Luận văn tiếp cận phân cụm chuỗi thời gian mờ trong dự báo tuyển sinh của trường đại học công nghiệp việt trì

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM HÀ NỘI NGUYỄN NGỌC SƠN TIẾP CẬN PHÂN CỤM CHUỖI THỜI GIAN MỜ TRONG DỰ BÁO TUYỂN SINH CỦA TRƯỜNG ĐẠI HỌC CƠNG NGHIỆP VIỆT TRÌ LUẬN VĂN THẠC SĨ MÁY TÍNH HÀ NỘI, 2018 i BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM HÀ NỘI NGUYỄN NGỌC SƠN TIẾP CẬN PHÂN CỤM CHUỖI THỜI GIAN MỜ TRONG DỰ BÁO TUYỂN SINH CỦA TRƯỜNG ĐẠI HỌC CƠNG NGHIỆP VIỆT TRÌ Chun ngành: Khoa học máy tính Mã số: 48 01 01 LUẬN VĂN THẠC SĨ MÁY TÍNH Người hướng dẫn khoa học: PGS TS Lê Bá Dũng HÀ NỘI, 2018 i LỜI CẢM ƠN Lời em xin cảm ơn Trường Đại học Sư phạm Hà Nội Thầy giáo, Cô giáo dành quan tâm tạo điều kiện thuận lợi cho tập thể lớp Khoa học máy tính K20 chúng em suốt khóa học Em xin bày tỏ lòng biết ơn chân thành với thầy giáo PGS TS Lê Bá Dũng tận tình giúp em hoàn thành luận văn Em chân thành cảm ơn Thầy giáo Viện Công nghệ thông tin; Thầy, Cô giáo Trường Đại học Sư phạm Hà Nội tham gia giảng dạy, giúp đỡ em suốt q trình học tập trường Tơi xin gửi lời cảm ơn tới bạn bè đồng nghiệp nơi công tác tạo điều kiện thời gian giúp tơi tham gia khóa học, bạn đồng khóa người thân cho tơi động lực để hồn thành luận văn kết thúc khóa học Do điều kiện thời gian khả hạn chế nên luận văn khó tránh khỏi thiếu sót, Kính mong Thầy giáo, Cơ giáo bạn đồng khóa, đồng nghiệp đóng góp ý kiến để đề tài hồn thiện ii LỜI CAM ĐOAN Tơi xin cam đoan số liệu kết nghiên cứu luận văn trung thực không trùng lặp với đề tài khác Tôi xin cam đoan giúp đỡ cho việc thực luận văn cảm ơn thông tin trích dẫn luận văn rõ nguồn gốc Hà Nội, ngày 02 tháng 12 năm 2018 Tác giả luận văn Nguyễn Ngọc Sơn iii MỤC LỤC LỜI CẢM ƠN i LỜI CAM ĐOAN ii MỤC LỤC iii DANH MỤC HÌNH ẢNH v DANH MỤC BẢNG BIỂU vi MỞ ĐẦU CHƯƠNG 1: CƠ SỞ LÝ THUYẾT VỀ TẬP MỜ 1.1 Khái quát tập mờ 1.1.1 Định nghĩa tập mờ 1.1.2 Một số khái niệm 1.1.3 Biểu diễn tập mờ 1.2 Phép toán tập mờ hệ luật mờ 1.2.1 Phần bù tập mờ 1.2.2 Phép hợp tập mờ 1.2.3 Phép giao tập mờ 10 1.2.4 Tích Descartes tập mờ 10 1.2.5 Tính chất phép tốn tập mờ 11 1.2.6 Số mờ 12 1.2.6.1 Khái niệm số mờ 13 1.2.6.2 Dạng số mờ thường dùng 14 1.2.6.3 Biến ngôn ngữ giá trị ngôn ngữ 15 1.2.7 Hệ luật mờ 16 1.3 Lập luận xấp xỉ hệ mờ 16 1.3.1 Logic mờ 16 1.3.2 Quan hệ mờ 17 1.3.2.1 Khái niệm quan hệ rõ 17 1.3.2.2 Các quan hệ mờ 17 1.3.2.3 Các phép toán quan hệ mờ 18 iv 1.3.3 Suy luận xấp xỉ suy diễn mờ 19 1.4 Giải mờ 20 1.4.1 Phương pháp điểm cực đại 20 1.4.2 Phương pháp điểm trọng tâm 22 CHƯƠNG 2: MỘT SỐ THUẬT TOÁN VÀ PHƯƠNG PHÁP TRONG MƠ HÌNH CHUỖI THỜI GIAN MỜ 24 2.1 Chuỗi thời gian mờ 24 2.1.1 Khái niệm chuỗi thời gian 24 2.1.2 Định nghĩa chuỗi thời gian mờ 24 2.1.3 