Chương này trình bày một số phương pháp nâng cao độ chính xác của các mô hình dự báo được đề xuất ở Chương 2 bằng việc áp dụng các kỹ thuật tính toán mềm khác nhau như kỹ thuật phân cụm mờ FCM, tối ưu PSO. Cụ thể:
- Xây dựng mô hình dự báo mô hình chuỗi thời gian mờ một nhân tố mới (FTS1NT-CMPSO) trên cơ sở kết hợp kỹ thuật phân cụm mờ FCM và PSO với NQHM-PTTG bậc nhất và bậc cao được đề xuất ở Chương 2. Một kỹ thuật giải mờ mới cũng được đề xuất áp dụng để nâng cao độ chính xác dự báo (đầu ra) của mô hình FTS1NT-CMPSO. Nội dung này của luận án được công bố trong công trình [P7].
- Mở rộng mô hình FTS1NT-CMPSO thành mô hình hai nhân tố (FTS2NT-
CMPSO). Để nâng cao độ chính xác của mô hình hai nhân tố mới FTS2NT- CMPSO và tận dụng sức mạnh của các kỹ thuật khác nhau, luận án đề xuất
thuật toán tối ưu đồng thời độ dài khoảng chia và bậc của mô hình, đồng thời đưa ra được ước tính về thời gian tính toán và tốc độ hội tụ của thuật toán. Chương này cũng trình bày các kết quả thực nghiệm, so sánh và đánh giá kết quả đạt được của các đề xuất mới so với kết quả của các mô hình đã được công bố để chứng tỏ tính hiệu quả của các mô hình dự báo được đề xuất đối với nhiều bài toán dự báo khác nhau.
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
Với mục tiêu phát triển các mô hình dự báo chuỗi thời gian mờ mới hiệu quả theo hướng kết hợp NQHM-PTTG với các kỹ thuật tính toán mềm và giải mờ khác nhau, luận án đã hoàn thành mục tiêu đặt ra với một số kết quả chính như sau:
1) Đề xuất khái niệm NQHM-PTTG với mục đích ngăn việc đưa các tập mờ xuất hiện sau thời điểm dự báo t vào vế phải của nhóm quan hệ mờ, do đó, khắc phục được các nhược điểm của các công trình trước đây theo hướng tiếp cận quan hệ mờ và nhóm quan hệ mờ.
2) Xây dựng mô hình dự báo chuỗi thời gian mờ một nhân tố và hai nhân tố dựa trên các đề xuất về NQHM-PTTG bậc nhất và bậc cao kết hợp với quy tắc giải mờ mới tính toán giá trị dự báo rõ (đầu ra). Kết quả dự báo của các mô hình dự báo được đề xuất được so sánh với kết quả dự báo của các mô hình dự báo nền tảng nhằm khẳng định tính hiệu quả của các mô hình được đề xuất.
3) Đề xuất hai phương pháp phân khoảng mới dựa trên lý thuyết Đại số gia tử và kỹ thuật phân cụm K-means. Bằng thực nghiệm trên tập dữ liệu tuyển sinh cho thấy hai phương pháp phân khoảng được đề xuất không những cho độ chính xác cao hơn mà còn linh hoạt và phù hợp với dữ liệu phân bổ không đồng nhất so với các kỹ thuật phân khoảng với độ dài bằng nhau.
4) Xây dựng mô hình dự báo chuỗi thời gian mờ một nhân tố mới (FTS1NT- CMPSO) trên cơ sở kết hợp kỹ thuật phân cụm mờ FCM và PSO với NQHM-PTTG bậc nhất và bậc cao. Trong mô hình mới này, luận án đề xuất quy tắc giải mờ mới để hiệu chỉnh các giá trị dự báo đầu ra của mô hình FTS1NT-CMPSO.
5) Mở rộng mô hình FTS1NT-CMPSO thành mô hình hai nhân tố (FTS2NT- CMPSO). Trong mô hình hai nhân tố mới FTS2NT-CMPSO, luận án đề xuất thuật toán tối ưu đồng thời độ dài khoảng và bậc của mô hình, đưa ra được ước tính về thời gian tính toán và tốc độ hội tụ của thuật toán.
Dựa trên các kết quả thực nghiệm, đánh giá so sánh với các mô hình dự báo hiện có với các bài toán dự báo khác nhau, các mô hình dự báo được đề xuất đều tốt hơn so với hầu hết các mô hình được đối sánh. Điều này chứng tỏ rằng, các kết quả nghiên cứu của luận án có đóng góp quan trọng về mặt phương pháp luận cũng như ứng dụng trong việc phát triển các công cụ dự báo.
