 ) = A11,A14 52 Sử dụng hàm heuristic xác định nhóm mối quan hệ mờ heuristic cho thành phần chuỗi thời gian mờ Bước 6: Dự báo Sử dụng hàm heuristic để dự báo giá trị cho chuỗi thời gian Nguyên tắc dự báo sau: Giả sử thời điểm t, giá trị mờ thời điểm suy từ giá trị mờ thời điểm t-1 theo công thức F(t) = F(t-1) * R(t-1, t), hay viết Ai → Aj Như theo phương pháp truyền thống, phải tính mối quan hệ R(t-1, t) Trong phương pháp heuristic, mối quan hệ sử dụng nhóm quan hệ mờ Trong phương pháp em đề xuất để dự báo giá trị mờ A j, em sử dụng hàm heuristic cho nhóm quan hệ mờ A i Như thời điểm t ta phải tính hàm h (theo định nghĩa 5) heuristic thời điểm t-1 tức mối quan hệ mờ Ai Nhóm quan hệ mờ nhóm mối quan hệ mờ heuristic thời điểm t tính toán cụ thể theo bảng sau: Actual index Giá Hiệu Hiệu trị số bậc số mờ bậc Nhóm quan hệ mờ Nhóm quan hệ heuristic Điểm tính 7552 A21 7560 A21 7487 A20 -73 -81 A19,A20,A21 A19,A20 0.5,0.75 7462 A20 -25 48 A20,A21 A20 0.25 7515 A21 53 78 A20,A21 A20,A21 0.5,0.75 7365 A19 150 97 7360 A19 -5 -155 A18,A19 A18,A19 0.5,0.75 7330 A18 -30 -25 A18,A19 A18 0.75 7291 A17 -29 A16,A17.A18 A16,A17 0.5,0.75 7320 A18 29 58 A16,A17,A18 A18 0.75 7300 A18 -20 -49 A16,A17,A18 A16,A17,A18 0.25,0.5,0.75 7219 A16 -81 -61 A16,A17,A18 A16 0.75 7220 A16 82 A13,A16,A17 A16,A17 0.5,0.75 A19,A20,A21 A19,A20,A21 0.25,0.5,0.75 53 7283 A17 63 62 A13,A16,A17 A17 0.75 7274 A17 -9 -72 A16,A17,A18 A16,A17 0.5,0.75 7225 A16 -49 -40 A16,A17,A18 A16 0.75 6955 A13 -270 -221 A13,A16,A17 A13 0.75 6949 A12 -6 264 A12 A12 0.25 6790 A8 -159 -153 A8,A10 A8 0.75 6835 A10 45 204 A6,A7,A10 A10 0.75 6695 A5 -140 -185 A5,A8,A9,A11,A14 A5 0.75 6728 A6 33 173 A6 A6 0.75 6566 A4 -162 -195 A4,A6,A8,A10 A4 0.75 6409 A3 -157 A3 A3 0.25 6430 A3 21 178 A1,A3,A5 A3,A5 0.5,0.75 6200 A1 -230 -251 A1,A3,A5 A1 0.75 6403.2 A3 203.2 433.2 A3 A3 0.75 6697.5 A5 294.3 91.1 A1,A3,A5 A5 0.75 6722.3 A6 24.8 -269.5 A6 A6 0.25 6859.4 A10 137.1 112.3 A4,A6,A8,A10 A10 0.75 6769.6 A8 -89.8 -226.9 A5,A8,A9,A11,A14 A5,A8 0.5,0.75 6709.75 A6 -59.85 29.95 A6,A7,A10 A6 0.25 6726.5 A6 16.75 76.6 A4,A6,A8,A10 6774.55 A8 48.05 31.3 A4,A6,A8,A10 A8,A10 0.5,0.75 6762 A7 -12.55 -60.6 A6,A7,A10 A6,A7 0.5,0.75 6952.75 A13 190.75 203.3 A13 A13 0.75 A6,A8,A10 0.25,0.5,0.75 6906 A12 -46.75 -237.5 A12 A12 0.75 6842 A10 -64 -17.25 A8,A10 A8,A10 0.5,0.75 7039 A14 197 261 A5,A8,A9,A11,A14 A14 0.75 6861 A11 -178 -375 A11 A11 0.75 6926 A12 65 243 A10,A11,A12 A12 0.75 6852 A10 -74 -139 A8,A10 A8,A10 0.5,0.75 6890 A11 38 112 A5,A8,A9,A11,A14 A11,A14 0.5,0.75 6871 A11 -19 -57 A10,A11,A12 A10,A11 0.5,0.75 6840 A10 -31 -12 A10,A11,A12 A10 0.75 6806 A9 -34 -3 A5,A8,A9,A11,A14 6787 A8 -19 15 A8 54 A5,A8,A9 