4. Nội dung và bố cục của luận văn
3.5 Đánh giá hoạt động của mô hình dự báo sử dụng mạng MLP với một số mô
hình khác
Để kiểm thử khả năng hoạt động của phương pháp dự báo dùng mạng nơ ron, học viên đã tiến hành so sánh kết quả dự báo của phương pháp này với phương pháp trung bình dài hạn và phương pháp trung bình động. Ở phương pháp trung bình động, thời gian quan sát trước vẫn được lấy là n=3 như khi dùng mạng nơ ron. Kết quả kiểm chứng trên Bảng 3.7 và Hình 3.6 cho thấy phương pháp dự báo sử dụng mạng nơ ron cho kết quả chính xác hơn rất nhiều lần so với các phương pháp truyền thống.
Bảng 3.7. Kết quả thử nghiệm một số phương pháp dự báo
Năm Số thí sinh thực
Phương pháp dự báo Mạng nơ ron Trung bình dài
hạn
Trung bình động
2000 307 Không dự báo Không dự báo Không dự báo
2001 248 Không dự báo 307 Không dự báo
2002 247 Không dự báo 278 Không dự báo
2003 310 309 267 267 2004 421 421 278 268 2005 342 342 307 326 2006 242 241 313 358 2007 354 352 302 335 2008 277 276 309 313 2009 465 465 305 291 2010 387 387 321 365 2011 387 388 327 376 2012 354 351 332 413 2013 287 287 334 376 2014 250 250 331 343 2015 348 352 325 297 2016 308 308 327 295 2017 300 300 326 302 2018 368 368 324 319 2019 349 351 326 325 2020 N/A 350 328 339 MSE 2.12 4373 5707 MAPE 0.32% 16.33% 17.12%
3.6 Kết luận chương
Trong chương 3, trên cơ sở các kiến thức lý thuyết về dự báo chuỗi thời gian và mạng nơ ron MLP đã trình bày trong các chương trước, học viên đã tiến hành xây dựng thử nghiệm chương trình mô phỏng minh họa dự báo tuyển sinh cho trường THPT Lê Quý Đôn sử dụng mạng nơ ron MLP. Từ đó, học viên đã thử nghiệm để tìm ra các tham số về cấu trúc mạng nơ ron cũng như tham số thời gian quan sát trước phù hợp (cho sai số dự báo nhỏ nhất). Kết quả của dự báo tuyển sinh dùng mạng nơ ron cũng được so sánh với một số phương pháp thông thường như trung bình dài hạn, trung bình động để thấy được dự báo sử dụng mạng nơ ron là phương pháp ưu việt hơn cả và cần được sử dụng nhiều hơn, thay thế cho các phương pháp dự báo cũ trong các lớp bài toán dự báo tương tự.
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
Qua nghiên cứu cho thấy rằng dự báo dữ liệu chuỗi thời gian sử dụng mạng nơ ron là một bài toán gặp rất nhiều trong thực tế. Làm chủ các kỹ thuật phân tích và giải quyết các bài toán dự báo chuỗi thời gian sử dụng mạng MLP là một phương pháp tốt để triển khai bài toán dự báo tuyển sinh.
Sau một thời gian tìm hiểu nghiên cứu, luận văn đã trình bày được các vấn đề sau:
- Nghiên cứu lý thuyết chung, cập nhật các nghiên cứu mới nhất về bài toán dự báo, kỹ thuật dự báo theo chuỗi thời gian. Đặc biệt tập trung vào phương pháp dự báo tuyển sinh sử dụng mô hình mạng nơ ron MLP.
- Phát biểu bài toán dự báo tuyển sinh cho trường THPT Lê Quý Đôn – TP Cẩm Phả - Tỉnh Quảng Ninh; Xây dựng chương trình minh họa dự báo tuyển sinh sử dụng mô hình mạng nơ ron MLP. Xác định các tham số phù hợp. So sánh đánh giá kết quả đạt được với một số thuật toán dự báo khác
Trong quá trình thử nghiệm chương trình, các kết quả dựa báo là tương đối
tốt. Tuy nhiên, bài toán dự báo vẫn còn nhiều điểm cần khắc phục, đề tài còn có một
số hướng phát triển sau:
- Nghiên cứu các phương pháp dò tìm thông số tốt nhất cho quá trình luyện
mạng MLP
- Nghiên cứu các kiến trúc mạng DeepLearning hiệu quả hơn cho bài toán dự
báo tuyển sinh theo tiếp cận dự báo chuỗi thời gian
- Lựa chọn thêm một số các tiêu chí ảnh hưởng đến kết quả dự báo. Xây dựng
mạng nơ ron phù hợp cho bài toán dự báo với nhiều đầu vào
Do giới hạn về thời gian nghiên cứu và kiến thức của bản thân, luận văn khó có thể tránh khỏi một số sai sót nhất định. Học viên rất mong nhận được sự đóng góp ý kiến của các thầy cô, các bạn đọc quan tâm để luận văn được hoàn thiện hơn.