Trong thực tế tồn tại nhiều nhân tố ảnh hưởng đến độ chính xác dự báo của các mô hình được xây dựng. Hiện tại, các mô hình đề xuất trong luận án được áp dụng để dự báo đối với chuỗi dữ liệu một và hai nhân tố. Do đó, nghiên cứu mở rộng mô hình dự báo hai nhân tố cho các bài toán dự báo với dữ liệu chuỗi thời gian nhiều nhân tố hơn dựa trên các phân tích của chuyên gia và các chính sách của chính phủ là một trong các hướng nghiên cứu tiếp theo của luận án. Ngoài ra, mô hình được đề xuất có thể được mở rộng để xử lý luồng dữ liệu trực tuyến.
DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC CỦA TÁC GIẢ LIÊN QUAN ĐẾN LUẬN ÁN
[P1] Nguyễn Công Điều, Nghiêm Văn Tính, “Dự báo chuỗi thời gian mờ dựa trên nhóm quan hệ mờ phụ thuộc thời gian và tối ưu bầy đàn”, Kỷ yếu Hội nghị Quốc gia lần thứ IX về Nghiên cứu cơ bản và ứng dụng Công Nghệ thông tin (FAIR’9), 2016, pp. 215-233, Cần Thơ.
[P2] Nguyễn Công Điều, Trần Quang Duy, Nghiêm Văn Tính, “Dự báo dựa trên
mô hình chuỗi thời gian mờ và tối ưu bầy đàn”, Tạp chí ứng dụng toán học (Journal of mathematical applications), 2016, 14(1), pp. 65-82.
[P3] Nghiem Van Tinh, Nguyen Cong Dieu, “Improving the Forecasted Accuracy of Model Based on Fuzzy Time Series and K-Means Clustering”, Journal of science and Technology: issue on Information and Communications Technology, 2017, 3 (2) pp. 51-59.
[P4] Nghiem Van Tinh, Nguyen Cong Dieu, “Handling Forecasting Problems
Based on Combining High-Order Time-Variant Fuzzy Relationship Groups and Particle Swam Optimization Technique”, International Journal of Computational Intelligence and Applications, 2018, 17 (2), pp. 1-19.
[P5] Nghiêm Văn Tính, Nguyễn Công Điều, Nguyễn Tiến Duy, “Mô hình dự báo chuỗi thời gian mờ dựa trên đại số gia tử và tối ưu bầy đàn”, Kỷ yếu Hội nghị Quốc gia lần thứ XI về Nghiên cứu cơ bản và ứng dụng Công Nghệ thông tin (FAIR’11), 2018, pp. 251-261, Thăng Long - Hà Nội.
[P6] Nghiêm Văn Tính, Nguyễn Công Điều, “Mô hình chuỗi thời gian mờ bậc cao hai nhân tố kết hợp với tối ưu bầy đàn cho dự báo nhiệt độ và thị trường chứng khoán”, Kỷ yếu Hội nghị Quốc gia lần thứ XII về Nghiên cứu cơ bản và ứng dụng Công Nghệ thông tin (FAIR’12), 2019, pp. 257-267, Huế.
[P7] Nghiem Van Tinh, Nguyen Cong Dieu, “A new hybrid fuzzy time series forecasting model based on combining fuzzy C-means clustering and particle swam optimization”, Journal of Computer Science and Cybernetics, 2019, 35(3), pp. 267-292.
[P8] Nghiem Van Tinh, Nguyen Cong Dieu, Nguyen Tien Duy, Tran Thi Thanh, “Improved Fuzzy Time Series Forecasting Model Based on Optimal Lengths of Intervals Using Hedge Algebras and Particle Swarm Optimization”, Advances in Science, Technology and Engineering Systems Journal, 2021, 6(1), pp.1286- 1297.
TÀI LIỆU THAM KHẢO
[1]. G. Box, G. Jenkins, Time series analysis: forecasting and control, New Jersey: Prentice-Hall, 1976.
[2]. R.F. Engle, Autoregressive conditional heteroscedasticity with estimator of the variance of United Kingdom inflation, Econ., 1982, 50, 987-1008.
