DỰ BÁO DỮ LIỆU CHUỖI THỜI GIAN BẰNG ỨNG DỤNG MÔ HÌNH ANFIS

THUẬT TOÁN ANFIS VÀ BÀI TOÁN DỰ BÁO DỮ LIỆU CHUỖI THỜI GIAN

BÀI TOÁN DỰ BÁO .1 Khái niệm

Dự báo hỗ trợ việc đề xuất chính sách: Dự báo cung cấp thông tin đầu vào cho các nhà hoạch định chính sách trong việc đề xuất các chính sách phát triển kinh tế và xã hội. Loại dự báo này đóng vai trò quan trọng trong quản lý mua sắm, điều chỉnh công việc hàng ngày, phân công nhiệm vụ và cân nhắc các hoạt động quản trị hàng ngày. Loại dự báo này đóng vai trò quan trọng trong việc phát triển dự án mới, định hình chiến lƣợc cho các cơ sở mới, chọn lựa công nghệ và thiết bị mới, mở rộng hoạt động kinh doanh hiện tại hoặc thành lập doanh nghiệp mới.

Đây là loại dự báo quan trọng đối với các ngành công nghiệp có tính kỹ thuật cao nhƣ năng lƣợng nguyên tử, hàng không vũ trụ, công nghệ dầu lửa, máy tính, nghiên cứu không gian và điện tử. Phương pháp định tính, hay còn được biết đến như phương pháp dự báo chuyên gia (phương pháp Delphi), là một phương pháp thu thập và xử lý đánh giá dự báo bằng cách tập hợp ý kiến từ các chuyên gia giỏi trong một lĩnh vực hẹp của khoa học, kỹ thuật hoặc sản xuất. Nhiệm vụ của phương pháp này là đưa ra những dự báo về tương lai phát triển của khoa học, kỹ thuật hoặc sản xuất dựa trên việc xử lý các đánh giá dự báo của các chuyên gia.

- Trong các trường hợp dự báo trung hạn và dài hạn của đôi tượng dự báo phản ánh sự ảnh hưởng của nhiều nhân tố khó lượng hoá, đặc biệt là các nhân tố tâm lý xã hội hoặc tiến bộ khoa học kỹ thuật. Quá trình áp dụng phương pháp chuyên gia thường đi qua ba giai đoạn lớn: lựa chọn chuyên gia, trƣng cầu ý kiến của chuyên gia, và thu thập, xử lý các đánh giá dự báo. Những phương pháp này tập trung vào việc xác định mối quan hệ giữa các biến độc lập và biến phụ thuộc, từ đó dự báo giá trị của biến phụ thuộc dựa trên các giá trị của các biến độc lập.

THUẬT TOÁN ANFIS

Ngoài việc sử dụng các luật chuyên gia, việc trích xuất luật từ dữ liệu cũng là một hình thức mô hình hóa hệ thống điều khiển tự động, đƣợc áp dụng trong các lĩnh vực nhƣ Nhận dạng, khai thác dữ liệu, v.v. Bên cạnh những ƣu điểm của hệ điều khiển mờ, cũng tồn tại một số hạn chế, nhƣ việc thiết kế và tối ƣu hóa hệ logic mờ đòi hỏi có kinh nghiệm về điều khiển đối tượng. Ngoài ra, việc xác định các tham số nhƣ số lƣợng và hình dạng của các tập mờ, vị trí của chúng, cũng nhƣ cách kết hợp chúng và trọng số của mỗi luật điều khiển cũng là những thách thức đối với người thiết kế.

Đối với những câu hỏi như số lượng và hình dạng của các tập mờ, cũng nhƣ cách kết hợp chúng và trọng số của mỗi luật điều khiển, việc tìm lời giải có thể gặp khó khăn nếu chỉ dừng lại ở tƣ duy logic mờ. Thông qua cách biểu diễn này, luật mờ được sử dụng để tạo ra các phương thức lập luận không chính xác, nhằm thể hiện sự đa dạng trong tri thức của con người. Với sự hỗ trợ của các nhãn ngôn ngữ và các hàm thành viên, một luật mờ có thể dễ dàng biểu diễn qui luật điều khiển của con người và được mở rộng để áp dụng trong nhiều ứng dụng khác nhau.

 Đơn vị thực hiện quyết định: Đây là bước thực hiện phép toán suy luận trên các luật, dựa trên cơ sở luật và cơ sở dữ liệu, để tạo ra kết quả dự báo hoặc quyết định.  Suy luận mờ: Là quá trình chuyển đổi dữ liệu thô đầu vào thành các mức độ kết nối với biến ngôn ngữ dựa trên các quy tắc và hàm thành viên được xác định trước.  Kết hợp trọng số: Sử dụng toán tử chuẩn T-norm, thường là phép nhân hoặc phép lấy tối tiểu, để kết hợp các giá trị thành viên của các phần giả thiết và thu đƣợc trọng số của từng luật.

