5. Kết cấu luận văn
3.4. ĐÁNH GIÁ KẾT QUẢ THỬ NGHIỆM
Qua áp dụng cách tính theo các bước tính toán dựa trên đại số gia tử từ Chương 2, bằng cách tương tự ta có thể tính toán dự báo cho các tháng tiếp theo để nhận được các giá trị dự báo cụ thể. Như vậy với sản lượng xăng dầu từ tháng 4/2018 đến 12/2019, trên cơ sở 6 bước theo tiếp cận đại số gia tử, xây dựng được mô hình dự báo cho từng tháng kế tiếp. Chương trình tính toán được viết bằng Python 3.7 trên môi trường của Jupiter Notebook. Kết quả của mô hình dự báo sử dụng đại số gia tử với sự phụ thuộc bậc k khác nhau, k = 1, 2 và 3 được tổng hợp như trong Bảng 3.2. Hơn nữa, bằng việc điều chỉnh các tham số của đại số gia tử và tăng số khoảng chia, kết quả dự báo được cải thiện một cách đáng kể.
Việc đánh giá mô hình dự báo chuỗi thời gian mờ tốt hay không thường được xác định theo nghĩa cực tiểu sai số trung bình bình phương. Công thức RMSE dưới đây là thước đo được sử dụng thường xuyên để kiểm tra sự khác
biệt giữa các giá trị được dự đoán bởi mô hình và các giá trị thực tế.
Ở đây: RMSE (Root Mean Square Error) sai số trung bình bình phương.
là sản lượng xăng dầu thực tế tại thời điểm ị là sản lượng xăng dầu dự báo tại thời điểm ị
Bảng 3.2: Kết quả dự báo dựa trên đại số gia tử
Năm Sản lượng xăng dầu (Lít) Bậc k=1 Bậc k=2 Bậc k=3 Bậc k=3 (điều chỉnh tham số) 01-2018 680761 02-2018 655999 689616.983812 03-2018 684228 689902.289572 678703.687150 04-2018 666487 688392.914731 678703.687150 681287.433259 664264.469111 05-2018 703654 685227.296715 696183.893552 724746.453003 704957.790582 06-2018 675894 672997.886810 696332.281824 678904.604001 675238.355742 07-2018 704357 689616.983812 696332.281824 681287.433259 706356.749042 08-2018 697979 672997.886810 696332.281824 678904.604001 696115.610073 09-2018 647129 672997.886810 666501.819636 678904.604001 645941.900910 10-2018 664976 689902.289572 696183.893552 678904.604001 665265.411438 11-2018 650895 685227.296715 678703.687150 681287.433259 655511.669130 12-2018 675282 689902.289572 678703.687150 676024.563257 675409.312745 01-2019 736869 689616.983812 678703.687150 724746.453003 736083.517367 02-2019 644362 646096.217098 666501.819636 678904.604001 644389.079166 03-2019 710859 689902.289572 696332.281824 678904.604001 714685.029848
Năm Sản lượng xăng dầu (Lít) Bậc k=1 Bậc k=2 Bậc k=3 Bậc k=3 (điều chỉnh tham số) 04-2019 702023 705851.974194 696332.281824 693038.099720 704487.877321 05-2019 697007 672997.886810 682986.580677 678904.604001 695936.574960 06-2019 697120 688392.914731 696332.281824 693038.099720 695749.713939 07-2019 719812 688392.914731 696332.281824 678904.604001 715075.712707 08-2019 709985 705851.974194 666501.819636 693038.099720 705574.403804 09-2019 683733 672997.886810 682986.580677 693038.099720 685749.713939 10-2019 693460 689616.983812 696332.281824 693038.099720 695490.277708 11-2019 661889 688392.914731 696332.281824 678904.604001 664812.618415 12-2019 715524 685227.296715 696183.893552 681287.433259 715061.091227 RMSE 22468.60 22542.80 21813.45 2395.98 Kết luận Chương 3