Một số định nghĩa liên quan đến chuỗi thời gian mờ 25 2.2 Một số thuật toán dự báo 26 2.2.1 Thuật toán Song & Chissom 26 2.2.2 Thuật toán Chen 27 2.2.3 Mơ hình dự báo dựa chuỗi thời gian mờ Jens Rúni Poulsen 29 2.3 Một số phương pháp chia khoảng 32 2.3.1 Phương pháp độ dài dựa phân bố giá trị 32 2.3.2 Phương pháp độ dài dựa giá trị trung bình 33 2.4 Thuật toán phân cụm (K-means) 33 CHƯƠNG 3: ỨNG DỤNG PHÂN CỤM CHUỖI THỜI GIAN MỜ TRONG DỰ BÁO TUYỂN SINH CỦA TRƯỜNG ĐẠI HỌC CƠNG NGHIỆP VIỆT TRÌ 40 3.1 Ứng dụng phương pháp chuỗi thời gian mờ cho dự báo 40 3.2 Tiếp cận phân cụm chuỗi thời gian mờ dự báo tuyển sinh 41 3.3 Đánh giá phương pháp 48 KẾT LUẬN 55 TÀI LIỆU THAM KHẢO 56 v DANH MỤC HÌNH ẢNH Hình Trang Hình 1.1 Hàm thuộc  A (x) có mức chuyển đổi tuyến tính Hình 1.2 Hàm thuộc tập A Hình 1.3 Tập mờ A với miền xác định miền tin cậy Hình 1.4 Biểu diễn chiều cao tập mờ Hình 1.5 Tập bù A tập mờ A Hình 1.6 Hợp hai tập mờ có tập Hình 1.7 Giao hai tập mờ có tập 10 Hình 1.8 Các dạng hàm thuộc số mờ 13 Hình 1.9 Phân loại hàm thuộc số mờ 13 Hình 1.10 Số mờ hình thang 14 Hình 1.11 Số mờ hình tam giác 15 Hình 1.12 Những tập mờ thuộc biến ngơn ngữ 16 Hình 1.13 Giải mờ phương pháp điểm cực đại 22 Hình 1.14 Giải mờ phương pháp điểm trọng tâm 23 Hình 2.1 Các thiết lập để xác định ranh giới cụm ban đầu 34 Hình 2.2 Tính tốn trọng tâm cụm 35 Hình 2.3 Một số hình dạng cụm liệu khai phá K-means 38 Hình 3.1 Kết phân cụm liệu 44 Hình 3.2 Các giá trị dự báo qua năm 48 Hình 3.3 Các giá trị dự báo theo mơ hình bình qn biến động 52 Hình 3.4 Các giá trị dự báo theo mơ hình xu hướng 52 Hình 3.5 Kiểm thử mơ hình dự báo tập n=100 số liệu giả định 54 vi DANH MỤC BẢNG BIỂU Bảng Trang Bảng 1.1 Biểu diễn tập mờ Bảng 2.1 Bảng ánh xạ sở 32 Bảng 3.1 Số liệu tuyển sinh từ năm 2006 - 2017 43 Bảng 3.2 Kết phân cụm liệu 43 Bảng 3.3 Các giá trị tâm cụm 45 Bảng 3.4 Các giá trị cận trái cận phải cụm 46 Bảng 3.5 Các giá trị tính từ cụm 46 Bảng 3.6 Số liệu giá trị dự báo qua năm 47 Bảng 3.7 Phân tích kết dự báo qua tiêu chuẩn 50 Bảng 3.8 Kết dự báo mơ hình 51 Bảng 3.9 Sai số dự báo mơ hình 52 Bảng 3.10 Bảng so sánh thước đo sai số mơ hình 53 MỞ ĐẦU Lý chọn đề tài Mô hình chuỗi thời gian sử dụng cơng cụ hữu hiệu để phân tích dự báo lĩnh vực kinh tế, xã hội nghiên cứu khoa học [2], [3], [6], [8], [9], [10], [11], [12], [13], [14] Chính tính hữu dụng mơ hình phân tích chuỗi thời gian, nhiều tác giả đề xuất cơng cụ để phân tích, dự báo dựa mơ hình hóa dự báo Các lớp toán dự báo lĩnh vực tín dụng ngân hàng, thị trường chứng khốn, dự báo mơ hệ thống điều khiển… giải theo phương pháp truyền thống [4], [5] thống kê, quy hoạch tuyến tính,… Phương pháp nghiên cứu chuỗi thời gian mờ đề xuất có nhiều ưu việc tuyến tính hóa phân