(Đồ án tốt nghiệp) tìm hiểu mô hình hồi quy và ứng dụng trong dự báo dữ liệu chuổi thời gian

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH ĐỒ ÁN TỐT NGHIỆP NGÀNH CƠNG NGHỆ THƠNG TIN TÌM HIỂU MƠ HÌNH HỒI QUY VÀ ỨNG DỤNG TRONG DỰ BÁO DỮ LIỆU CHUỖI THỜI GIAN GVHD: NGUYỄN THÀNH SƠN SVTH: NGUYỄN XUÂN NGUYÊN MSSV: 16110539 SVTH: TRẦN THỊ NHỰT MSSV: 16110410 SKL007092 Tp Hồ Chí Minh, năm 2020 TRƯỜNGĐẠI HỌC SƯ PHẠM KỸ THUẬT TP.HCM KHOA CÔNG NGHỆ THÔNGTIN BỘ MÔN HỆ THỐNGTHÔNG TIN Nguyễn Xuân Nguyên - 16110539 Trần Thị Nhựt - 16110410 Đề Tài: TÌM HIỂU MƠ HÌNHHỒIQUY*VÀ, ỨNG DỤNG TRONG DỰ BÁO1DỮ LIỆU CHUỖI THỜI GIAN KHÓA LUẬN TỐT NGHIỆP KỸ SƯ CNTT GIÁOVIÊN HƯỚNG DẪN TS NGUYỄN THÀNH SƠN KHÓA 2016- 2020 ĐH SƯ PHẠM KỸ THUẬT TP.HCM CỘNGHÒAXÃ HỘI CHỦ NGHĨA VIỆT NAM KHOA CNTT ******* PHIẾU NHẬN XÉT CỦA GIÁO1VIÊNHƯỚNG DẪN Họ tên sinhviên 1:Nguyễn Xuân Nguyên Họ tên sinhviên 2:Trần Thị Nhựt Ngành:Cơng nghệ thơng tin Tên đề tài: Tìm hiểu mơ*hình hồiquy"và ứng dụng dự báo6dữ liệu chuỗi thời gian Họ tên Giáo viênhướng dẫn: TS NguyễnThànhSơn NHẬN XÉT Về nộidung đề tài khốilượng thực hiện: ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… Ưu điểm: ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… Khuyếtđiểm: ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… Đề nghị cho bảo vệ hay không? Đánhgiá loại: Điểm: Tp Hồ Chí Minh, ngày tháng năm 2020 Giáo viên hướng dẫn (Ký ghirõ họ tên) ĐH SƯ PHẠM KỸ THUẬT TP.HCM CỘNGHÒAXÃ HỘI CHỦ NGHĨA VIỆT NAM KHOA CNTT ******* PHIẾU NHẬN XÉT CỦA GIÁO1VIÊN PHẢN BIỆN Họ tên sinhviên 1:NguyễnXuân Nguyên Họ tên sinhviên 2:Trần Thị Nhựt Ngành:Công nghệ thơng tin Tên đề tài: Tìm hiểu mơ*hình hồiquy"và ứng dụng dự báo6dữ liệu chuỗi thời gian Họ tên Giáo viênphản biện: NHẬN XÉT Về nộidung đề tài khốilượng thực hiện: ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… Ưu điểm: ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… Khuyếtđiểm: ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… ………………………………………………………………………………………… Đề nghị cho bảo vệ hay không? Đánhgiá loại: Điểm: Tp Hồ Chí Minh, ngày tháng năm2020 Giáo viênphản biện (Ký ghirõ họ tên) LỜI CẢMƠN Trong suốt trình học tập, nghiên cứu đề tài “Tìm hiểu mơ hình hồiquy ứng dụng dự báo liệu chuỗi thời gian”, chúng em nhận giúp đỡ, bảo nhiệt tình thầy, cô giáo Khoa Công nghệ thông tin - Trường Đại học Sư Phạm Kỹ Thuật thành phố Hồ Chí Minh Với tình cảm chân thành, chúng em xin bày tỏ lịng biết ơn đối thầy giáo, giáo tham gia quản lý, giảng dạy giúp đỡ chúng em suốt trình học tập, nghiên cứu Chúng em xinbày tỏ biếtơnđặc biệtđến TS NguyễnThành Sơn - ngườiđã trực tiếphướng dẫn, giúp đỡ chúng em hồnthànhtốt luận văn này.ZTrong q!trìnhhọc tập khóa[luận chunngànhHệ thống thông tin, chúngem nhậnđược quan tâm, giúpđỡ,Rhướng dẫn tậntình, tâm huyết thầy Thầy đãLgiúp đỡ em tích lũy thêm nhiều kiến thứcđể có nhìn vàhồnthiệnhơncho đề tài Do6chưaJcó nhiều kinh nghiệm.làm để tài hạn chế kiến thức, luận văn chắn khơng tránh khỏi thiếu sót Rất mong nhậnđược nhận xét,RýUkiếnđóng góp,Rphêbình từ phía Thầy(cơ) để bàikhóa luận chúng em đượchồn thiệnhơn Chúng em xinchân thành cảm ơn ĐỀ CƯƠNG LUẬN VĂNDTỐT NGHIỆP Họ TênSV thực 1: Nguyễn XuânNguyên Mã số SV: 16110539 Họ TênSV thực 2: Trần Thị Nhựt Mã số SV: 16110410 Thời gian làm luậnvăn:từ: 30/03/2020 Đến: 30/07/2020 Chun ngành: Hệ thống thơng tin Tên luậnvăn:Tìm hiểu!mơ hìnhhồiquy vàứng dụng dự báo6dữ liệu chuỗi thời gian GV hướng dẫn: TS NguyễnThành Sơn Nhiệm Vụ Của LuậnVăn: Hiểu!được tầm quan trọng Machine Learning Tìm hiểu!mơ hình hồi quy Tìm hiểu!mơ hìnhANN Tìm hiểu!mơ hìnhkết hợp hồiquy vàANN Cài đặtmơ hình6 Thực nghiệpso sánh mơ hìnhtrên nhiều tập liệu Đề cươngcủa luận văn: Phần 1: MỞ ĐẦU 1.1 Tính cấp thiết củaJđề tài 1.2 Mụcđích củaJđề tài 1.3 Cách tiếp cận phươngphápnghiên cứu 1.4 Kết đạtđược Phần 2: NỘI DUNG Chương1: Tổng quan vàứng dụng 1.1 MachineVlearning làDgì? 1.2 Forecasting gì? 1.3 Machine learing ứng dụng vào6những việcgì? 1.4 Cácbước bảnđể tiếnhànhtrong dự báo 1.5 Dữ liệu!và phương pháp dùngltrong dự báo Chương2: CÁC CÁCHTHỂ HIỆN DỮ LIỆU DƯỚI DẠNG TIME SERIES 2.1 Cácmơ*típcó thể xuất 2.2 Cáccách thể liệu!dưới dạng time series Chương3: CÁC CÔNGCỤ SỬ DỤNG CHO VIỆC DỰ ĐỐN 3.1 Cácphương pháp dự đốnđơngiản 3.2 Chuyển đổivà điều chỉnh (Transformation and adjustment) 3.3 Biếnđổi (Transformation) Chương4: MƠzHÌNHHỒI QUY 4.1 Hồiquy đơn 4.2 Hồi quy bội 4.3 Mô hìnhhồi quy theo thời gian Chương5: MƠ HÌNH MẠNG;NEURON NHÂNTẠO (ANN) 5.1 Lịch sử phát triển củaJneuronnhân tạo 5.2 Neuron sinh vật 5.3 Mạng neuronnhân tạo Chương6: MƠHÌNHKẾT HỢP HỒI QUY VÀMẠNG NEURON NHÂNTẠO 6.1 Giới thiệu!mơ hình 6.2 Tính sai số tồn phương trung bình (MSE)~và trọng số ( ) CHƯƠNG7:ĐÁNH GIÁBẰNG THỰC NGHIỆM 7.1 Môi trường thực nghiệm 7.2 Các tập liệu dùngtrongthực nghiệm 7.3 Các trường hợp thực nghiệm 7.4 Kết thực nghiệm Phần 3: KẾT LUẬN 3.1 