Ước lượng các hệ số cho phương pháp làm trơn hàm mũ winters bằng metaheuristic

ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA - NGU ỄN ƯỚ N TRỌNG Ư NG Ư NG Ệ SỐ TR N ẰNG T W NT RS UR ST Chuyên ngành : Khoa học máy tính Mã số: 62480101 LUẬN VĂN T ẠC SĨ THÀNH PHỐ HỒ CHÍ MINH, tháng 07 năm 2014 CƠNG TRÌNH ĐƢỢC HOÀN THÀNH TẠI TRƢỜNG ĐẠI HỌC BÁCH KHOA –ĐHQG –HCM Cán hƣớng dẫn khoa học: PGS.TS Dƣơng Tuấn Anh (Ghi rõ họ, tên, học hàm, học vị chữ ký) Cán chấm nhận xét : TS Võ Đình Bảy (Ghi rõ họ, tên, học hàm, học vị chữ ký) Cán chấm nhận xét : TS Lƣ Nhật Vinh (Ghi rõ họ, tên, học hàm, học vị chữ ký) Luận văn thạc sĩ đƣợc bảo vệ Trƣờng Đại học Bách Khoa, ĐHQG Tp HCM ngày 14 tháng 07 năm 2014 Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm: (Ghi rõ họ, tên, học hàm, học vị Hội đồng chấm bảo vệ luận văn thạc sĩ) PGS.TS Dƣơng Tuấn Anh TS Nguyễn Văn Minh Mẫn TS Võ Đình Bảy TS Lƣ Nhật Vinh TS Huỳnh Tƣờng Nguyên Xác nhận Chủ tịch Hội đồng đánh giá LV Trƣởng Khoa quản lý chuyên ngành sau luận văn đƣợc sửa chữa (nếu có) CHỦ TỊCH HỘ ĐỒNG TRƯỞNG KHOA ĐẠI HỌC QUỐC GIA TP.HCM CỘNG HÒA XÃ HỘI CHỦ NG Ĩ V ỆT NAM TRƯỜNG ĐẠI HỌC BÁCH KHOA Độc lập - Tự - Hạnh phúc NHIỆM VỤ LUẬN VĂN T Ạ SĨ Họ tên học viên: NGUYỄN MINH TRỌNG MSHV: 12070551 Ngày, tháng, năm sinh: 20/10/1988 Nơi sinh: Long An Chuyên ngành: Khoa học máy tính Mã số :62480101 I TÊN ĐỀ TÀI: Ƣớc lƣợng hệ số cho phƣơng pháp làm trơn hàm mũ Winters metaheuristic II NHIỆM VỤ VÀ NỘI DUNG: Hiện thực giải thuật metaheuristic : giải thuật leo đồi, giải thuật tìm kiếm Tabu, giải thuật mô luyện kim ngôn ngữ C# Hiện thực giải thuật cải tiến metaheuristic : giải thuật mơ luyện kim tái nung nóng ngôn ngữ C# Nghiên cứu phần mềm R : thực thi lệnh đánh giá giản đồ tƣơng quan phục vụ cho mơ hình SARIMA So sánh kết thu đƣợc giải thuật metaheuristic So sánh kết thu đƣợc phƣơng pháp làm trơn hàm mũ Winters mơ hình SARIMA Hiện thực phương pháp làm trơn hàm mũ Winters môi trƣờng trực tuyến III NGÀY GIAO NHIỆM VỤ : 19/08/2013 IV NGÀY HOÀN THÀNH NHIỆM VỤ: 22/06/2014 V CÁN BỘ ƯỚNG DẪN : PGS.TS DƢƠNG TUẤN ANH Tp HCM, ngày tháng 07 năm 2013 CÁN BỘ ƯỚNG DẪN (Họ tên chữ ký) TRƯỞNG KHOA (Họ tên chữ ký) LỜI CÁ N Lời luận văn em xin gửi lời cám ơn chân thành đến thầy PGS TS Dƣơng Tuấn Anh, thầy dành nhiều thời gian, công sức tâm huyết để truyền đạt kiến thức hƣớng dẫn em suốt thời thời gian thực luận văn tốt nghiệp Kế đến, em xin gửi lời cám ơn đến quý thầy cô giảng dạy truyền đạt kiến thức hữu ích cho em suốt thời gian tham gia học tập trƣờng Đại học Bách Khoa thành phố Hồ Chí Minh Và em xin chân thành cám ơn anh chị bạn bè tạo điều kiện giúp đỡ em việc thu thập liệu thực luận văn Em xin chân thành cám ơn quý thầy cô hội đồng đánh giá luận văn thạc sĩ dành thời gian cho luận văn em cho em biết thêm nhiều kiến thức Cuối em xin cám ơn đến gia đình bạn bè động viên