tích liệu, đánh giá dự báo tương đối xác số lĩnh vực [3], [6], [8], [9], [10], [11], [12], [13], [14] Với gợi ý thầy hướng dẫn đề tài cho luận văn tốt nghiệp, lựa chọn đề tài: “Tiếp cận phân cụm chuỗi thời gian mờ dự báo tuyển sinh Trường Đại học Công nghiệp Việt Trì” để tìm hiểu dự báo nhu cầu học tập bậc đại học Trường Đại học Cơng nghiệp Việt Trì học sinh THPT sau tốt nghiệp Mục đích nghiên cứu Tìm hiểu tổng quan Mơ hình chuỗi thời gian Tiếp cận phương pháp phân tích chuỗi thời gian mờ với thuật tốn phân cụm K-means Ứng dụng việc tuyến tính hóa phân tích liệu, đánh giá dự báo tuyển sinh Trường Đại học Cơng nghiệp Việt Trì Nhiệm vụ nghiên cứu Tìm hiểu tổng quan hệ mờ Tìm hiểu sâu phương pháp khai phá liệu Tiếp cận mơ hình chuỗi thời gian mờ, thuật toán phương pháp Nghiên cứu thuật toán phân cụm mờ ứng dụng So sánh phương pháp ứng dụng chuỗi thời gian mờ Định hướng nghiên cứu tương lai Đối tượng phạm vi nghiên cứu  Đối tượng nghiên cứu - Tìm hiểu tập mờ, hệ luật mờ, phân cụm mờ - Tập trung tìm hiểu, tiếp cận chuỗi thời gian mờ lý thuyết, cấu trúc, phương pháp học hạn chế - Nắm bắt số phương pháp tổng hợp tối ưu để giảm không phù hợp dự báo thực tế, sau áp dụng phương pháp để đánh giá để đạt kết tối ưu  Phạm vi nghiên cứu - Tìm hiểu mơ hình chuỗi thời gian mờ thuật toán phân cụm mờ để dự báo số liệu tuyển sinh Trường Đại học Công nghiệp Việt Trì - Tìm hiểu, so sánh phương pháp đánh giá dự báo Dự kiến đóng góp Hiểu rõ khái niệm, thuật toán, ứng dụng liên quan đến luật hệ mờ Ứng dụng phân cụm chuỗi thời gian mờ cho toán dự báo Mơ hình hóa tốn dự báo tuyển sinh Trường Đại học Cơng nghiệp Việt Trì 43 Trình tự thực phương pháp dự báo, tiếp cận phân cụm chuỗi thời gian mờ với quy trình tính tốn thực qua bước: Dữ liệu vào: Bảng 3.1 Số liệu tuyển sinh từ năm 2006 - 2017 Năm Số SV 2006 3154 2007 1752 2008 2280 2009 2012 2010 1410 2011 2306 2012 1964 2013 1773 2014 1538 2015 1335 2016 1305 2017 1242 Bước 1: Phân cụm (K-means) Dữ liệu chuỗi thời gian khứ từ năm 2006 đến 2017: {3154}, {1752}, {2280}, {2012}, {1410}, {2306}, {1964}, {1773}, {1538}, {1335}, {1305}, {1242} gồm n = 12 giá trị xếp theo thứ tự giảm dần Với bán kính r = 25 liệu phân cụm thành k = cụm: Bảng 3.2 Kết phân cụm liệu Cụm Dữ liệu {3154} {2306, 2280} {2012, 1964} Năm {2006} {2011, 2008} {2009, 2012} 44 {1773, 1752} {1538} {1410} {1335, 1305} {1242} {2013, 2007} {2014} {2010} {2015, 2016} {2017} Hình 3.1 Kết phân cụm liệu Bước 2: Tính tâm cụm cluster_centerm cho cụm clusterm theo công thức Sm cluster _ centerm  đó: d j1 j sm dj số liệu thứ j thuộc cụm sm số giá trị cụm clusterm (3.2) 45 Bảng 3.3 Các giá trị tâm cụm Cụm Dữ liệu {3154} {2306, 2280} {2012, 1964} {1773, 1752} {1538} {1410} {1335, 1305} {1242} Tâm cụm 3154 