Kết đạtđược 3.2 Đóng góp đề tài 3.3 Hạn chế 3.4 Hướng pháttriển MỤC LỤC Phần 1: MỞ ĐẦU 1.1 TÍNH CẤP THIẾT CỦAĐỀ TÀI 1.2 MỤC ĐÍCHCỦAĐỀ TÀI 1.3 CÁCH TIẾP CẬN VÀ,PHƯƠNG PHÁPNGHIÊN CỨU 1.3.1 ĐốiUtượng nghiên cứu 1.3.2 Phạm viOnghiên cứu 1.4 KẾT QUẢ ĐẠT ĐƯỢC Phần 2: NỘI DUNG Chương 1:JTỔNG QUAN VÀ+ỨNG DỤNG 1.1 MACHINE LEARNING LÀ GÌ? 1.2 FORECASTING LÀ GÌ? 1.3 MACHINE`LEARINGĐƯỢC ỨNG DỤNG VÀO,NHỮNG VIỆC GÌ? 1.4 CÁC BƯỚC CƠ BẢNĐỂ TIẾN HÀNHTRONG MỘT DỰ BÁO 1.5 DỮ LIỆU'VÀ,PHƯƠNGPHÁP DÙNG TRONG DỰ BÁO .5 Chương 2:J CÁC CÁCH THỂ HIỆN DỮ LIỆU' DƯỚI DẠNG TIME SERIES 2.1 CÁC MƠTÍP CĨTHỂ5XUẤT HIỆN 2.2 CÁC CÁCH THỂ HIỆNDỮ LIỆU DƯỚI DẠNG TIME SERIES Chương 3:JCÁC CƠNG CỤ SỬ DỤNG CHOVIỆCDỰ ĐỐN 10 3.1 CÁC PHƯƠNG PHÁP DỰ ĐOÁN ĐƠN GIẢN 10 3.2 CHUYỂN ĐỔI VÀ, ĐIỀU CHỈNH (Transformation and Adjustment) 12 3.3 BIẾNĐỔI (Transformation) 13 Chương 4:JMƠ HÌNH HỒI QUY 16 4.1 HỒI QUY ĐƠN 16 4.2 HỒI QUY BỘI 35 4.3 MƠHÌNH HỒI QUY THEO THỜI GIAN 51 Chương 5: MƠHÌNH MẠNG NEURON'NHÂN TẠO (ANN) 64 5.1 LỊCH SỬ PHÁT TRIỂN CỦA NEURON NHÂN TẠO 64 5.2 NEURON SINH VẬT 65 5.3 MẠNG NEURON NHÂNTẠO 66 Chương 6:JMƠ HÌNH%KẾT HỢP HỒI QUY VÀ MẠNG NEURONNHÂN TẠO 89 6.1 GIỚI THIỆU MƠHÌNH 89 6.2 TÍNH SAISỐ TỒN PHƯƠNG TRUNG BÌNH (MSE)vàmtrọng số ( ) 90 CHƯƠNG7:JĐÁNH GIÁ BẰNG THỰC NGHIỆM 91 7.1 MÔI TRƯỜNG THỰC NGHIỆM 91 7.2 CÁC TẬP DỮ LIỆU DÙNG TRONG THỰC NGHIỆM 91 7.3 CÁC TRƯỜNG HỢP THỰC NGHIỆM 100 7.4 KẾT QUẢ THỰC NGHIỆM 101 Phần 3: KẾT LUẬN 112 3.1 KẾT QUẢ ĐẠTĐƯỢC 112 3.2 ĐÓNG GÓP CỦAĐỀ TÀI 112 3.3 HẠN CHẾ 112 3.4 HƯỚNG PHÁT TRIỂN 112 DANH MỤC TÀI LIỆU THAM KHẢO 113 KẾ HOẠCH THỰC HIỆN LUẬN VĂN 114 Epoch=40 Epoch=50 Epoch=60 Epoch=70 Epoch=80 Epoch=90 Epoch=100 Qua kết bảng 18 ta thấy giá trị epoch lớn thìthời gian thực thi lớn sai số MAE nhỏ Ta chọnepoch=100 để chạy thực nghiệm.trên mơ hình kết hợp Chạy thực nghiệm trên&mơ hình-kết hợp với k=6 epoch=100 Bảng 19 Giá trị sai số tập liệuAir Quality choX3}mơhình thực nghiệm RMSE MAE Regression ANN 3.52 2.13 Hybrid Regression 2.57 4.38 CV(RMSE) ANN Hybrid 2.74 Regression 3.2 13.07 ANN Hybrid 8.18 9.54 Bảng 20 Thời gian thực thi tập liệuAir Quality choL3XmơhìnhXthực nghiệm Mơ*hình Thời gian thực thi Regression ANN Hybrid 1.83 s 21.81 s 21.95 s Nhậnxét: Qua kết từ việc chạy thực nghiệm tập liệu cho63tmơ*hình thìtệp liệu Air quality data set chạy cho kết tốt nhấttrênmơ*hìnhmạng neuron nhân%tạo Nhưng lạitiêu tốn thời gian nhiều gấp 12 lần so vớimơ hình hồi quy Mơ hình kết