0.25,0.5,0.75 A8 0.25 Bảng Nhóm quan hệ mờ nhóm quan hệ mờ heuristic điểm tính để dự báo Các qui tắc dự báo Qui tắc 1: Nếu quan hệ mờ heuristic Ai rỗng Ai → giá trị dự báo F(t) mi giá trị điểm ui Qui tắc 2: Nếu quan hệ mờ heuristic Ai một, nghĩa Ai → Ak giá trị dự báo F(t) điểm giữa, điểm điểm đoạn uk tuỳ thuộc theo tính chất hiệu số bậc bậc chuỗi thời gian thời điểm t (xem bảng 6, lấy giá trị cuối bên phải) 55 Qui tắc 3: Nếu quan hệ mờ heuristic Ai nhiều ta xác định theo giá trị khác khoảng ui dựa vào thông tin chuỗi thời gian sau: Đối với thời điểm t, ta cần giá trị chuỗi thời gian f(t-2), f(t-1), f(t) Tại thời điểm t, ta cần xác định hiệu số bậc ∆ = f(t) – f(t-1) hiệu số bậc hai ∆2 = (f(t) – f(t-1)) – (f(t-1)- f(t-2)) giá trị chuỗi thời gian dựa vào cách xác định hàm h(∆, Ap1, Ap2, …, Apm) để xác định mối quan hệ mờ heuristic thời điểm t theo giá trị dương hay âm ∆ Trong luận văn em sử dụng hiệu số bậc để xác định thêm tính chất chuỗi thời gian Tuỳ theo tính chất tăng, giảm chuỗi thời gian thời điểm t để xác định giá trị dự báo khoảng mối quan hệ mờ Một khoảng u i ta xác định giá trị khoảng (0.5), khoảng (0.75) khoảng (0.25) Các giá trị xác định tương ứng với giá trị mờ hoá A i tương ứng với khoảng ui ta quan tâm đến giá trị mờ hoá gần với A j Các giá trị khác lấy điểm gần Do vậy, ta có qui luật lấy giá trị khoảng tương ứng sau: Tính chất chuỗi Hiệu bậc Hiệu bậc Các điểm lấy giá trị Giảm từ từ ∆ 0.75, …, 0.75, 0.5, 0.25 Giảm nhanh ∆0 ∆2 > 0.25, …, 0.25, 0.5, 0.75 Tăng từ từ ∆>0 ∆2 < 0.75, …, 0.75, 0.5, 0.25 Bảng Các điểm lấy giá trị dự báo khoảng Giá trị dự báo chuỗi thời gian thời điểm t giá trị trung bình giá trị dựa vào bảng Dựa vào bảng 6, ta dự báo chuỗi thời gian thời điểm t Em đưa trường hợp làm thí dụ Ngày 10/9 ngày 11/9 có giá trị tương ứng bảng 6709,7 6726,5 Còn bảng hai hàng bôi đen Giá trị mờ chuỗi thời 56 gian tương ứng – 59.85 16.75 tức giá trị âm giá trị dương Mối quan hệ ngày 10/9 A8 → A6 Như để dự báo ta cần nhóm quan hệ A8 → A6,A7,A10 Để tính quan hệ mờ heuristic, ta sử dụng hàm heuristic h6(∆,A6,A7,A10) = A6 ∆ âm nên lấy số ≤ Như giá trị dự báo rơi vào giá trị mờ A tương ứng với khoảng u6 = [6700-6730] Giá trị hiệu số bậc hai dương, để xem lấy điểm khoảng dự báo ta lại xem bảng 6: ∆ < 0, ∆ > nên theo bảng giá trị lấy điểm khoảng (0.25) Điểm tương ứng với giá trị xấp xỉ 6708 Như ta dự báo xong thời điểm ngày 10/9 Tính tiếp dự báo cho ngày 11/9 Dự báo theo quan hệ F(10/9) → F(11/9) hay A6 →A6 Nhóm quan hệ mờ A6 → A4,A6,A8,A10 Xác định nhóm quan hệ mờ heuristic sử dụng hàm heuristic với hiệu số bậc thời điểm có giá trị 16.75 tức giá trị dương, ta thu sau: h6(∆, A4,A6,A8,A10) = A6,A8,A10 ∆ dương nên lấy số ≥ Như giá trị dự