2293 1988 1762.5 1538 1410 1320 1242 Bước 3: Tính giá trị giới hạn trái, giới hạn phải giá trị trung bình Giới hạn bên phải cụm m giới hạn bên trái cụm m+1 liền kề cluster_rBoundm  cluster _ centerm  cluster _ centerm1 cluster_lBoundm+1 = cluster_uBoundm (3.3) (3.4) Trong đó: cluster_rBoundm giới hạn bên phải cụm m cluster_lBoundm+1 giới hạn bên trái cụm m+1 m = 1, 2,… k - Do khơng có cụm trước cụm khơng có cụm tiếp sau cụm cuối cùng, giới hạn bên trái cluster_lBound cụm giới hạn bên phải cluster_rBound cụm cuối tính sau: cluster_lBound1 = cluster_center1 - (cluster_rBound1 - cluster_center1) (3.5) cluster_rBoundk = cluster_centerk + (cluster_centerk - cluster_lBoundk) (3.6) 46 Bảng 3.4 Các giá trị cận trái cận phải cụm u1 = [3584.5, 2723.5) u3 = [2140.5, 1875.25) u5 = [1650.25, 1474) u7 = [1365, 1281) u2 = [2723.5, 2140.5) u4 = [1875.25, 1650.25) u6 = [1474, 1365) u8 = [1281, 1203) Bảng 3.5 Các giá trị tính từ cụm Cụm Dữ liệu {3154} {2306, 2280} {2012, 1964} {1773, 1752} {1538} {1410} {1335, 1289} {1114} Tâm cụm Giới hạn trái Giới hạn phải Giá trị trung bình 3154 2293 1988 1762.5 1538 1410 1320 1242 3584.5 2723.5 2140.5 1875.25 1650.25 1474 1365 1281 2723.5 2140.5 1875.25 1650.25 1474 1365 1281 1203 3154 2432 2007.875 1762.75 1562.125 1419.5 1323 1242 Bước 4: Định nghĩa tập mờ Ai Từ giá trị tính dựa liệu tuyển sinh năm khứ (Bảng 3.5), giá trị số liệu đại diện tập mờ qua sử dụng hàm tam giác Các tập mờ Ai (i = ÷ 8) định nghĩa thông qua hàm thuộc  i đơn giản có dạng hình nón nhận giá trị 0.0, 0.5 1.0 sau: A = 1/u + 0.5/u + 0/u A = 0.5/u + 1/u + 0/u + 0/u + 0/u + 0/u + 0.5/u + 0/u + 0/u + 0/u + 0/u + 0.5/u + 0/u + 0/u + 0/u + 0.5/u + 0/u + 0/u + 0/u + 0.5/u + 0/u + 0/u 2 + 0.5/u + 1/u A = 0/u + 0/u A = 0/u + 0/u A = 0/u + 0/u A = 0/u + 0/u A = 0/u + 0/u 1 1 1 2 2 2 A = 0/u 3 5 + 0.5/u + 1/u + 0/u + 0/u + 0/u + 0/u 3 3 6 + 0.5/u + 1/u + 0/u + 0/u 4 + 0/u 7 + 0/u + 0/u 6 8 + 0.5/u + 0/u + 0.5/u + 1/u + 0/u + 0/u + 0/u + 0.5/u + 1/u + 0/u 8 + 0.5/u + 0.5/u + 1/u 47 Các tập mờ trường hợp biểu diễn A1, A2 … An thể giá trị mờ cụm với hàm thuộc  i , An+1 cần tính số liệu năm dự báo Bước 5: Giải mờ giá trị dự báo Công thức sử dụng để tính giá trị dự báo  1.5 1   a2  a1    0.5 tj      a j 1 a j a j 1   1.5   0.5 a  a n  n1 , if j  , if  j  n  (3.7) , if j  n Trong aj giá trị trung bình khoảng mờ Aj tương ứng, tj giá trị dự báo Kết tính giá trị dự báo: Bảng 3.6 Số liệu giá trị dự báo qua năm Cụm Dữ liệu Ai {3154} {2306, 2280} {2012, 1964} {1773, 1752} {1538} {1410} {1335, 1305} {1242} 0.0003815 0.0005226 0.0008187 0.0009873 0.0011364 0.0012760 0.0014025 0.0015107 0.0011831 0.0012570 Giá trị dự báo tj 3932 2870 2443 2026 1760 1567 1426 1324 1268 1193 Năm {2006} {2011, 2008} {2009, 