hợp cho 103 giá trị gần giống mơ*hìnhmạng neuron nhântạo, điều!này cho thấy mơ hình mạng neuron nhântạo chiếm ưu mơ hìnhhồiquy"trong mơ hình kết hợp 7.4.2 Thực nghiệm với tập liệu Jena_climate_2009_2016 Input bao gồm các5cột: Date Time(DD/MM/YYYY HH:MM:SS ), p (mbar), Tpot (K), Tdew (degC), rh (%), VPmax (mbar), VPact (mbar), VPdef (mbar), sh (g/kg), H2OC (mmol/mol), rho (g/m**3), wv (m/s), max wv (m/s),wd (deg) Output bao gồm cột: T (degC) Bảng 21 kết chạy thực nghiệm tập liệu Jena_climate_2009_2016 sử dụng mô hình-ANN với số neuron lớp ẩn từ k=1, 2,…, 10, epoch=10 Bảng 21 Giá trị thực nghiệm tệp liệu Jena_climate_2009_2016 mơhình ANN với k thay đổi k=1 k=2 k=3 k=4 k=5 k=6 k=7 k=8 k=9 k=10 104 Theo kết chạy thực nghiệm với mơ hình ANN, ta thấy với k=5 giá trị MAE=0.15 thời gian thực thi 290.55 kết tốt nhấttrong giá trị k =1, 2, ,10 Bảng 22 kết chạy thực nghiệm tập liệu Air quality sử dụng mơ*hình ANN với số neuron lớp ẩn k=5, epoch=10, 20,R…, 100 Bảng 22 Giá trị chạy thực nghiệm tệp liệu Jena_climate_2009_2016 mơ hìnhXANN vớiUepochLthayđổi Epoch=10 Epoch=20 Epoch=30 Epoch=40 Epoch=50 Epoch=60 Epoch=70 Epoch=80 Epoch=90 Epoch=100 Qua kết bảng 22 ta thấy giá trị epoch lớn thìthời gian thực thi lớn sai số MAE thay đổiliên tục Tuy nhiên vớiepoch6=10 thìgiá5trị MAE=0.15 nhỏ Nên ta chọn epoch =10 để chạy thực nghiệm.trênmơ hìnhkết hợp Chạy thực nghiệm trên&mơ hình-kết hợp với k=5, epoch = 10 105 Bảng 23 Giá trị sai số tập liệu Jena_climate_2009_2016 3cmơ hìnhXthực nghiệm MAE Regression ANN 0.01 0.15 RMSE Hybrid Regression 0.01 0.06 CV(RMSE) ANN Hybrid 2.48 Regression 0.01 0.01 ANN Hybrid 0.22 Bảng 24 Thời gian thực thi tập liệu Jena_climate_2009_2016 3cmơ hình thực nghiệm Mơ hình Regression ANN Hybrid Thời gian thực thi 9.16 s 290.55 s 292.23 s Nhậnxét: Qua kết từ việc chạy thực nghiệm tập liệu cho3tmơ*hình thì-tệp liệu Jena_climate_2009_2016 chạy cho kết tốt nhấttrên mơ hình-hồi quy Với thời gian thực thi ngắnhơn nhiều so vớimơ hình mạng neuron nhân tạo có 9.16giây.ZVà sai số MAE=0.01đây giátrị sai số thấp Mơ hình mạng neuronnhân%tạo cho sai số cao hai mơ*hình cịnlại vàthời gian thực lớn Mơ hình kết hợp cho kết sai số giống vớimơ hình hồi quy, điều cho thấy mơ.hình kết hợpmơ*hình hồi quy chiếm ưu 7.4.3 Thực nghiệm với tập liệu Appliances energy prediction (Dự đoán lượng gia dụng) Input bao gồm các5cột: Date, Appliances, Lights, T1, RH_1, T2, RH_2, T3, RH_3, T4, RH_4, T5, RH_5, T6, RH_6, T7, RH_7, T8, RH_8, T9, RH_9, Press_mm_hg, RH_out, Windspeed, Visibility, Tdewpoint, rv1, rv2 Output bao gồm cột: T_out Bảng 23là kết chạy thực nghiệm tập liệu Appliances energy prediction sử dụng mơ*hìnhANN với số neuron lớp ẩn từ k=1, 2,…F, 10, epoch=10 106 Bảng 25 Giá trị thực nghiệm tệp liệu Appliances energy prediction trênmơ hình ANN vớiUk~thay đổi k=1 k=2 k=3 k=4 k=5 k=6 k=7 k=8 k=9 k=10 Theo kết chạy thực nghiệm với mơ* hình ANN, ta thấy với k=10 giá trị MAE=0.76 thời gian thực thilà 6.65 làkết tốt nhấttrong giátrị k =1, 2, ,10 Bảng 26 kết chạy thực nghiệm tập liệu Appliances energy prediction sử dụng mơ*hìnhANN với số neuron lớp ẩn k=10,Repoch=10, 20, … , 100 Bảng 26 Giá trị thực nghiệm tệp liệu Appliances energy prediction trênmơ hình ANN vớiUepochLthayđổi Thời gian thực MAE RMSE CV(RMSE) 0.76 1.08 0.08 thi Epoch=10 6.65 s 107 Epoch=20 Epoch=30 Epoch=40 Epoch=50 Epoch=60 Epoch=70 Epoch=80 Epoch=90 Epoch=100 Qua kết bảng 26 ta thấy giá trị epoch lớn thìthời gian thực thi lớn nhiênvới epoch=40thì-giátrị sai số MAE=0.68 nhỏ Ta chọn epoch =40 để chạy thực nghiệm.trênmơ hình kết hợp Chạy thực nghiệm mơ hìnhkết hợp với k=10, epoch=40 Bảng 27 Giá trị sai số tập liệu Appliances energy prediction 3cmơ hình thực nghiệm MAE Regression ANN 0.59 0.68 RMSE Hybrid Regression 0.63 1.05 CV(RMSE) ANN Hybrid 1.26 Regression 0.94 0.08 ANN Hybrid 0.09 0.07 Bảng 28 Thời gian thực thi tập liệu Appliances energy prediction 3cmơhìnhthực nghiệm Mơ hình Regression ANN Hybrid Thời gian thực thi 0.79 s 43.35 s 45.09 s 108 Nhậnxét: Qua thực nghiệm chạy ba mơ hình, ta thấy tệp liệu Appliances energy prediction cho kết tốt mơ*hình hồi quy Với sai số MAE=0.59 thời gian thực thi là0.79 Mơ hình kết hợp cho kết giống vớimơ*hình hồi quy, điều! có nghĩa mơ*hìnhhồi quy chiếm ưu!thế hơn@so vớimơ hình neuron nhân tạo6trong mơ hình kết hợp 7.4.4 Thực nghiệm với tập liệu Occupancy Detection Data Set (Bộ liệu phát chiếm dụng) Input bao gồm cột: Date, Temperature, Humidity, Light, CO2, HumidityRatio Output bao gồm cột: Occupancy Bảng 26 kết chạy thực nghiệm tập liệu Occupancy Detection sử dụng mơ hình-ANN với số neuron lớp ẩn từ k=1, 2,…, 10, epoch=10 Bảng 29 Giá trị thực nghiệm tệp liệu Occupancy Detection Data Set trênmơ hìnhXANN k=1 k=2 k=3 k=4 k=5 k=6 k=7 k=8 k=9 109 k=10 3.6 s 0.4 0.54 Theo kết chạy thực nghiệm với mơ hình ANN, ta thấy với k=4 giá trị MAE=0.04 thời gian thực thilà 