7. Bố cục luận văn
3.5. Kết luận Chƣơng 3
Trong Chƣơng 3, ngoài việc thử nghiệm dự báo mực nƣớc sông theo thời gian bởi các mô hình độc lập, tôi đã thử nghiệm dự báo bằng mô hình kết hợp giữa ARIMA và Mạng nơron. Kết quả thử nghiệm cho thấy sự kết hợp này ít lỗi hơn so với việc chạy từng mô hình độc lập.
KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN
Dự báo chuỗi thời gian là một bài toán khó nhƣng rất quan trọng trong các lĩnh vực kinh tế và tài chính. Gần đây, dự báo về biến động thiên tai nhận đƣợc nhiều quan tâm của các nhà nghiên cứu trong kinh tế và kể cả khoa học máy tính. Với các đặc trƣng của mình, mực nƣớc biến động thƣờng xuyên dẫn đến việc dự báo gặp nhiều khó khăn. Trong bài luận văn thực nghiệm các mô hình dự báo ARIMA, FFNN, A-FFNN để dự báo mực nƣớc sông trong ngày tiếp theo. Kết quả thực nghiệm cho thấy, các mô hình kết hợp Arima và mạng nơron đều có độ lỗi dự báo thấp hơn các mô hình riêng lẻ, chứng tỏ mô hình kết hợp sẽ cho dự báo tốt hơn với các độ đo RMSE và MAPE.
Một số kết quả đạt đƣợc:
- Hiểu đƣợc một số lý thuyết về các mô hình dự báo; - Kết hợp, dự báo các mô hình chuỗi thời gian.
- Thử nghiệm, so sánh kết quả thực hiện các mô hình.
Nhìn chung, với chuỗi dữ liệu biến động lớn, các mô hình Arima và mạng nơron còn gặp nhiều khó khăn trong dự báo trên tập dữ liệu này. Trong tƣơng lai, các mô hình Deep Learning sẽ đƣợc nghiên cứu thử nghiệm với kỳ vọng mang lại kết quả dự báo tốt hơn.
DANH MỤC TÀI LIỆU THAM KHẢO
Tiếng Việt
[1] Nguyễn Quốc Dƣơng, Lê Phƣơng Thảo, Đinh Thị Quỳnh Nhƣ, Cao Thị Ái Loan, Phùng Thị Hồng Diễm, Lê Thanh Bính, Ứng dụng Shiny kết hợp với mô hình ARIMA để dự báo đại dịch COVID-19(Khoa Sƣ phạm, Trƣờng Đại học Quy NhơnKhoa Toán và Thống kê, Trƣờng Đại học Quy Nhơn)
[2] Lê Hữu Vinh & Nguyễn Đình Thuân, Kỷ yếu Hội nghị Quốc gia lần thứ XII về Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR). Huế, 07- 08/06/2019.
[3] Lê Hải Khôi & Trần Đức Minh, Về một phƣơng pháp dự báo dữ liệu sử dụng mạng nơron. (Tạp chí Tin học và Điều khiển học 20(2004), N2). [4] Trần Đức Minh, Trần Huy Dƣơng, Vũ Đức Thi, 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 09-10/07/2015.
[5] Nguyễn Quang Hoan (2005), Giáo trình mạng nơ ron nhân tạo, Học viện công nghệ bƣu chính viễn thông.
[6] Nguyễn Đình Thúc (2000), Mạng nơ ron nhân tạo – phƣơng pháp và ứng dụng, Nhà xuất bản Giáo dục.
[7] PGS.TS. Lê Văn Nghinh, Ths. Hoàng Thanh Tùng, Ks. Nguyễn Ngọc Hải Nghiên cứu ứng dụng mạng Nơron thần kinh vào dự báo lũ các sông ở tỉnh Bình Định và Quảng Trị.
Tiếng Anh
[8] G. Box and Jenkin (1970), Time Series Analysis, Forecasting and Control, 4 ed., San Francisco: Holden-Day, 1970, pp. 234-239.
Canada: Mc GrawHill, pp. 777-784.
[10] D. Dickey and W. Fuller (1979), “Distribution of the Estimators for Autoregressive Time Series with a Unit Root”, Journal of the American Statistical Association, vol. 74, pp. 427-431.
[11] G. Peter Zhang, “Times series forecasting using a hybrid ARIMA and neural network model”, Neurocomputing, vol. 50, pp. 159–75, 2003. [12] Nitin Merh, Vinod P. Saxena, Kamal Raj Pardasani, “A comparison
between hybrid approaches of ANN and ARIMA for Indian stock trend forecasting”, Journal of Business Intelligence, vol. 3, no. 2, pp. 23–43, 2010.