2012} {2013, 2007} {2014} {2010} {2015, 2016} {2017} {2018} 48 Xác định giá trị dự báo Xn+1: Giả sử giá trị lịch sử Xn thuộc cụm thứ j giá trị gần theo chuỗi thời gian không cụm với Xm thuộc cụm thứ i, đó: Xn+1 = tj+1 i < j Xn+1 = tj-1 i>j Minh họa kết dự báo (Hình 3.2.) Hình 3.2 Các giá trị dự báo qua năm 3.3 Đánh giá phương pháp Việc đánh giá phương pháp tiếp cận dựa việc so sánh độ xác giá trị dự báo với mơ hình dự báo khác thực sở sai số giá trị dự báo với giá trị thực tế Với Yt giá trị thực tế Ft giá trị dự báo tương ứng với thời điểm t, sai số dự báo xác định: et = Yt – Ft (t = 1, n ) Khi ta có phần trăm sai số: (3.8) 49  Y  Ft    100 PEt   t (3.9) Y t   Việc tính tốn sai số thực qua tiêu chuẩn khác nhau:  Sai số trung bình (MBE - Mean Bias Error): MBE  n  et n t 1 (3.10)  Sai số tuyệt đối trung bình (MAE - Mean Absolute Error): n MAE   | et | n t 1 (3.11)  Sai số bình phương trung bình (MSE - Mean Squared Error): n MSE   et n t 1 (3.12)  Sai số phần trăm trung bình (MPE-Mean Percentage Error): n MPE   PEt n t 1 (3.13)  Sai số phần trăm tuyệt đối (MAPE-Mean Absolute Percentage Error): n MAPE   | PEt | (3.14) n t 1  Sai số bình phương trung bình gốc (RSME - Root Mean Square Error) RMSE  n  et n t 1 (3.15) 50 Bảng phân tích kết dự báo mơ hình tiếp cận phân cụm chuỗi thời gian mờ cho dự báo tuyển sinh qua sai số tiêu chuẩn: Bảng 3.7 Phân tích kết dự báo qua tiêu chuẩn Năm Số SV Giá trị dự báo et |et| et2 PEt |Pet| t Yt Ft Yt-Ft |Yt-Ft| (Yt-Ft)2 ((YtFt)/Yt)*100 |((YtFt)/Yt)|*100 2006 3154 2870 284 284 80656 9.0% 9.0% 2007 1752 1760 -8 64 -0.5% 0.5% 2008 2280 2443 -163 163 26569 -7.1% 7.1% 2009 2012 2026 -14 14 196 -0.7% 0.7% 2010 1410 1426 -16 16 256 -1.1% 1.1% 2011 2306 2443 -137 137 18769 -5.9% 5.9% 2012 1964 2026 -62 62 3844 -3.2% 3.2% 2013 1773 1760 13 13 169 0.7% 0.7% 2014 1538 1567 -29 29 841 -1.9% 1.9% 2015 1335 1324 11 11 121 0.8% 0.8% 2016 1305 1324 -19 19 361 -1.5% 1.5% 2017 1242 1268 -26 26 676 -2.1% 2.1% -166 782 132522 -13.4% 34.5% Tổng MBE = -166/12 MAE = 782/12 MSE = 132522/12 MPE = (-13.4/12)% MAPE = (34.5/12)% RMSE = 11043.50 = = = = = = -13.83 65.17 11043.50 -1.12% 2.88% 105.09 So sánh kết dự báo mơ hình tiếp cận với mơ hình dự báo khác như: Mơ hình dự báo bình qn biến động (Moving averages), Mơ hình dự báo xu hướng (Naive) giúp ta đánh giá tính hiệu phương pháp tiêu chuẩn 51  Mơ hình bình qn biến động: Giá trị dự báo giá trị thực tế thời kỳ tại, cộng với bình quân biến động tuyệt đối xẩy đến thời điểm [5] Yt 1  Yt  (Yt  Yt 1 )   (Y2  Y1 ) t (3.16)  Mơ hình xu hướng: Giá trị dự báo tương lai giá trị quan sát thực tế khoảng thời gian gần nhất, nhân với tỷ lệ tăng Yt , Yt giá trị thực tế thời Yt 1 điểm t, Yt-1 giá trị thực tế thời điểm trước t Nếu Yt lớn