3.24zđây%làkết tốt nhấttrong giá trị k =1, 2, , 10 Bảng 30 kết chạy thực nghiệm tập liệu Air quality sử dụng mơ*hình ANN với số neuron lớp ẩn k=4, epoch=10, 20, … , 100 Bảng 30 Giá trị thực nghiệm tệp liệu Occupancy Detection Data Set mơ hìnhXANN vớiUepochLthayđổi Epoch=10 Epoch=20 Epoch=30 Epoch=40 Epoch=50 Epoch=60 Epoch=70 Epoch=80 Epoch=90 Epoch=100 Qua kết bảng 30 ta thấy giá trị epoch lớn thìthời gian thực thi lớn saiJsố thay đổi Tuy nhiên vớigiátrị epoch = 10 cho kết MAE=0.4 nhỏ Ta chọn epoch =10 để chạy thực nghiệm.trênmơ hình-kết hợp Chạy thực nghiệm trên&mơ hình-kết hợp với k=4, epoch=10 110 Bảng 31 Giá trị sai số tập liệu Occupancy Detection 3cmô hìnhthực nghiệm MAE Regression ANN 0.14 0.04 RMSE Hybrid Regression 0.14 0.21 CV(RMSE) ANN Hybrid 0.09 Regression 0.21 0.77 ANN Hybrid 0.33 0.77 Bảng 32 Thời gian thực thi tập liệu Occupancy Detection 3cmơhìnhXthực nghiệm Mơ hình Regression ANN Hybrid Thời gian thực thi 1.18 s 4.65 s 7.99 s Nhậnxét: Qua kết thực nghiệm ta thấy tập liệu Occupancy Detection Data Set cho kết chínhxácnhất mơ*hình neuron nhân tạo với sai số MAE=0.04zvà thời gian thực thilà 4.65.ZSo thờigianJthìchậm so vớimơ*hìnhhồi quy Mơ hìnhkết hợp cho kết giống với mơ*hình hồi quy, cho thấy mơ hình hồi quy chiếm ưu!thế hơn@ mơ hìnhkết hợp 111 Phần 3: KẾT LUẬN 3.1 KẾT QUẢ ĐẠTĐƯỢC - Hiểu!được tầm quan trọng Machine Learning - Hiểu!được mơ hìnhhồiquy"đơn, hồi quy bội, mạng neuron nhân%tạo - Hiểu!được phép laiJmơ hình kết hợp hồi quy vàmạng neuronnhân tạo - Hiểu!được mơ hìnhhồi quy chuỗi thời gian - Tìm hiểu!bàitốn áp5dụng demo6mơ*hình 3.2 ĐĨNG GĨP CỦA ĐỀ TÀI Đónggóp[vào6dự báo6các5vấnđề thời tiết, giá5vậttư,Rsản lượng vật phẩm, nhu cầu sử dụng hàng hóa.JMang tính chất thực tế cao,Rtuy"nhiên mức độ xác tươngđối nhỏ vẫncịn saiJsố nhiều So sánhđược mứcđộ chínhQxáccủa mơ hìnhcho tập liệu!khác Từ biếtđược mơ hìnhnào phù hợp với tập liệu nào6nhất 3.3 HẠN CHẾ - Tài liệu tiếng anh nhiều từ ngữ chuyênngànhkhóhiểu!sâuvào nội dung đề tài - Hạn chế ngôn*ngữ,Rcách đọc hiểu nênchưaJthể hiểu sâu%nhất - Tập liệu dataset khá5nhiều, có nhiều tậpkhó xử lí liệu 3.4 HƯỚNG PHÁT TRIỂN Tiếp tục nghiên cứu sâu vào6đề tài,Rnghiên cứu!các5phương pháp cao hơn.Z Nâng cao mơ hình dự đoán.5Cải thiện App demo dự báo hiệu quả, cải thiện sai số 112 DANH MỤCTÀILIỆU THAM KHẢO [1] R J H a G Athanasopoulos, Forecasting: Principles and Practice, Monash University, Autralia [2] T P C.)Huy, Bài giảng môn học kinh tế lượng, 2013 [3] N C Dũng, Kinhtế lượng với R, 2017 [4] T N V H V X N Nguyễn Thị Thanh Huyền, Phân tích dự báo kinhtế, Thái Nguyên, 2009.