giúp đỡ em q trình thực luận văn i TĨM TẮT LUẬN VĂN T ẠC SĨ Luận văn đƣợc thực với mục tiêu chứng minh giải thuật metaheuristic áp dụng cho việc xác định hệ số alpha, beta gamma tốt phƣơng pháp vét cạn thông thƣờng phương pháp làm trơn hàm mũ Winters Đồng thời, luận văn đánh giá kết thu đƣợc từ giải thuật metaheuristic nhằm xác định giải thuật tối ƣu Thêm vào đó, kết thu đƣợc từ phương pháp làm trơn hàm mũ Winters cịn đƣợc so sánh với mơ hình SARIMA nhằm xác định kết dự báo liệu chuỗi thời gian theo phƣơng pháp tốt Phƣơng pháp nghiên cứu đƣợc thực phƣơng pháp định lƣợng Trong luận văn này, nội dung cần nghiên cứu là: (1) lý thuyết liệu chuỗi thời gian; (2) bốn giải thuật metaheuristic: giải thuật leo đồi, giải thuật tìm kiếm Tabu, giải thuật mơ luyện kim giải thuật mơ luyện kim tái nung nóng; (3) phương pháp làm trơn hàm mũ Winters: mơ hình cộng, mơ hình nhân; (4) mơ hình SARIMA hỗ trợ thực dự báo liệu chuỗi thời gian; (5) nghiên cứu sử dụng phần mềm R; (6) phương pháp làm trơn hàm mũ Winters môi trƣờng trực tuyến Và sau trình thử nghiệm, kết luận văn nhƣ sau: - Tất giải thuật metaheuristic xác định hệ số alpha, beta, gamma tốt độ xác cao - Giải thuật mơ luyện kim tái nung nóng cho kết tốt giải thuật metaheuristic - Kết dự báo phương pháp làm trơn hàm mũ Winters theo mơ hình nhân áp dụng giải thuật metaheuristic tốt tƣơng đƣơng với mơ hình SARIMA - Phương pháp làm trơn hàm mũ Winters cịn áp dụng cho mơi trƣờng dự báo trực tuyến kết dự báo tốt Cuối cùng, kết luận văn nguồn tƣ liệu mới, thông tin bổ sung hữu ích vào lĩnh vực dự báo liệu chuỗi thời gian ii ABSTRACT The goal of this thesis is to prove metaheuristics better than brute force algorithm in estimating the value of alpha, beta, gamma parameters in Exponential Smoothing Winters method This thesis aims to evaluate performance of metaheuristics in order to find out the best algorithm In addition, this forecasting result of Exponential Smoothing Winters method will be compared with SARIMA model The method research is implemented by Quantitative Methods The content of this thesis research consists of the following: (1) Theory of time series data; (2) Four metaheuristics: Hill Climbing algorithm, Tabu Search algorithm, Simulated Annealing algorithm and Simulated Annealing with Reheating algorithm; (3) Exponential Smoothing Winters method: additive components model, multiplicative components model; (4) SARIMA model for forecast of time series data; (5) Study and use the R software; (6) Exponential Smoothing Winters method in online prediction And the result of testing process as the below: - All metaheuristics can be used to estimate the values of alpha, beta, gamma parameters with high accuracy - The Simulated Annealing with Reheating algorithm is the best algorithm in the four metaheuristics algorithms - The forecasting result of