Yt-1 xu lên, ngược lại Yt nhỏ Yt-1 xu xuống [5] Yt 1  Yt Yt Yt 1 (3.17) Kết dự báo theo mơ hình thể (Bảng 3.8.): Bảng 3.8 Kết dự báo mơ hình Năm Số SV 2006 3154 Mơ hình chuỗi thời gian 2870 2007 1752 1760 1752 3154 2008 2280 2443 1315 973 2009 2012 2026 1899 2967 2010 1410 1426 1576 1776 2011 2306 2443 1240 988 2012 1964 2026 2108 3771 2013 1773 1760 1767 1673 2014 1538 1567 1571 1601 2015 1335 1324 1336 1334 2016 1305 1324 1150 1159 2017 1242 1268 1131 1276 Mơ hình bình Mơ hình quân biến động xu hướng 52 Hình 3.3 Các giá trị dự báo theo mơ hình bình qn biến động Hình 3.4 Các giá trị dự báo theo mơ hình xu hướng Bảng 3.9 Sai số dự báo mơ hình Năm Số SV 2006 3154 Mơ hình chuỗi thời gian 284 2007 1752 -8 Mơ hình bình qn biến động Mơ hình xu hướng -1402 53 2008 2280 -163 965 1307 2009 2012 -14 113 -955 2010 1410 -16 -166 -366 2011 2306 -137 1066 1318 2012 1964 -62 -144 -1807 2013 1773 13 100 2014 1538 -29 -33 -63 2015 1335 11 -1 2016 1305 -19 155 146 2017 1242 -26 111 -34 -166 2072 -1755 Tổng Bảng 3.10 Bảng so sánh thước đo sai số mơ hình Thước đo MBE MAE MSE MPE MAPE RMSE Mơ hình chuỗi thời gian -13.83 Mơ hình bình qn biến động 172.67 Mơ hình xu hướng -146.25 65.17 230.00 624.92 11043.50 180509.50 813220.75 -1.12% 7.83% -10.08% 2.88% 11.39% 31.97% 105.09 424.86 901.79 Đánh giá sơ qua thước đo sai số mơ hình chuỗi thời gian tiếp cận theo phương pháp phân cụm chuỗi thời gian mờ có sai số tương đối tốt tính trọng số giá trị thực liệu chuỗi thời gian Với tập n = 12 số liệu tuyển sinh dùng để kiểm thử mơ hình dự báo, có sử dụng số giá trị xem ngoại lai chưa đảm bảo độ tin cậy mơ hình Trong q trình tiếp cận, mơ hình dự báo thử nghiệm tập n = 100 số liệu lấy ngẫu nhiên khoảng [0,5000] với bán kính cụm r = 25, giá trị thước đo sai số thông dụng MSE khơng khác biệt nhiều Kết minh họa (Hình 3.5.) Hình 3.5 Kiểm thử mơ hình dự báo tập n = 100 số liệu giả định 54 55 KẾT LUẬN Thuật toán phân cụm K-means với liệu chuỗi thời gian giúp cải thiện độ xác mơ hình dự báo, đáp ứng u cầu cho toán dạng dự báo xu hướng dự báo công tác tuyển sinh Phương pháp kiểm thử dựa số liệu thực tế khứ từ năm 2006 đến năm 2017 Trường Đại học Cơng nghiệp Việt Trì Với mơ hình dự báo, ngồi u cầu tính xác dự báo dựa sai số giá trị dự báo với số liệu thực, xuất giá trị dự báo chuỗi thời gian có sai số tương đối cao giúp phát điểm khác biệt thời điểm làm sở để phân tích, xác định yếu tố ảnh hưởng đến kết tuyển sinh theo giai đoạn, thời điểm Từ phát triển lên mơ hình chuỗi thời gian mờ loại đồng thời với chuỗi thời gian cần sử dụng số liệu tham số phụ để đưa dự báo xác 56 TÀI LIỆU THAM KHẢO Tiếng Việt [1] Bùi Cơng Cường, Nguyễn Dỗn Phước (2006), Hệ mờ mạng nowrowrron ứng dụng, Lý thuyết mờ công nghệ tính tốn mềm, Nhà xuất