Một lần nữa học viên xin được cảm ơn Thầy giáo TS. Nguyễn Đình Dũng đã
tận tình giúp đỡ, hướng dẫn trong thời gian thực hiện đề tài, cảm ơn sự giúp đỡ của gia đình, bạn bè và các đồng nghiệp trong thời gian qua.
TÀI LIỆU THAM KHẢO I. Tài liệu tiếng Việt
[1] Trần Hoài Linh (2015), Giáo trình mạng neuron và ứng dụng xử lý tín hiệu số,
Nhà XB Bách Khoa.
[2] Thái Trung Hải (2014), Sử dụng mạng nơron trong việc dự đoán kết quả đậu
đại học, Luận văn Thạc sỹ, Đại học Lạc Hồng.
[3] Trần Đức Minh, Trần Huy Dương, Vũ Đức Thi (2015), Một số vấn đề về dự
báo dữ liệu chuỗi thời gian, Kỷ yếu Hội nghị Quốc gia lần thứ VIII về Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin, DOI: 10.15625/vap.2015.000182, pp. 467-470
[4] Dương Thu Trang (2017), Ứng dụng mạng nơron nhân tạo dự báo số học sinh
tuyển vào Trung tâm GDNNGDTX quận Đống Đa, Luận văn thạc sỹ,khoa Công nghệ thông tin – Trường Đại học Công nghệ - Đại học Quốc gia Hà Nội
[5] Nguyễn Văn Trịnh (2012), Ứng dụng mạng nơron trong dự báo tỷ lệ nghỉ học,
Luận văn thạc sỹ ,Viện Toán Ứng dụng và Tin học – Đại học Bách khoa Hà Nội
II. Tài liệu tiếng Anh
[6] Chen, Yu & Li, Ran & Hagedorn, Linda. (2019). Undergraduate International
Student Enrollment Forecasting Model: An Application of Time Series Analysis.
[7] C. T. S. E. M. Jyh Shing Roger Jang, Neuro fuzzy and Soft Computing, Prientice
Hall International, Inc, 2002.
[8] Datilo, Philemon & Ismail, Zuhaimy & Jayeola, Dare. (2019). A Review of
Epidemic Forecasting Using Artificial Neural Networks. International Journal of Epidemiologic Research. 6. 132-143. 10.15171/ijer.2019.24.
[9] Dean Abbott (2014), Applied Predictive Analytics: Principles and Techniques
[10] Egbo, M.N &Bartholomew, Desmond. (2018). Forecasting Students’ Enrollment Using Neural Networks and Ordinary Least Squares Regression Models. Journal of Advanced Statistics. 3. 10.22606/jas.2018.34001.
[11] Fico Corporation (2009), Understanding Predictive Analytics
[12] Hewamalage, Hansika & Bergmeir, Christoph & Bandara, Kasun. (2019).
Recurrent Neural Networks for Time Series Forecasting: Current Status and Future Directions.
[13] Hill, Tim & O'Connor, Marcus & Remus, William. (1996). Neural Network
Models for Time Series Forecasts. Management Science. 42. 1082-1092. 10.1287/mnsc.42.7.1082.
[14] Lavilles, Rabby. (2012). Enrollment Forecasting for School Management
System. International Journal of Modeling and Optimization. 2. 563-566. 10.7763/IJMO.2012.V2.183.
[15] Norhaidah Abu Haris,Munaisyah Abdullah, Abu Talib Othman, Fauziah Abdul
Rahman (2015), Application of Forecasting Technique for Students
Enrollment, Knowledge Management International Conference (KMICe) 2014, 12 – 15 August 2014, Malaysia, pp. 655-662.
[16] Oancea, Bogdan & Ciucu, Stefan. (2013). Time series forecasting using neural
networks.
[17] Rufai, Fuadeen & Folorunso, Olusegun & Lateef, Usman. (2015). Predicting
Students' Enrollment Using Generalized Feed-Forward Neural Network. Journal of Natural Science, Engineering and Technology. 14. 58-70.
[18] Verma, Kritika & Singh, Pradeep. (2015). An Insight to Soft Computing based
Defect Prediction Techniques in Software. International Journal of Modern Education and Computer Science. 7. 52-58. 10.5815/ijmecs.2015.09.07.