Chương này của luận án trình bày các nghiên cứu đề xuất các mô hình dự báo chuỗi thời gian mờ mới trên cơ sở nhóm quan hệ mờ phụ thuộc thời gian (NQHM- PTTG) Cụ thể:
-
-
-
Đề xuất khái niệm NQHM-PTTG với mục đích ngăn việc đưa các tập mờ xuất hiện sau thời điểm 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 Đóng góp này được công bố trong các công trình [P1, P2]
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 Đề xuất này được công bố trong công trình [P4, P6]
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 Các đóng góp này được công bố trong các công trình [P3, P5]
Chương này cũng trình bày các kết quả thực nghiệm và đánh giá so sánh được tiến hành đối với các mô hình dự báo chuỗi thời gian mờ bậc nhất, bậc cao và đa nhân tố được đề xuất để khẳng định tính hiệu quả của chúng Ngoài ra, các kết quả thực nghiệm cũng khẳng định tính hiệu quả của các phương pháp phân khoảng được đề xuất đối với các dữ liệu chuỗi thời gian khác nhau Với các kết quả dự báo của các mô hình được đề xuất tốt hơn so với các mô hình dự báo được đối sánh cho thấy những đóng góp về NQHM-PTTG và phương pháp phân khoảng là thiết thực và có giá trị trong luận án
CHƯƠNG 3 NÂNG CAO HIỆU QUẢ CỦA MÔ HÌNH DỰ BÁO SỬ DỤNG CÁC KỸ THUẬT TÍNH TOÁN MỀM
Như phần Mở đầu và Chương 2 đã trình bày, độ dài khoảng phù hợp, nhóm quan hệ mờ và bậc của của mô hình cũng như quy tắc dự báo đầu ra được xem là các yếu tố ảnh hưởng đáng kể đến kết quả dự báo của mô hình FTS Mặc dù các yếu tố này đã được đề cập trong các mô hình chuỗi thời gian mờ đơn lẻ, tuy nhiên chúng chưa được kết hợp một cách chặt chẽ để có được mô hình dự báo đủ mạnh nhằm đáp ứng nhu cầu dự báo trên các bài toán thực tế với độ chính xác cao Với mục tiêu nâng cao kết quả của các mô hình dự báo đã đề cập trong Chương 2, chương này đề xuất các mô hình dự báo lai bằng việc kết hợp chuỗi thời gian mờ với các kỹ thuật tính toán mềm Các nội dung cần trình bày bao gồm:
- Sử dụng kỹ thuật phân cụm mờ (Fuzzy C-Means – FCM) để phân tập chuỗi thời gian một nhân tố và hai nhân tố thành các cụm và hiệu chỉnh chúng thành các khoảng ban đầu trong tập nền
- Cải tiến quy tắc giải mờ trong mô hình FTS-1NT và FTS-2NT ở Chương 2 để hiệu chỉnh các giá trị đầu ra trong giai đoạn giải mờ
- Đề xuất kết hợp kỹ thuật FCM với thuật toán PSO trong việc xác định độ dài khoảng phù hợp của mô hình FTS- 1NT nhằm tăng độ chính xác dự báo - Cải tiến thuật toán PSO nhằm thực hiện việc tối ưu đồng thời độ dài khoảng
chia và bậc của quan hệ mờ trong mô hình dự báo chuỗi thời gian mờ bậc cao hai nhân tố (FTS-2NT)
- Chứng tỏ tính hiệu quả dự báo của các mô hình được đề xuất trên 3 tập tập dữ liệu kinh điển về tuyển sinh đại học thuộc trường đai học Alabama, số vụ tai nạn ô-tô tại Bỉ, nhiệt độ trung bình hàng ngày tại Đài Bắc Đài Loan và thị trường chứng khoán tại Đài Bắc, Đài Loan
- Các kết quả của chương này được công bố trong các công trình [P6, P7]