báo lấy trung bình khoảng u 6,u8,u10 Điểm lấy giá trị tơng ứng khoảng lại xét dấu hiệu số bậc hiệu số bậc thời điểm Tính toán cho thấy hai dương nên tính chất chuỗi số liệu tăng nhanh nên điểm tính tương ứng 0.25, 0.5, 0.75 ba khoảng dự báo giá trị trung bình giá trị Điểm 0.25 khoảng u6 6708 Điểm 0.5 u8 có giá trị 6785, điểm 0.75 khoảng u10 có giá trị 6852 Như giá trị dự báo f(11/9) là: f(11/9) = (6708 +6785+6852)/3 = 6781.7 ≈ 6782 Lập bảng ta dễ dàng tính giá trị dự báo 57 * Kết tính toán Em sử dụng thuật toán để tính toán số thị trường chứng khoán Đài Loan TAIFEX theo số liệu đưa Kết tính toán so sánh với kết thuật toán Chen thuật toán heuristic hai tham số ba tham số Huarng Kết cho bảng sau: Ngày tháng 03/08/1998 04/08/1998 05/08/1998 06/08/1998 07/08/1998 10/08/1998 11/08/1998 12/08/1998 13/08/1998 14/08/1998 15/08/1998 17/08/1998 18/08/1998 19/08/1998 20/08/1998 21/08/1998 24/08/1998 25/08/1998 26/08/1998 27/08/1998 28/08/1998 29/08/1998 30/08/1998 01/09/1998 02/09/1998 03/09/1998 04/09/1998 05/09/1998 07/09/1998 08/09/1998 09/09/1998 Actual index 5552 7560 7487 7462 7515 7365 7360 7330 7291 7320 7300 7219 7220 7283 7274 7225 6955 6949 6790 6835 6695 6728 6566 6409 6430 6193 6403.2 6697.5 6722.3 6859.4 6769.6 Chen Huarng1 7450 7450 7450 7500 7500 7450 7300 7300 7300 7183.33 7300 7300 7183.33 7183.33 7183.33 7183.33 7183.33 6850 6850 6775 6850 6750 6775 6450 6450 6450 6450 6450 6750 6775 6850 7450 7450 7450 7450 7500 7450 7350 7300 7350 7100 7350 7300 7100 7300 7100 7100 7100 6850 6850 6650 6750 6750 6650 6450 6550 6350 6450 6550 6750 6850 6750 58 Huarng2 7450 7450 7450 7500 7500 7450 7300 7300 7300 7188.33 7300 7300 7100 7300 7188.33 7100 7100 6850 6850 6775 6750 6750 6650 6450 6550 6350 6450 6550 6750 6850 6750 Dự báo 7550 7550 7425 7425 7512.5 7464 7355 7334 7255 7334 7275 7234 7255 7284 7255 7234 6984 6916 6790 6850 6675 6720 6575 6425 6562.5 6275 6475 6675 6710 6850 6720 10/09/1998 11/09/1998 14/09/1998 15/09/1998 16/09/1998 17/09/1998 18/09/1998 19/09/1998 21/09/1998 22/09/1998 23/09/1998 24/09/1998 25/09/1998 28/09/1998 29/09/1998 30/09/1998 MSE 6709.75 6726.5 6774.55 6762 6952.75 6906 6842 7039 6861 6926 6852 6890 6871 6840 6806 6787 6775 6775 6775 6775 6775 6850 6850 6850 6850 6850 6850 6850 6850 6850 6850 6850 9737 6650 6850 6850 6650 6850 6950 6850 6950 6850 6950 6850 6950 6850 6750 6750 6750 7905 6650 6775 6775 6775 6850 6850 6850 6950 6850 6850 6850 6850 6850 6750 6850 6750 5437 6708 6782 6818 6734 6984 6934 6816 7075 6886 6934 6816 6978 6866 6850 6743 6780 1700 Bảng Kết tính toán Cột cuối để tính sai số trung bình bình phương MSE theo công thức: n MSE = ∑( f i =1 i − gi ) n Trong fi giá trị thực gi giá trị dự báo Ta