[3]. T. Bollerslev, Generalized autoregressive conditional heteroscedasticity. J. Econ., 1986, 31, 307-327.
[4]. F.G. Donaldson and M. Kamstra, Forecast Combining with Neural Networks, Journal of forecasting, 1996, 15, 49-61.
[5]. J.V. Hansen, D.N. Ray, Neural Networks and Traditional Time Series Methods, A Synergistic Combination in State Economic Forecasts, 1997, 8(4), 863-873. [6]. J.S.R. Jang, ANFIS: adaptive network-based fuzzy inference systems. IEEE
Trans Sys Man Cybern, 1993, 23, 665–685.
[7]. L.A. Zadeh, Fuzzy sets, Information and Control, 1965, 8 (3), 338-353.
[8]. Q. Song, B.S. Chissom, Forecasting enrolments with fuzzy time series - Part I, Fuzzy Sets and Systems, 1993a, 54(1),1-9.
[9]. Q. Song, B.S. Chissom, Fuzzy time series and its models, Fuzzy Sets and Systems, 1993b, 4 (3), 269-277.
[10]. S.M. Chen, Forecasting Enrolments based on Fuzzy Time Series, Fuzzy set and systems, 1996, 81(3), 311-319.
[11]. K. Huarng, Effective lengths of intervals to improve forecasting in fuzzy time sries, Fuzzy Sets and Systems, 2001b, 123(3), 387-394.
[12]. H.K.Yu, A refined fuzzy time-series model for forecasting, Physical A: Statistical Mechanics and Its Applications, 2005, 346 (3-4), pp. 657-681. [13]. H.K.Yu, Weighted fuzzy time series models for TAIEX forecasting. Phys A:
Stat Mech Appl, 2005, 349 (3–4), 609-624.
[14]. M. Bose, K. Mali, A novel data partitioning and rule selection technique for modeling high-order fuzzy time series. Applied Soft Computing, 2017, 63(17), pp. 87–96, doi: 10.1016/j.asoc.2017.11.011.
[15]. S.M. Chen and N.Y. Chung, Forecasting enrolments of students by using fuzzy time series and genetic algorithms. International Journal of Intelligent Systems, 2006a, 17, pp. 1–17.
[16]. S.M. Chen, N.Y. Chung, Forecasting enrolments using high-order fuzzy time series and genetic algorithms. International Journal of Intelligent Systems, 2006b, 21, 485–501.
[17]. S.M. Chen, K. Tanuwijaya, Fuzzy forecasting based on high-order fuzzy logical relationships and automatic clustering techniques. Expert Systems with Applications, 2011, 38, 15425–15437.
[18]. I.H. Kuo, et al, an improved method for forecasting enrolments based on fuzzy time series and particle swarm optimization. Expert systems with applications, 2009, 36, 6108 – 6117.
[19]. H.Tung, N.D. Thuan, V.M. Loc, The partitioning method based on hedge algebras for fuzzy time series forecasting”, Journal of Science and Technology, 2016, 54 (5), pp. 571-583.
[20]. V.M. Loc, P.T. Yen P, P.T.H. Nghia, Time Series Forecasting Using Fuzzy Time Series with Hedge Algebras Approach. International Journal of Emerging Technology and Advanced Engineering), 2017, 7(12), 125-133. [21]. W. Lu, et al, using interval information granules to improve forecasting in
fuzzy time series. International Journal of Approximate Reasoning, 2015, 57, pp.1– 18.
[22]. U. Yolcu, E. Egrioglu, V.R. Uslu, M.A. Basaran, C.H. Aladag, A New Approach for Determining the Length of Intervals for Fuzzy Time Series. Applied Soft Computing 2009, 9, 647-651
[23]. N. Güler Dincer, Q. Akkuş, A new fuzzy time series model based on robust clustering for forecasting of air pollution, Ecol. Inform, 2018, 43, 157–164, http://dx.doi.org/10.1016/j.ecoinf.2017.12.001.
[24]. Y.L. Huang, et al, an improved forecasting model based on the weighted fuzzy relationship matrix combined with a PSO adaptation for enrollments. International Journal of Innovative Computing, Information and Control, 2011, 7(7), pp. 4027–4045.
[25]. L. Wang, X. Liu, and W. Pedrycz, Effective intervals determined by information granules to improve forecasting in fuzzy time series, Expert Systems with Applications, 2013, 40(14), 5673–5679.