Trong chương này chúng tôi đã sử dụng mô hình dự báo theo tiếp cận đại số gia tử và thử nghiệm với sự phụ thuộc bậc k =1, 2, 3 để dự báo mức tiệu thụ xăng dầu qua từng tháng. Theo Bảng 3.2 “Kết quả dự báo dựa trên đại số gia tử” đã cho thấy sự phụ thuộc bậc càng cao thì kết quả dự báo cho ra càng chính xác hơn. Ngoài ra, kết quả cũng cho thấy, dự báo bằng phương pháp này thì việc điều chỉnh các tham số của đại số gia tử cũng rất quan trọng. Tóm lại, mô hình dự báo dựa trên đại số gia tử vẫn còn nhiều vấn đề cần nghiên cứu để tăng độ chính xác hơn nữạ
KẾT LUẬN CHUNG
Dự báo là một bài toán khá thú vị, nắm giữ một vai trò đặc biệt quan trọng, và có ảnh hưởng rất lớn đến việc xác lập kế hoạch hành động, bởi công ty nào có nhận định về dự báo đúng thì sẽ lập kế hoạch đúng và phát triển thành công trong tương laị Tuy nhiên để có một dự báo đúng thì đều phải có một cơ sở suy luận chắc chắn dựa trên dữ liệu chính xác trong quá khứ và quan trọng là có phương pháp tiến hành dự báo phù hợp.
Luận văn được trình bày theo hướng ứng dụng của bài toán dự báo nhu cầu tiêu thụ xăng dầu tại Cửa hàng 01 – Petrolimex thuộc Công ty Xăng dầu Bình Định, trong đó, chúng tôi dùng mô hình dự báo theo tiếp cận đại số gia tử viết bằng ngôn ngữ lập trình Python. Một số kết quả đạt được qua việc thực hiện luận văn:
- Tìm hiểu được một số phương pháp dự báo;
- Nghiên cứu, áp dụng đại số gia tử để giải quyết bài toán dự báo;
- Cải tiến phương pháp dự báo của Chen và Chisom bằng cách sử dụng đại số gia tử. Mô hình dự báo dựa trên đại số gia tử là một mô hình mới, hoàn toàn khác biệt, có khả năng dự báo chuỗi thời gian mờ với độ chính xác caọ Sự khác biệt thể hiện ở phương pháp luận khi lần đầu tiên sử dụng phép ngữ nghĩa hóa phi tuyến thay cho phép mờ hóa, nhóm quan hệ ngữ nghĩa thay cho nhóm quan hệ mờ và phép giải nghĩa phi tuyến thay cho phép giải mờ;
- Thử nghiệm, điều chỉnh các tham số của mô hình dự báo dựa trên đại số gia tử, kết quả thu được tốt hơn hẳn so với việc sử dụng các tham số đơn thuần.
Rõ ràng, trong cách tiếp cận này, nếu xác lập được các tham số tối ưu thì độ chính xác kết quả dự báo sẽ tăng đáng kể. Khi đó, phương pháp dự báo
có thể được áp dụng để giúp doanh nghiệp giải quyết được những vấn đề thực tế. Việc tập hợp chuỗi dữ liệu dạng thời gian có tính chu kỳ theo tháng, quý, năm chắc chắn sẽ làm tăng tính chính xác của dự báo, tuy nhiên dự báo chỉ dựa vào yếu tố sản lượng không là chưa đủ mà còn phải kết hợp nhiều yếu tố ảnh hưởng khác như số lượng xe cộ lưu thông, mật độ dân số, ảnh hưởng bởi thiên tai,… Vì vậy, cần phải xem xét phối hợp nhiều phương pháp dự báo hoặc cải tiến phương pháp dự báo theo hướng phụ thuộc đa chiều (dựa trên nhiều yếu tố) để có thể đưa ra những quyết định đúng đắn trong kinh doanh. Đây cũng là hướng phát triển của đề tàị
DANH MỤC TÀI LIỆU THAM KHẢO
[1] Bùi Công Cường, N.D.Phước (2001), Hệ mờ, Mạng Nơron và ứng dụng
– Tuyển tập các bài giảng, NXB Khoa học và Kỹ thuật, Hà Nộị
[2] Đào Hữu Hồ, NguyễnVăn Hữu, Hoàng Hữu Như (2004), Thống Kê Toán
Học, NXB Đại Học Quốc Gia Hà Nội, Hà Nộị
[3] Đào Xuân Kỳ, Lục Trí Tuyên, Phạm Quốc Vương, Thạch Thị Ninh, “Mô hình markov-chuỗi thời gian mờ trong dự báo chứng khoán”, Hội thảo lần thứ 18: Một số vấn đề chọn lọc của Công nghệ thông tin và truyền thông, TP HCM, trang 119–124, 2015.
