- Thuật toán X12-SVM là cải tiến của S-SVM: kết quả phân rã thì tốt, thậm chí tốt hơn cả các thuật toán cơ sở (nhận xét mục 4.2.1), nhưng kết quả dự báo không cải thiện nhiều thậm chí còn xấu hơn S-SVM, nên cần nghiên cứu tiếp theo để cải tiến bước điều chỉnh sai số của thuật toán 4 đối với SVM.
- Thuật toán X12-RVM cho kết quả tốt trên sáu bộ dữ liệu mẫu, cần nghiên cứu tiếp để phân loại lớp dữ liệu phù hợp với thuật toán này.
- Đối với thuật toán STL-SVM bước đầu cho kết quả khả quan, nên cần nghiên cứu tiếp bằng cách tách mùa trước bằng X-12-ARIMA hoặc ETS sau đó áp dụng mô hình SVM.
- Tương tự với phương pháp X-12-ARIMA, trong phương pháp STL có các bước áp dụng trung bình di động, nghiên cứu để đưa RVM/SVM thay thế các bước có tính trung bình di động.
TÀI LIỆU THAM KHẢO Tiếng Việt
1. Đặng Thị Hằng (2017), Mô hình hỗn hợp phi tham số cho bài toán phát hiện bất
thường, Luận văn thạc sĩ ngành Khoa học máy tính, Trường Đại học Khoa học
Tự nhiên, TP. Hồ Chí Minh.
2. Vũ Duy Thắng (2011), Các mô hình chuỗi thời gian tài chính, Luận văn thạc sĩ khoa học, Trường Đại học Khoa học Tự nhiên, Hà Nội.
3. Vũ Hữu Tiệp (2017), Support Vector Machine Learning,
https://machinelearningcoban.com, truy cập tháng 8/2017.
Tiếng Anh
4. Christopher M. Bishop (2006), Pattern Recognition and Machine Learning,
Springer.
5. Christopher M. Bishop and Michael E. Tipping (2000), Variational Relevance Vector Machines, Proceedings of the 16th Conference on Uncertainty in Articial
Intelligence, pp. 46-53.
6. Dominique Ladiray and Benoit Quenneville (2001), Seasonal Adjustment with the
X-11 Method, Vol. 158 of Lecture notes in statistics, Springer – Verlag.
7. Douglas C. Montgomery, Cheryl L. Jennings and Murat Kulahc (2015),
Introduction to Time Series analysis and forecasting, second edition, John
Wiley & Sons.
8. George E. P. Box and Gwilym M. Jenkins, 1976, Times Series Analysis: Forecasting and Control, Holden-Day, San Francisco.
9. Guoqiang Sun, Yue Chen, Zhinong Wei, Xiaolu Li, and Kwok W. Cheung (2014),
Day-Ahead Wind Speed Forecasting Using Relevance Vector Machine, Journal
of Applied Mathematics.
10. Kyoung-jae Kim (2003), Financial time series forcasting using support vector machines, Neurocomputing volume 55.
11. Jaoquin Quinõnero – Candela and Lars Kai Hansen (2002), The Time series prediction based on the Relevance Vector Machine with adaptive kernels, IEEE.
12. Jaydip Sen and Tamal Datta Chaudhuri (2016), Decomposition of Time Series Data
of Stock Makets and its Implications for Prediction – An Application for the Indian Auto Sector, Calcutta Business School (CBS) Journal of Management
Practices, Volume 2, pp 1 -19.
13. Michael E. Tipping (2001), Sparse Bayesian Learning and the Relevance Vector
Machine, Journal of Machine Learning Research 1, 211 – 244.
14. Nicholas I. Sapankevych and Ravi Sankar (2009), Time Series Prediction Using Support Vector Machines: A Survey, IEEE Computational Intelligence
Magazine.
15. Robert B. Cleveland, William S. Cleveland, Jean E. McRae and Irma Terpenning (1990), STL: A Seasonal - Trend Decomposition Procedure Based on Loess,
Journal of Official Statistics Vol. 6. No. 1, pp. 3-73.
16. Rob J Hyndman (2010), Moving averages, International Encyclopedia of Statistical Science, pp.866-869, Springer.
17. R. Samsudin, A. Shabri and P. Saad (2010), A Comparision of Time Series Forecasting using Support Vector Machine and Artificial Neural Network Model, Asian Network for Scientific Information.
18. Steve R. Gunn (1998), Support Vector Machines for Classification and Regression, University of Southamton.
19. Spyros G. Makridakis, Steven C. Wheelwright and Rob J Hyndman (1998),
Forecasting: Methods and Applications, 3rd Edition, John Wiley & Sons, New
York.
20. Varun Jain (2011), Time Series Prediction Using Relevance Vector Machine,
Department of Electrical Engineering Indian Institute of Technology Roorkee (India).
22. V. Prema and K. Uma Rao (2015), Times series decomposition model for accurate
wind speed forecast, Renewables wind, water and solar, Vol 2, No. 18,
pp. 1-11.
23. Market datasets: https://datamarket.com/data/set/1d9r/, access time 01/2018.
24. Rob J Hundman and George Athanasopoulos (2012), Forecasting: principles and
practice, second edition at OTexts.org/fpp2/, access time 08/2017.
25. PennState Eberly College of Science, Applied Time Series Analysis,
https://onlinecourses.science.psu.edu/stat510/, access time 07/2017.
26. QuantStart (2015), White Noise and Random Walk in Time Series Analysis,
https://www.quantstart.com/articles/White-Noise-and-Random-Walks-in- Time-Series-Analysis, access time 01/2018.