Exponential Smoothing Winters method with multiplicative components model is very good and sometimes is better than SARIMA model - Exponential Smoothing Winters method can used to forcast in online environment and the result is very good Finally, the results of this thesis will be a new reference material, a new and useful knowledge for forecast of time series data iii Đ LỜ N Em xin cam đoan tất giải thuật, liệu luận văn em tự nghiên cứu thực theo hƣớng dẫn giáo viên hƣớng dẫn Và kết đƣợc thu đƣợc trình thực so sánh yêu cầu luận văn hoàn toàn khách quan trung thực với tinh thần yêu cầu luận văn đƣa iv DANH MỤC CHỮ VIẾT TẮT STT Ý nghĩa Chữ viết tắt T Tính xu hƣớng S Tính mùa C Tính chu kỳ I Tính bất thƣờng ACF Hàm tự tƣơng quan PACF Hàm tự tƣơng quan riêng phần AR Mơ hình tự hồi quy MA Mơ hình trung bình di động ARMA AR + MA + có tính dừng 10 ARIMA AR + MA + khơng có tính dừng 11 NN Mạng thần kinh nhân tạo 12 MAPE Sai số phần trăm trung bình tuyệt đối 13 MAD Sai số trung bình tuyệt đối 14 MSD Sai số trung bình bình phƣơng 15 SSE Sai số tổng bình phƣơng 16 SHC Giải thuật leo đồi dốc 17 RHC Giải thuật leo đồi ngẫu nhiên 18 NCHC Giải thuật leo đồi có xung đột 19 WMA Trung bình di động có trọng số 20 E(X) Kỳ vọng biến ngẫu nhiên X 21 Var(X) Phƣơng sai biến ngẫu nhiên X 22 HICP Chỉ số giá tiêu dùng v DANH MỤC HÌNH Hình 2.1: Ví dụ liệu chuỗi thời gian Hình 2.2: Tính xu hƣớng liệu chuỗi thời gian Hình 2.3: Giá trị dự báo đƣợc xấp xỉ Hình 2.4: Tính m a liệu chuỗi thời gian Hình 2.5: Tính chu trình liệu chuỗi thời gian Hình 2.6: Tính chu kỳ nhƣ phần thành phần xu hƣớng Hình 2.7: Ví dụ mơ hình cộng Hình 2.8: Ví dụ mơ hình nhân Hình 2.9: Hệ số làm trơn α lớn 13 Hình 2.10: Hệ số làm trơn α nhỏ 14 Hình 2.11: Phƣơng pháp làm trơn hàm mũ Holt với  0,1 = 0,099 16 Hình 2.12: Phƣơng pháp làm trơn hàm mũ Winters 18 Hình 2.13: Đoạn mã giả mơ tả giải thuật leo đồi 21 Hình 2.14: Đoạn mã giả mơ tả giải thuật tìm kiếm Tabu 23 Hình 2.15: Đoạn mã giả mô tả giải thuật mô luyện kim 25 Hình 2.16: Đoạn mã mơ tả giải thuật mơ luyện kim tái nung nóng 27 Hình 2.17: Cơ chế hoạt động đệm xoay vòng 28 Hình 3.1: 36 Hình 3.2: 40 Hình 3.3: Sự kết hợp AR(p) MA(q) cho vào mơ hình ARMA 42 Hình 3.4: Quy trình xác định hệ số ARIMA(p,d,q) 44 Hình 3.5: Quy trình xác định hệ số SARIMA(p,d,q)x(P,D,Q)s 45 Hình 3.6: Cấu trúc mạng thần kinh nhân tạo 46 Hình 3.7: Mạng thần kinh nhân tạo truyền thẳng 47 Hình 3.8: Mạng thần kinh nhân tạo hồi quy 47 Hình 3.9: Mơ hình học với chuỗi thời gian 48 vi Hình 4.1: Giao điện sử dụng phƣơng pháp làm trơn hàm mũ Winters đƣợc ƣớc lƣợng giải thuật metaheuristic 55 Hình 4.2: Giao diện ban đầu phần mềm R 56 Hình 4.3: Kết dự báo Winters/Hill-Climbing theo mơ hình nhân tập liệu Fancy 57 Hình 4.4: Kết dự báo Winters/Tabu-Search theo mơ hình nhân tập liệu Fancy 57 Hình 4.5: Kết dự báo Winters/Simulated-Annealing