Khoa học Kỹ thuật, 9-58 [2] Lê Bá Dũng (2010), Các hệ sở tri thức (knowledge based system) ứng dụng, Bài giảng ĐHBK Hà Nội - Genetic computer school joint education program [3] Nguyễn Cơng Điều (2011), “Một thuật tốn cho mơ hình chuỗi thời gian mờ heuristic dự báo chứng khốn”, Tạp chí Khoa học Cơng nghệ 49 (4), 11-25 [4] Nguyễn Đình Thúc, Hồng Đức Hải (2000), Trí tuệ nhân tạo Mạng nơron phương pháp & ứng dụng, Nhà xuất Giáo dục, 6-12 Tiếng Anh [5] Mohd Nadzri Mohd Nasir, Kon Mee Hwa, Huzaifah Mohammad (2008), “An Innitial study on Forecast Model for Unemployment Rate”, Joural of Department of Statistics, Malaysia, Vol: [6] S M Chen (2002), “Forecasting Enrollments based on hight-order Fuzzy Time Series”, Cybernetic and System, N33 [7] Gita Sastria, Choong Yeun Liong, Ishak Hashim (2008), “Application of Fuzzy Subtractive Clustering for Enzymes Classification”, ACC'08 Proceedings of the WSEAS International Conference on Applied Computing Conference, pp 304-309 [8] Jens Rúni Poulsen (2009), “Fuzzy Time Series Forecasting”, AAUE, November 2009, Semester: CIS 57 [9] Qiang Song, Brad S Chissom, (1993), “Fuzzy Time Series and its Model”, Fuzzy set and system, Vol 54, pp 269-277 [10] Shyi-Ming Chen, Chia-Ching Hsu (2004), “A New Method to Forecast Enrollments Using Fuzzy Time Series”, International Journal of Applied Science and Engineering, vol: 2, No: 3, pp 234-244 [11] Kunhuang Huarng (2001), “Effective length of interval to improve forecasting in fuzzy time series”, Fuzzy set and Systems, 123, pp 387-394 [12] J R H Wang, S M Chen, C H Lee (1998), “Handing forecasting problems using fuzzy time series”, Fuzzy Sets and Systems, 100, pp 217-228 [13] Tahseen Ahmed Jilani, Syed Muhammad Aqil Burney, Cemal Ardil (2010), “Fuzzy metric approach for fuzzy time series forecasting based on frequency density based partitioning”, World Academy of Science, Engineering and Technology International Journal of Computer and Information Engineering Vol:4, No:7, pp 1194-1199 [14] Zhiqiang Zhang, Qiong Zhu (2012), “Time Series Forecasting Based On K-Means Clustering” Open Journal of Applied Sciences, 2, pp 100-103 ... theo chuỗi thời gian mờ Chương 3: Ứng dụng phân cụm chuỗi thời gian mờ dự báo tuyển sinh Trường Đại học Công nghiệp Việt Trì Trình bày trình tự bước cho dự báo chuỗi thời gian mờ [14] dựa chuỗi. .. cho luận văn tốt nghiệp, lựa chọn đề tài: Tiếp cận phân cụm chuỗi thời gian mờ dự báo tuyển sinh Trường Đại học Cơng nghiệp Việt Trì để tìm hiểu dự báo nhu cầu học tập bậc đại học Trường Đại học. .. TRONG DỰ BÁO TUYỂN SINH CỦA TRƯỜNG ĐẠI HỌC CƠNG NGHIỆP VIỆT TRÌ 40 3.1 Ứng dụng phương pháp chuỗi thời gian mờ cho dự báo 40 3.2 Tiếp cận phân cụm chuỗi thời gian mờ dự báo tuyển sinh 41 3.3