[4] Lê Xuân Việt, Dương Hoàng Huyên, Lê Xuân Vinh, Lê Thị Thu Vân,
Phương pháp mới dự báo theo chuỗi thời gian mờ dựa trên đại số gia tử.
[5] Lục Trí Tuyên, Nguyễn Văn Hùng, Thạch Thị Ninh, Phạm Quốc Vương, Nguyễn Minh Đức, Đào Xuân Kỳ, “A normal-hiđen markov model model in forecasting stock index, Journal of Computer Science and Cybernetics”, 28(3):206–216, 2012.
[6] Nghiêm Văn Tính, Nguyễn Công Điều, “Dự báo chuỗi thời gian mờ dựa trên nhóm quan hệ mở phụ thuộc thời gian và tối ưu bầy đàn”, Kỷ yếu Hội nghị Khoa học Quốc gia lần thứ IX “Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR'9)”, Cần Thơ, ngày 4 – 5/8/2016.
[7] Nguyễn Cát Hồ, Nguyễn Công Điều, Vũ Như Lân, “Ứng dụng đại số gia tử trong dự báo chuỗi thời gian mờ”, Tạp chí Khoa học và Công nghệ, số 54 (2016), trang 161 – 177.
[8] Nguyễn Công Điều (8 – 2008), Một thuật toán mới cho mô hình chuỗi thời
gian mờ heuristic trong dự báo chứng khoán, Báo cáo tại Đại hội Toán
học toàn quốc, Quy Nhơn.
mô hình chuỗi thời gian mờ, Báo cáo khoa học tại Viện Công nghệ thông
tin, Hà Nộị
[10] Nguyễn Công Điều (2010), Sử dụng mô hình chuỗi thời gian mờ bậc cao
trong dự báo, Báo cáo khoa học tại Viện Công nghệ thông tin, Hà Nộị
[11] Nguyễn Công Điều, Trần Thanh Thương (2010), “Cải biên thuật toán bậc cao của Singh và ứng dụng trong dự báo chuỗi thời gian”, Tạp
chí Khoa học và Công nghệ Đại học Thái Nguyên.
[12] Nguyễn Duy Hiếu, Nghiêm Văn Tính, Vũ Như Lân, “Một phương pháp dự báo chuỗi thời gian mờ dựa trên ngữ nghĩa ngôn ngữ”, Kỷ yếu Hội nghị Khoa học Quốc gia lần thứ IX - Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR'9); Cần Thơ, ngày 4 – 5/8/2016.
[13] NguyễnVăn Hữu, Nguyễn Hữu Dư (2003), Phân Tích Thống Kê Và Dự
Báo, NXB Đại Học Quốc Gia Hà Nội, Hà Nộị
[14] Trần Đức Minh, Trần Huy Dương, Vũ Đức Thi (2015), “Một số vấn đề về dự báo chuỗi thời gian”, Kỷ yếu Hội nghị Quốc gia lần thứ VIII về Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR), Hà Nội,
ngày 9 – 10/7/2015.
[15] Trần Thanh Thương, Ứng dụng mô hình dự báo chuỗi thời gian mờ,
Luận văn Thạc sĩ, Đại học Thái Nguyên, 2010.
[16] Trần Văn Tâm Em, Nghiên cứu ứng dụng chuỗi thời gian trong việc dự