thấy rõ độ xác phương pháo ⅓ phương pháp tốt Huarng * Sau số đồ thị so sánh kết với 59 Hình 3.1: Đồ thị kết dự báo so sánh với thuật toán tham số Huarng Hình3 2: So sánh vớikết thuật toán tham số Huarng 60 Hình 3.3: So sánh kết với thuật toán Chen 3.2 Xây dựng chương trình Chương trình chuỗi thời gian mờ dự báo tỷ giá chứng khoán Đài Loan Chương trình có tính năng: cập nhật số liệu, mở file liệu cần tính toán, mờ hóa, tạo nhóm, Heuristic, dự báo, đồ thị Hình Bảng giá trị thực 61 • Thực lệnh mờ hóa cho ta cột kết mờ Hình Kết mờ • Thực lệnh tạo nhóm tạo cho ta nhóm giá trị Hình Tạo nhóm 62 • Thực lệnh Heuristic cho ta Bảng hỗ trợ Hình Bảng hỗ trợ • Thực lệnh dự báo cho ta cột dự báo Hình Dự báo 63 • Thực lệnh đồ thị cho ta đồ thị so sánh giá trị thực giá trị dự báo Hình Đồ thị 64 KẾT LUẬN Luận văn chủ yếu giới thiệu khái niệm chuỗi thời gian mô hình xử lý chuỗi thời gian Phương pháp chủ yếu để dự báo chỗi thời gian Box Jenkins xây dựng từ năm 70 kỷ trước Đó mô hình ARMA Tuy nhiên mô hình ARMA thích ứng hầu hết cho chuỗi thời gian dừng tuyến tính, chuỗi thời gian có biến thiên nhanh chuỗi số liệu lịch sử ngắn cho kết chưa xác Chuỗi thời gian kinh tế đặc điểm phát triển kinh tế phụ thuộc nhiều vào yếu tố khác nên có nhiều biến thiên mang tính phi tuyến Chính mô hình ARMA xử lý tốt lĩnh vực kinh tế Do em sử dụng phương pháp xây dựng mô hình chuỗi thời gian mờ Song Chilsom phát triển để giải vấn đề Trong luận văn em trình bày số mô hình hay sử dụng chuỗi thời gian mờ Đó thuật toán Chen, Huarng, Singh số tác giả khác Một số cải tiến thuật toán đưa Chương III Luận văn Cuối em xây dựng phần mềm tính toán sở sử dụng thuật toán Chen dự báo số chứng khoán Đài Loan Kết tính toán cho thấy mức độ phù hợp dự báo so với số liệu thực tế Chính vậy, mô hình chuỗi thời gian mờ nhiều tác giả nghiên cứu có nhiều triển vọng ứng dụng xử lý số liệu kinh tế 65 TÀI LIỆU THAM KHẢO [1] Bùi Công Cường, N.D Phước, Hệ mờ, Mạng Nơron ứng dụng (Tuyển tập giảng, NXB Khoa học Kỹ thuật, 2001 [2] Nguyễn Công Điều, “Một thuật toán cho mô hình chuỗi thời gian mờ heuristic dự báo số chứng khoán”, Báo cáo Đại hội Toán học toàn quốc, Quy Nhơn, 2008 [3] T J Ross, “Fuzzy Logic with engineering”, MacGraw Hill (1996) [4] W Ender, “Applied Econometrics Time Series”, Wiley & Son, (1995) [5] R S Tsay, Analysis of finacial Time Series”, Wiley & Son, (2005) [6] Q Song, B.S Chissom, “Fuzzy Time Series and its Model”, Fuzzy set and system, vol 54, pp 269-277, 1993 [7] Q Song, B.S Chissom, “Forecasting Enrollments with Fuzzy Time Series – Part I,” Fuzzy set and system, vol 54, pp 1-9, 1993 – Part II,” Fuzzy set and system, vol 62, pp 1-8, 1994 [8] S.M Chen, “Forecasting Enrollments based