§ [5] C H.T Biên dịch: ThụcĐoan, Các phươngpháp địnhlượng, 2011 [6] D T Trang, Ứng dụng mạng neuron nhân tạo dự báo6số học sinh tuyểnvào trungtâm GDNN-GDTX quậnĐống Đa, 2017 [7] R J Schallkoff, Artificial Neural Networks, The McGraw – Hill Companies, 1997 [8] S.H., Artificial Neural Networks (ANNs) for flood forecasting at Dongola Sation, Alexandria Engineering Journal, 2014 [9] Jaime, V.R., Felipe, C., Pablo, V., Artificial Neural Networks applied to flow prediction:, Procedia Engineering 162, 2016 113 KẾ HOẠCH THỰC HIỆN LUẬN VĂN Họ tên sinhviên 1:NguyễnXuân Nguyên MSSV 1: 16110539 Họ tên viênsinh Trầ2:n Thị Nhựt MSSV 2: 16110410 Thời gian: từ 30/03/2020 đến 30/07/2020 Tên luậnvăn: Tìm hiểu!mơ hìnhhồiquy ứng dụng dự báo6dữ liệu chuỗi thời gian Giáo hướviênng dẫn: TS Nguyễn Thành Sơn CƠNG;VIỆC STT Tìm.hiểu!mơ ANNhình Ví dụ mơ hình ANN Tìm.các tập liệu!để giáđánh Videmo6mơết ANNhình Sửa lại chức năng,Rthêm vào chọn số neuron input, output, số lớp ẩn 114 Tìm.hiểu!mơ hình kết hợp hồi quy mạng neuron!nhântạo Viếtdemo cho mơ hình kết hợp hồiquy vàmạng neuron6nhântạo Thiếu chọn số neuron input, Sửa lại chức năng,Rthêm vào chọn output, số lớp ẩn số neuron input, output, số lớp ẩn 3tmơTách riênghình biệt Tính cách sai số 3tmơ*hình hồi quy, mạng neuron nhân tạo6và Tính thời gian thực thi mơ kếhìnht hợp Bao gồm mục: Môi* trường Đánh giá nghiệm mô thực nghiệm, tập liệu hình qua cáctập liệu dùng thực nghiệm, trường hợp thực nghiệm, kết thực nghiệm Chỉnh lại giao diện gọng gàng Lấy các5thơng số qua trang đánh giá mơ*hình khác 115 Chỉnh sửa word hoành chỉnh, chỉnh lỗi tả, canh lề, size chữ 10 Làm powerpoint 116 ... quy bội - Tìm hiểu mơ *hình ANN - Tìm hiểu mơ *hình kết hợp hồiquy ANN - Chuỗi thời gian - Dự báo6 Ápdụng hồi quy tuyến tính,Rmơ hình ANN,Rmơ hình kết hợp hồiquy - ANN vào 6dự báo Xây dựng ứng dụng. .. Nghiêncứu áp dụng mơ hình hồiquy, mơ hình ANNvàmơ hình kết hợp hồi quy với ANN dự báo5 dữ liệu chuỗi thời gian Giúpchúng ta nắm rõ vận dụng mơ *hình hồi quy chuỗi thời gianJđể ước lượng, dự báo6 các5giá... luậnvăn :Tìm hiểu! mơ hìnhhồiquy và? ??ng dụng dự báo6 dữ liệu chuỗi thời gian GV hướng dẫn: TS NguyễnThành Sơn Nhiệm Vụ Của LuậnVăn: Hiểu! được tầm quan trọng Machine Learning Tìm hiểu! mơ hình hồi quy Tìm