và K-means với các mô hình dự báo khác dựa trên QHM bậc 1.
➢ So sánh đánh giá các kết quả đạt được dựa trên 7 khoảng
Kết quả dự báo thu được từ mô hình đề xuất trong cột 7 và cột 8 của Bảng 2.29 ở trên được so sánh với kết quả đạt được từ các công trình [8, 10, 19, 20, 55] dựa trên QHM bậc 1. Kết quả so sánh về sai số dự báo MSE giữa mô hình đề xuất và các mô hình này trên cùng số khoảng chia bằng 7 được đưa ra trong Bảng 2.32.
Bảng 2.32: So sánh sai số dự báo MSE giữa mô hình đề xuất với các mô hình khác sử dụng 7 khoảng chia
Mô hình MSE
Song & Chissom [8] 423027
Chen [10] 407507.3
Mô hình [19] 194481
Mô hình [20] 150078.7
Cheng [55] MEPA_Entropy 446762
TFA_ Hình thang 261142 Mô hình đề xuất HA-FTS-1NT 125929
KM-FTS-1NT 76551
so sánh. Sở dĩ có được sai số dự báo nhỏ hơn các mô hình so sánh trên, ngoài sự khác biệt về phương pháp phân khoảng, mô hình đề xuất FTS-1NT còn cho kết quả tốt bởi việc sử dụng NQHM-PTTG. Trong khi các mô hình so sánh như: mô hình [8, 10] sử dụng phương pháp chia khoảng theo lưới, mô hình [55] sử dụng tập mờ hình thang và hai mô hình [19, 20] áp dụng đại số gia tử để có được các khoảng với độ dài khác nhau. Kết quả này cho thấy mức độ ảnh hưởng của phương pháp chia khoảng và cách xây dựng NQHM trong mô hình dự báo được đề xuất là khá lớn.
➢ So sánh đánh giá các kết quả đạt được dựa trên 14 khoảng
Thêm nữa, để chứng minh hiệu quả của mô hình dự báo đề xuất sử dụng phương pháp phân khoảng K-means (KM-FTS-1NT), sáu mô hình dự báo trong trong các công trình [15, 18, 21, 27, 45] được lựa chọn để so sánh. Kết quả so sánh về sai số MSE giữa các mô hình dự báo này được thể hiện trong Bảng 2.33.
Bảng 2.33: So sánh sai số dự báo giữa mô hình đề xuất sử dụng K-means với các mô hình khác dựa trên QHM bậc 1 với 14 khoảng chia
Mô
hình [21] [15] [45] [27] [18] KM-FTS-1NT
MSE 65689.7 35324 31684 23710 22965 17528.57
Từ kết quả trong Bảng 2.33, cho thấy mô hình KM-FTS-1NT đạt sai số dự báo với giá trị MSE = 17528.57 nhỏ nhất trong số các mô hình được chọn để so sánh. Sự khác biệt chính giữa mô hình KM-FTS-1NT và các mô hình so sánh là cách thức
nhóm quan hệ mờ và phương pháp phân khoảng. Hai mô hình [15, 45] sử dụng thuật toán di truyền để có được các khoảng chia, mô hình HPSO [18] dùng thuật toán PSO trong việc hiệu chỉnh độ dài khoảng, mô hình [21] sử dụng khái niệm hạt thông tin để có được các khoảng chia và mô hình [27] sử dụng thuật toán PSO để điều chỉnh độ dài khoảng và thực hiện dự báo dựa trên tỷ lệ của các khoảng. Trong khi mô hình đề xuất áp dụng thuật toán K-means để đạt được độ dài khoảng tốt nhất và sử dụng nhóm quan hệ mờ phụ thuộc thời gian để có được thông tin hữu ích hơn cho quá trình giải mờ đầu ra.
Xu hướng dự báo của mô hình KM-FTS-1NT và các mô hình được so sánh trong Bảng 2.33 được thể hiện trực quan trên Hình 2.15. Từ Hình 2.15, có thể thấy đường cong thể hiện giá trị dự báo của mô hình KM-FTS-1NT bám sát dữ liệu thực hơn so với các mô hình được so sánh.
Hình 2.15: Đường cong biểu diễn giữa giá trị dự báo của mô hình KM-FTS-1NT
và các mô hình khác so với dữ liệu thực tế
2.4.4.3 So sánh đánh giá mô hình FTS-1NT sử dụng phương pháp phân khoảng HA
và K-means với các mô hình dự báo khác dựa trên QHM bậc cao
Để xác minh hiệu quả dự báo của mô hình được đề xuất sử dụng hai phương pháp chia khoảng K-means và HA dựa trên QHM bậc cao, bốn mô hình chuỗi thời gian mờ có tên như C02 [48], CC06b [16], HPSO [18], AFPSO [33] được lựa chọn để so
sánh về sai số dự báo MSE. Kết quả so sánh giữa mô hình được đề xuất và các mô hình bậc cao khác được thể hiện trực quan trên Hình 2.16.
Hình 2.16: So sánh sai số dự báo MSE giữa mô hình đề xuất sử dụng phân khoảng
K-means và HA với các mô hình khác dựa trên QHM bậc cao với 7 khoảng chia.
Quan sát hình 2.16 cho thấy, mô hình được đề xuất đưa ra sai số dự báo nhỏ hơn các mô hình được lựa chọn so sánh trên tất cả các bậc khác nhau. Đặc biệt, mô hình đề xuất đưa ra giá trị MSE =1968.3 nhỏ nhất trong số các mô hình so sánh dựa trên QHM bậc 6 khi sử dụng phương pháp phân khoảng HA và đạt giá trị MSE
Từ các đánh giá cụ thể trên cho thấy, hai phương pháp phân khoảng đề xuất không chỉ phù với các dữ liệu phân bổ không đồng nhất mà còn đưa ra sai số dự báo tốt hơn so với các phương pháp khác cũng như các mô hình trước đây.