[26]. L. Wang, et al, Determination of temporal information granules to improve forecasting in fuzzy time series. Expert Systems with Applications, 2014, 41, 3134–3142.
[27]. S.M. Chen, X.Y. Zou, G.C. Gunawan, Fuzzy time series forecasting based on proportions of intervals and particle swarm optimization techniques,
Information Sciences, 2019, 500, 127–139
[28]. E. Egrioglu, C.H. Aladag, Yolcu, Fuzzy time series forecasting with a novel hybrid approach combining fuzzy c-means and neural network. Expert Systems with applications, 2013, 40(3), pp. 854–857.
[29]. C.H. Aladag, using multiplicative neuron model to establish fuzzy logic relationships. Expert Syst. Appl, 2013, 40, 850–853.
[30]. C.H. Aladag, U. Yolcu, E. Egrioglu, A.Z. Dalar, A new time invariant fuzzy time series forecasting method based on particle swarm optimization, Appl. Soft Comput. 2012, 12 (10), 3291–3299.
[31]. S.M. Chen, X.Y. Zou, An efficient time series forecasting model based on fuzzy time serie, Engineering Applications of Artificial Intelligence, 2013, 26, 2443- 2457.
[32]. H.I. Kuo, S.J. Horng, Y.H. Chen, R.S. Run, T.W. Kao, R.J. Chen, J.L. Lai, T.L. Lin. Forecasting TAIFEX based on fuzzy time series and particle swarm optimization, Expert Systems with Applications, 2010, 2(37), 1494 –1502. [33]. Y.L. Huang et al., A hybrid forecasting model for enrolments based on
aggregated fuzzy time series and particle swarm optimization, Expert Systems with Applications, 2011, 7(38), 8014–8023.
[34]. L.W. Lee, L.H. Wang and S.M. Chen, Temperature prediction and TAIFEX forecasting based on high - order fuzzy logical relationship and genetic simulated annealing techniques, Expert Sys ems with Applications, 2008b, 34, 328–336.
[35]. J. Park, D.J. Lee, C.K. Song, M.G. Chun, TAIFEX and KOSPI 200 forecasting based on two-factor high-order fuzzy time series and particle swarm optimization. Expert Systems with Applications, 2010, 37, 959–967.
[36]. Q. Cai, D. Zhang, W. Zheng, S.CH. Leung, A new fuzzy time series forecasting model combined with ant colony optimization and auto-regression, Knowledge- Based Systems, 2015, 74, 61-68.
[37]. P. Singh, G. Dhiman, A hybrid fuzzy time series forecasting model based on granular computing and bio-inspired optimization approaches, Journal of Computational Science, 2018, 27, 370-385.
[38]. S.M. Chen, W.S. Jian, Fuzzy forecasting based on two-factors second-order fuzzy-trend logical relationship groups, similarity measures and PSO techniques, Inf. Sci, 2017, vol. 391–392, 65–79.
[39]. P. Singh, B. Borah, forecasting stock index price based on M-factors fuzzy time series and particle swarm optimization, Int. J. Approx. Reason, 2014, 55, 812– 833.
[40]. L.Y. Hsu, et al., Temperature prediction and TAIFEX forecasting based on fuzzy relationships and MTPSO techniques, Expert Systems with Applications, 2010, 37, 2756–2770.
[41]. S.M. Chen, et al., Fuzzy forecasting based on two-factors second-order fuzzy- trend logical relationship groups and particle swarm optimization techniques. IEEE Trans. Cybern, 2013, 43(3), 1102–1117.
[42]. S.M. Chen, B.D.H. Phuong, Fuzzy time series forecasting based on optimal partitions of intervals and optimal weighting vectors, Knowledge-Based Systems, 2017,118, 204–216.
[43]. S.M. Yusuf, M.B. Mu’azu, O. Akinsanmi, A novel hybrid fuzzy time series approach with applications to enrolments and car road accident, International Journal of Computer Applications, 2015, 129(2), 37- 44.
[44]. S.H. Cheng, S.M. Chen, W.S. Jian , Fuzzy time series forecasting based on fuzzy logical relationships and similarity measures. Information Sciences, 2016, 327, 272–287.
[45]. V.R. Uslu, E. Bas, U. Yolcu , E. Egrioglu, A fuzzy time series approach based on weights determined by the number of recurrences of fuzzy relations, Swarm and Evolutionary Computation, 2014, 15, 19-26.