theo mơ hình nhân tập liệu Fancy 58 Hình 4.6: Kết dự báo Winters/SA-with-Reheating theo mơ hình nhân tập liệu Fancy 58 Hình 4.7: Kết dự báo mơ hình SARIMA tập liệu Fancy 59 Hình 4.8: Kết dự báo Winters/Hill-Climbing theo mơ hình nhân tập liệu Mdeaths 60 Hình 4.9: Kết dự báo Winters/Tabu-Search theo mơ hình nhân tập liệu Mdeaths 61 Hình 4.10: Kết dự báo Winters/Simulated-Annealing theo mơ hình nhân tập liệu Mdeaths 61 Hình 4.11: Kết dự báo Winters/SA-with-Reheating theo mơ hình nhân tập liệu Mdeaths 62 Hình 4.12: Kết dự báo mơ hình SARIMA tập liệu Mdeaths 62 Hình 4.13: Kết dự báo Winters/Hill-Climbing theo mơ hình nhân tập liệu Ukgas 64 Hình 4.14: Kết dự báo Winters/Tabu-Search theo mơ hình nhân tập liệu Ukgas 64 Hình 4.15: Kết dự báo Winters/Simulated-Annealing theo mơ hình nhân tập liệu Ukgas 65 Hình 4.16: Kết dự báo Winters/SA-with-Reheating theo mơ hình nhân tập liệu Ukgas 65 Hình 4.17: Kết dự báo mơ hình SARIMA tập liệu Ukgas 66 Hình 4.18: Kết dự báo Winters/Hill-Climbing theo mơ hình nhân tập liệu AirPassengers 67 Hình 4.19: Kết dự báo Winters/Tabu-Search theo mơ hình nhân tập liệu AirPassengers 68 vii Trong hộp thoại thông tin tất gói thƣ viện hỗ trợ cho R chọn gói thƣ viện tƣơng ứng cần thiết Giả sử gói thƣ viện TTR: Hình D.3: Chọn thư viện TTR g i thư viện phần mềm R Sau chọn OK, chờ đợi q trình cài đặt thành cơng thơng tin chi tiết cài đặt đƣợc hiển thị R nhƣ sau: Cài đặt thành công Gọi thƣ viện lần đầu Gọi thƣ viện lần sau Hình D.4: Kết c i đặt g i thư viện thành công Khi gọi thƣ viện TTR lần gói TTR tự động cài thêm số thƣ viện khác, kể từ lần gọi thứ hai trở khơng cịn gọi thêm thƣ viện khác Vì chúng tồn đƣợc sử dụng D2 PHỤ LỤC E: Ý NG Ĩ G D ỆN THỰC THI CÁC GIẢI THUẬT METAHEURISTIC Giao diện chƣơng trình thực thi đƣợc chia làm thẻ chức là: “Th c thi giải thuật”; “Ki m tra kết quả” “Th nghi m Online” Trong thẻ th c thi giải thuật đƣợc chia làm phần chính: phần chọn lựa nguồn liệu để thực thi, phần lựa chọn sai số mơ hình Winters, phần lựa chọn giải thuật thực thi tƣơng ứng, phần xuất kết cuối Chi tiết chức thẻ thực thi giải thuật sau: Thẻ chức Hình F.1: Các chức giao diện ban đầu E1 Hình F.2: Phần chọn lựa nguồn liệu để thực thi - Tại phần chọn lựa nguồn liệu để thực thi: (1) Lựa chọn nguồn liệu muốn thực thi, lúc tổng số dòng tổng số c t đƣợc lên; (2) Lựa chọn độ dài mùa tƣơng ứng với nguồn liệu; (3) Lựa chọn bƣớc nhảy thích hợp cho hệ số q trình thực thi giải thuật tìm lời giải Hình F.3: Phần lựa chọn sai số mơ hình Winters - Tại phần lựa chọn sai số mơ hình Winters: (1) Lựa chọn mơ hình dự báo: mơ hình c ng mơ hình nhân; (2) Lựa chọn sai số MSE MAPE để so sánh kết E2 Hình F.4: Phần lựa chọn giải thuật thực thi tương ứng - Tại phần lựa chọn giải thuật thực thi tƣơng ứng: (1) Lựa chọn giải thuật tƣơng ứng để dự báo; (2) Lựa chọn thực thi chƣơng trình Hình F.5: Phần xuất