Loại 1: Trong loại này, dữ liệu đầu ra đƣợc tính bằng cách lấy trung bình trọng số của các giá trị đầu ra mờ từ mỗi luật, dựa trên ngƣỡng kích hoạt

Các phương pháp khác nhau được đề xuất để chọn lựa giá trị đầu ra thô cuối cùng dựa trên các giá trị mờ, bao gồm trung tâm của diện tích, đường phân giác của diện tích, trung bình cực đại, tiêu chuẩn cực đại, và các phương pháp khác. Sự biến đổi của trạng thái tự nhiên của hàm nút có thể truyền từ nút này sang nút khác, và mỗi hàm nút đƣợc lựa chọn dựa trên một hàm ánh xạ toàn cục từ đầu vào đến đầu ra, giúp mạng thích nghi hoàn thành các nhiệm vụ đƣợc yêu cầu.  Dự đoán và điều khiển trong y học: Thuật toán ANFIS có thể đƣợc áp dụng trong y học để dự đoán và điều khiển trong các lĩnh vực nhƣ dự đoán bệnh, hỗ trợ quyết định trong chẩn đoán y tế, dự đoán phản ứng của bệnh nhân với thuốc, và các ứng dụng khác liên quan đến y học.

 Tài chính và đầu tƣ: Thuật toán ANFIS có thể đƣợc sử dụng trong các công cụ hỗ trợ quyết định đầu tƣ, dự đoán giá cổ phiếu, phân tích rủi ro tài chính, và đƣa ra các đề xuất đầu tƣ dựa trên dữ liệu lịch sử và dữ liệu thị trường.  Công nghiệp và sản xuất: Thuật toán ANFIS có thể đƣợc sử dụng trong công nghiệp và sản xuất để dự đoán, điều khiển, và tối ƣu hóa quy trình sản xuất, dự đoán lỗi sản phẩm, điều khiển tự động trong quy trình sản xuất, và cải thiện hiệu suất sản xuất.  Tự động hóa và robot: Thuật toán ANFIS có thể đƣợc áp dụng trong tự động hóa và robot để điều khiển các hoạt động tự động, nhƣ điều khiển robot công nghiệp, điều khiển các thiết bị tự động, và tối ƣu hóa hoạt động của các hệ thống tự động.

 Các lĩnh vực khác: Ngoài các ứng dụng đã đề cập, thuật toán ANFIS cũng có thể đƣợc áp dụng trong nhiều lĩnh vực khác nhƣ giao thông vận tải, dự đoán chuỗi thời gian, điều khiển robot y tế, điều khiển động cơ điện, và nhiều lĩnh vực ứng dụng khác. Ban đầu, để giải quyết bài toán dự báo chuỗi thời gian, phương pháp phổ biến là sử dụng các phương pháp làm trơn và ngoại suy trên toàn bộ miền thời gian, trong đó thực hiện làm khớp toàn cục (global fit) trên chuỗi dữ liệu. Thực tế cho thấy, việc điều chỉnh các hệ số của mô hình dự báo thường xuyên có thể cải thiện độ chính xác của dự báo, làm cho phương pháp trung bình động có trọng số mang lại kết quả dự báo tốt hơn so với phương pháp trung bình động thông thường.

ỨNG DỤNG THUẬT TOÁN ANFIS VÀO BÀI TOÁN DỰ BÁO DỮ LIỆU CHUỖI THỜI GIAN

• XÂY DỰNG MÔ HÌNH (Bằng, 2018) .1 Biến đầu ra

Mục tiêu của mô hình dự báo là tạo ra dự đoán về LMV tại thời điểm t để giúp đưa ra các quyết định liên quan đến quản lý tài nguyên nước, kế hoạch tưới, và các hoạt động nông nghiệp khác. Dự đoán LMV chính xác có thể cung cấp thông tin quan trọng để đối phó với những thách thức liên quan đến biến đổi khí hậu và thời tiết, nhƣ hạn hán và lũ lụt, cũng nhƣ giúp tối ƣu hóa sử dụng tài nguyên nước và tối đa hóa sản xuất nông nghiệp. Sự lựa chọn chính xác của biến đầu ra LMV và hiệu suất của mô hình dự báo sẽ quyết định khả năng cung cấp thông tin dự báo hữu ích và đáng tin cậy cho các quyết định thực tế, đồng thời đóng góp vào sự phát triển và hiệu quả của các ngành liên quan.

Tính chính xác của dự báo: Các biến đầu vào đƣợc chọn phải có mối quan hệ và tương tác thích hợp với biến đầu ra (LMV) để mô hình có khả năng dự đoán chính xác. Mô hình M1 là mô hình đơn giản nhất trong loạt mô hình, sử dụng chỉ hai biến đầu vào: lượng mưa trong một năm trước thời điểm dự báo ( ( )) và lượng mưa hai năm trước thời điểm dự báo ( ( )). Đây là một phép đo thống kê đƣợc sử dụng rộng rãi để đánh giá độ chệch giữa giá trị dự đoán và giá trị thực tế trong các mô hình dự đoán, đặc biệt là trong lĩnh vực dự báo và học máy.

Nếu hệ số tương quan gần 1 hoặc -1, có thể ngụ ý rằng mô hình dự báo đang bắt chước mối quan hệ tuyến tính giữa biến dự đoán và biến thực tế trong chuỗi thời gian. Mô hình M3 có RMSE và CORR tốt trên tập đào tạo, nhƣng kết quả thử nghiệm không tốt bằng, cho thấy mô hình có thể không tổng quát hoá tốt cho dữ liệu mới. Dựa theo kết quả dự báo LMV 1, 3 và 6 tháng đều cho thấy sự cần thiết của việc lựa chọn mô hình dự báo phù hợp với đặc điểm cụ thể của từng loại LMV.