on Fuzzy Time Series,” Fuzzy set and system, vol 81, pp 311-319, 1996 [9] S M Chen, C.C Hsu, “A New Methods to Forecast Enrollments Using Fuzzy Time Series”, Inter Journal of Applied Science and Engineering, V.2,N.3, pp 234-244, 2004 [10] K.Huarng, “Heuristic models of fuzzy time series forecasting”, Fuzzy sets and Systems, V.123, pp 369-386, 2001 [11] M Sah, K.Y Degtiarev, “Forecasting Enrollment Model Based on First Order Fuzzy Time Series”, Transactions on Engineering, Computing and technology Enfomatika, v.IV,pp 375-378, 2004 [12] S.R Singh, “A computational method of forecasting based on high-order fuzzy time series”, Expert Systems with Applications, 36 (2009) pp.10551–10559 66 [...]... Vì vậy, quan hệ j j Rj là một hàm ánh xạ từ tập mờ trong X tới tập mờ trong Y, A1j xA2j Χ An → B j j j được gọi là một dạng suy diễn mờ( để cho gọn, ta ký hiệu Aj = A1 xA2 Χ An ) Giả sử A là một tập mờ trong X và là đầu vào của bộ suy diễn Khi đó mỗi luật Rj tạo ra một tập mờ Bj trong Y như sau: Bj = A ° Rj = sup (A*Rj) Với * là một toán tử T - chuẩn được định nghĩa trong bảng 2.1 Do tính kết hợp,... trưng bởi các hàm thuộc µ j µ A và B j Khi đó R j là một quan hệ mờ từ các tập mờ đầu vào X = X1 × i X2 × × Xn tới các tập mờ đầu ra Y 3.3 Động cơ suy diễn Đây là một bộ phận logic đưa ra quyết định sử dụng hệ mờ để thực hiện ánh xạ từ các tập mờ trong không gian đầu vào X thành tập mờ trong không gian đầu ra Y Khi Rj là một quan hệ mờ, thì Rj có thể là một tập con của tích { → → Decart X × Y = ( x , y... tương đương nếu R là quan hệ nhị nguyên trên X có tính chất phản xạ, đối xứng và bắc cầu 2.1.2 Các quan hệ mờ Các quan hệ mờ là cơ sở dùng để tính toán và suy diễn ( suy luận xấp xỉ) mờ Đây là một trong những vấn đề quan trọng trong các ứng dụng mờ đem lại hiệu quả lớn trong thực tế, mô phỏng được một phần suy nghĩ của con người Chính vì vậy, mà các phương pháp mờ được nghiên cứu và phát triển mạnh... tương quan riêng của chuỗi tăng trưởng biến đổi trong một khoảng tương đối hẹp khá giống với tự tương quan riêng của một quá trình dừng Tuy nhiên ta lại không thấy được dấu hiệu triệt tiêu của tự tương quan riêng mặc dù ta đã lấy đến trễ 100 Điều này cho thấy cho chuỗi tăng trưởng chắc chắn không thể là một quá trình tự hồi quy Ta cũng biết rằng, về mặt lý thuyết có thể xấp xỉ mô hình AR nhiều tham số bằng... logic mờ Gọi Ω là không gian tất cả các hàm số, ví dụ Ω ={g:R→R} A là các tập các hàm khả vi, B là tập các hàm liên tục Xét hai mệnh đề sau: P=’g∈A’ và Q =’g∈B’ Khi đó ta có: Luật (tri thức): P⇒Q 32 Sự kiện: P đúng (True) Kết luận: Q đúng (True) Xét bài toán suy luận trong hệ mờ Hệ mờ n biến vào x1, … xn và một biến ra y Cho Un, i= n n là các không