kết cuối - Tại phần xuất kết cuối cùng: (1) Giải thuật đƣơc lựa chọn để thực thi; (2) Giá trị ƣớc lƣợng đƣợc hệ số Alpha, Beta, Gamma; (3) Giá trị sai số trả tƣơng ứng E3 Chi tiết chức thẻ kiểm tra kết sau: Hình F.6: Thẻ chức iểm tra kết Nội dung thẻ chức ki m tra kết có tác dụng giúp cho việc kiểm tra lại trình thực thi giải thuật, nội dung chi tiết bao gồm: 1) Điểm báo hiệu bắt đầu giải thuật; (2) Trạng thái giải thuật thực thi; 3) Tìm đƣợc trạng thái tốt trạng thái tại; (4) Tập hợp trạng thái lân cận trạng thái thực thi giải thuật; 5) Điểm báo hiệu kết thực giải thuật E4 Chi tiết chức thẻ thử nghiệm Online sau: Hình F.7: Thẻ chức thử nghiệm Online Nội dung thẻ chức th nghi m Online có tác dụng giúp cho việc thực thi giải thuật môi trƣờng trực tuyến, nội dung chi tiết bao gồm: (1) Lựa chọn nguồn liệu muốn thực thi, lúc tổng số dòng tổng số c t đƣợc lên; (2) Lựa chọn độ dài mùa tƣơng ứng với nguồn liệu; (3) Lựa chọn bƣớc nhảy thích hợp cho hệ số q trình thực thi giải thuật tìm lời giải; (4) Lựa chọn ngƣỡng sai số tương ối MAPE cho trình thực thi giải thuật; (5) Lựa chọn thực thi chƣơng trình; (6) Lúc kết cuối đƣợc hiển thị phần kết E5 Hình F.8: Nội dung kết thẻ chức thử nghiệm Online Qua đó, thơng tin kết cho biết thông tin quan trọng sau: - (1) Thông tin liệu kế tiếp, liệu đƣa vào thực thi giải thuật có làm cho sai số tương ối MAPE lớn ngƣỡng sai số hay khơng Nếu vƣợt qua ngƣỡng hệ số đƣợc dự báo lại có thơng tin “Các hệ số đƣợc dự báo lại” chi tiết hệ số alpha, beta gamma Nếu không vƣợt qua ngƣỡng có thơng tin liệu - (2) Kết dự báo cuối c ng có đƣợc tƣơng ứng với liệu cuối tập liệu bao gồm giá trị hệ số alpha, beta gamma sai số tương ối MAPE thời điểm - (3) Khi lấy giá trị hệ số alpha, beta gamma từ 2) để dự báo lại cho toàn tập liệu cho kết tƣơng ứng sai số tương ối MAPE E6 PHỤ LỤC F: QUÁ TRÌNH THỰC THI MƠ HÌNH SARIMA TRÊN R Sau chi tiết câu lệnh thực thi R hình minh họa cho bƣớc thực thi mơ hình SARIMA việc dự báo [14] - Bộ liệu doanh số bán hàng hàng tháng cửa h ng bán đồ ưu niệm Queensland, Australia, từ nă 1987 đến nă 1993  Chia tập liệu thành tập huấn luyện tập kiểm nghiệm kết trả tƣơng đƣơng 71 13 #Ki m tra số lượng d li u chia thành tập d li u >somau = length(tapdulieu); somau >mauhuanluyen = as.integer(somau*85/100); mauhuanluyen >71 >maukiemnghiem = somau - mauhuanluyen; maukiemnghiem >13 >taphuanluyen = window(tapdulieu, end = mauhuanluyen) >tapkiemnghiem = window(tapdulieu, start = mauhuanluyen + 1)  Gọi thƣ viện hỗ trợ R cho mơ hình SARIMA #G i thư vi n h trợ >library(TTR) >library(TSA)  Hiển thị đồ thị tập huấn luyện ban đầu #M m t c a sổ vẽ th >win.graph(width = 8, height = 6, pointsize = 8) #Vẽ th tập d li u n ầu >plot(taphuanluyen, type = 'l', ylab = 'D li u Fancy', xlab = 'Th i gi n' m in = 'Đ th tập d li u huấn luy n n ầu') F1 Hình G.1: Đồ thị tập huấn luyện