[46]. A. Rubio, J.D. Bermúdez, E. Vercher, Forecasting portfolio returns using weighted fuzzy time series methods, Int. J. Approx. 2016, 75, 1–12.
[47]. M.H. Lee, R.Efendi, Z.Ismad, Modified Weighted for Enrollments Forecasting Based on Fuzzy Time Series, MATEMATIKA, 2009, 25(1), 67-78.
[48]. S.M. Chen, Forecasting enrolments based on high-order fuzzy time series, Cybernetics and Systems, 2002, 33(1), 1-16.
[49]. V.V. Tai, An improved fuzzy time series forecasting model using variations of data, Fuzzy Optimization and Decision Making, 2018, 18, 151-173, https://doi.org/10.1007/s10700-018-9290-7.
[50]. N.C. Ho, W. Wechler, Hedge algebra: An algebraic approach to structures of sets of linguistic truth values, fuzzy Sets and Systems, 1990, 35, 281-293. [51]. N.C. Ho, N.C. Dieu, V.N. Lan, The application of hedge algebras in fuzzy
time series forecasting”, Journal of science and technology, 2016, 54(2), 161- 177.
[52]. N.D. Hieu, N.C. Ho, V.N. Lan, Enrollment forecasting based on linguistic time series, Journal of Computer Science and Cybernetics, 2020, 36(2), 119-137. [53]. K.W. Hipel, A.I. McLeod, Time Series Modelling of Water Resources and
Environmental Systems, Elsevier, Amsterdam-London,1994,https:// doi.org/ 10.1002/ iroh. 19950800107.
[54]. L.W. Lee, et al., Handling forecasting problems based on two-factor high- order fuzzy time-series. IEEE Transactions on Fuzzy Systems, 2006,14(3), 468–477.
[55]. C.H.H. Cheng, J.R.R. Chang, C.A.A. Yeh, Entropy-based and trapezoid fuzzification-based fuzzy time series approaches for forecasting IT project cost,
Techno-logical Forecasting and Social Change, 2006, 73(5), 524–542, doi: 10.1016/ j. techfore.2005. 07.004.
[56]. N.Y. Wang, S.M. Chen, Temperature prediction and TAIFEX forecasting based on automatic clustering techniques and two-factors high-order fuzzy time series. Expert Systems with Applications, 2009, 36, 2143–2154.
[57]. P. Singh, B. Borah , An effective neural network and fuzzy time series-based hybridized model to handle forecasting problems of two factors. Knowl Inf Syst, 2014, 38, 669–690.
[58]. Z. Ismail, R. Efendi, M.M. Deris, Application of Fuzzy Time Series Approach in Electric Load Forecasting”. New Mathematics and Natural Computation, 2015, 11(3), 229–248, doi: 10.1142/S1793005715500076.
[59]. Q. Song and B.S. Chissorn, Forecasting enrollments with fuzzy time series-part II. Fuzzy Sets and Systems, 1994, 62, 1–8.
[60]. A. Rubio, J. Bermúdez, E.Vercher, Improving stock index forecasts by using a new weighted fuzzy-trend time series method, Expert Syst.Appl, 2017, 76, 12– 20.
[61]. D. Polomˇcic, et al., A Hybrid Model for Forecasting Groundwater Levels Based on Fuzzy C-Mean Clustering and Singular Spectrum Analysis, MDPI - Wate, 2017, 9(541), 3-16, doi:10.3390/w9070541.
[62]. S.R. Singh, A simple method of forecasting based on fuzzy time series. Applied Mathematics and Computation, 2007a, 186 (1), 330–339.
[63]. Phạm Thanh Hà , Tối ưu hóa mô hình dự báo chuỗi thời gian mờ trên cơ sở giải thuật di truyền, Tạp chí Khoa học giao thông vận tải, 2017, 59, 3-6.
[64]. E. Egrioglu, C.H. Aladag, U. Yolcu, V.R. Uslu, M.A. Basaran, A new approach based on artificial neural networks for high order multivariate fuzzy time series, Expert Syst. Appl., 2009, 36, 10589–10594.
[65]. C.H. Aladag, Using multiplicative neuron model to establish fuzzy logic relationships. Expert Syst. 2013, 40, 850–853.
[66]. W. Qiu, X. Liu, H. Li, High-order fuzzy time series model based on generalized fuzzy logical relationship. Mathematical Problems in Engineering, 2013, ISSN 1024123X. doi: 10.1155/2013/927394.