gian nền của các biến vào , V là không gian nền của biến... thu được sẽ không phải là một ồn trắng như ta mong muốn nữa Thật vậy, kết quả ước lượng theo mô hình ARMA(1,1) là yt = 0.00049332 + ε t Nhiễu khi đó được tính toán và biểu diễn bởi đồ thị sau Hình 1.8 Nhiễu Khi đó tự tương quan và tự tương quan riêng của nhiễu cho bởi đồ thị dưới đây Hình 1.9 Tự tương quan của nhiễu 21 Hình 1.10 Tự tương quan riêng của nhiễu Ban đầu, do tính ít tương quan của nhiễu... tương quan mạnh nên ta có thể kết luận rằng nhiễu không phải là một ồn trắng như mong muốn Và như vậy mô hình ARMA sẽ không phù hợp với chuỗi số liệu này Mặc dù mô hình ARMA tỏ ra không phù hợp với chuỗi thời gian tài chính nhưng những kỹ thuật mà nó cung cấp là một cơ sở rất quan trọng và mang lại nhiều gợi ý cho các công trình nghiên cứu về chuỗi thời gian sau Box-Jenkins Chính Box-Jenkins là những người... b1, b2 , , bq ∈ R, a p ≠ 0, bq trong đó ε t đóng vai trò là sai số Đối với mô hình ARMA cũng có nhiều phương pháp ước lượng tham số hiệu quả và được nêu ra chi tiết trong P.Brockwell, R David, 2001 Dưới đây, ta sẽ xem xét phương pháp bình phương cực tiểu theo kiểu thuật toán Hannan – Rissanen Ý tưởng của thuật toán này là sử dụng hồi quy tuyến tính để ước lượng các tham số Nếu q>0 ta còn phải ước lượng... dạng hệ thống,…mà các dữ liệu không đầy đủ, không được định nghĩa một cách rõ ràng Trong những năm cuối thập kỷ 20, một ngành khoa học mới đã được hình thành và phát triển mạnh mẽ đó là hệ mờ Đây là hệ thống làm việc với môi trường không hoàn toàn xác định, với các tham số, các chỉ tiêu kinh tế kỹ thuật, các dự báo về môi trường sản xuất kinh doanh chưa hoặc khó xác định một cách thật rõ ràng, chặt chẽ... bại khi dự báo phương sai của chuỗi thời gian tài chính Sau đây ta sẽ xem xét một ví dụ cụ thể để thấy rõ sự không phù hợp của mô hình ARMA đối với chuỗi thời gian tài chính 17     Xét chuỗi số chuỗi số liệu NYSE chứa giá trị của chỉ số chứng khoán giao dịch hằng ngày trên thị trường NewYork từ tháng ngày 02/01/1990 đến ngày 31/12/2001 Chuỗi gồm 3028 số liệu được lưu dưới tên file là NYSE.txt ... tương đương R quan hệ nhị nguyên X có tính chất phản xạ, đối xứng bắc cầu 2.1.2 Các quan hệ mờ Các quan hệ mờ sở dùng để tính toán suy diễn ( suy luận xấp xỉ) mờ Đây vấn đề quan trọng ứng dụng... thời gian mức độ tăng giảm để đưa mô hình heuristic chuỗi thời gian mờ Trong thời gian gần đây, đề tài số tác giả nghiên cứu Các hướng tập trung nâng cao độ xác dự báo mô hình chuỗi thời gian mờ... để xử lý tính chất phi tuyên chuỗi số liệu Đây hướng nhiều người tiếp cận có sách chuyên khảo vấn đề thí dụ Mandic Chambers “ Recurrent neural network and prediction” in vào năm 2001 Một hướng