Fancy chưa hiệu Nhìn vào đồ thị, tập liệu chƣa có tính dừng  Hiển thị đồ thị ACF tập huấn luyện chƣa lấy hiệu #Vẽ th ACF tập d li u huấn luy n > t phu nlu en l g = m uhu nlu en l = 'Đ tin cậy ACF', xlab = 'Số lượng mẫu', main = 'Đ th ACF tập huấn luy n') Hình G.2: Đồ thị ACF tập huấn luyện Fancy chưa hiệu F2  Hiển thị đồ thị PACF tập huấn luyện chƣa lấy hiệu #Vẽ th PACF tập d li u huấn luy n >p t phu nlu en l g = m uhu nlu en l = 'Đ th PACF tập huấn luy n') = 'Đ tin cậy PACF', xlab = 'Số lượng mẫu', main Hình G.3: Đồ thị PACF tập huấn luyện Fancy chưa hiệu  Lấy hiệu lần thứ tập huấn luyện #Lấy hi u lần >layhieulan1 = diff(taphuanluyen)  Hiển thị đồ thị tập huấn luyện lấy hiệu lần #Vẽ th tập d li u huấn luy n sau lấy hi u lần >plot(layhieulan1, type='l', ylab='D li u Fancy', xlab='Th i gi n' ol = 're ' m in = 'Đ th tập d li u huấn luy n lấy hi u lần 1') Hình G.4: Đồ thị tập huấn luyện Fancy lấy hiệu lần Nhìn vào đồ thị, tập liệu có tính dừng F3  Hiển thị đồ thị ACF tập huấn luyện lấy hiệu lần #Phân tích ACF > l hieul n1 l g = m uhu nlu en l = 'Đ tin cậy ACF', xlab = 'Số lượng mẫu', col = 're ' m in = 'Đ th ACF tập huấn luy n lấy hi u lần 1') Hình G.5: Đồ thị ACF tập huấn luyện Fancy lấy hiệu lần Nhìn vào đồ thị, số bậc ACF  Hiển thị đồ thị PACF tập huấn luyện lấy hiệu lần #Phân tích PACF >p l hieul n1 l g = m uhu nlu en l = 'Đ tin cậy ACF', xlab = 'Số lượng mẫu', col = 're ' m in = 'Đ th PACF tập huấn luy n lấy hi u lần 1') Hình G.6: Đồ thị PACF tập huấn luyện Fancy lấy hiệu lần Nhìn vào đồ thị, số bậc PACF F4  Thực dự báo theo mơ hình SARIMA tập hợp có tập huấn luyện Kết trả tập dự báo Giả sử mơ hình SARIMA (3, 1, 2) x (3, 0, 2) mơ hình đƣợc chọn >sarima = arima(taphuanluyen, order = c(3,1,2), seasonal = list(order = c(3,0,2), period = 12), method = "CSS"); sarima >dulieudubao = plot(sarima, n.ahead = maukiemnghiem, pch = 19, col = 'red', ylab = 'D li u Fancy', xlab='Th i gi n' m in = 'Đ th d li u d báo SARIMA') >tapdubao = dulieudubao$pre  Tính tốn hệ số MSE MAPE tƣơng ứng tập dự báo tập kiểm nghiệm  >mape mse plot(tapdubao, type='l', ylab='D li u Fancy', xlab='Th i gi n' d li u d báo SARIMA', lwd = 3, lty = 2) ol = 're ' m in = 'Đ th tập >par(new=TRUE) #Hàm kết nối th >plot(tapkiemnghiem, type='l', axes=FALSE, ylab='D li u Fancy', xlab='Th i gian', col = 'blue', m in = 'Đ th tập d li u d báo SARIMA', lwd = 3) Hình G.7: Kết dự báo SARIMA tập liệu Fancy Nhƣ vậy, sai số mà mơ hình SARIMA dự báo lần lƣợt là: MSE = 80095235 MAPE = 28,64551% Các lệnh thực thi hoàn toàn tƣơng tự cho tất tập liệu lại F5 PHỤ LỤC G: CÁC LỆNH THỰC THI MƠ HÌNH SARIMA TRÊN R Tất lệnh thực thi liệu doanh số bán hàng hàng tháng cửa h ng bán đồ ưu niệm Queensland, Australia, từ nă 1987 đến nă 1993 ngôn ngữ R là: #S dụng phần mềm ế áp dụng SARIMA #D li u ầu vào: fancy-12.txt # chu ky = 12 #Đ c d li u vào R tapdulieu