6. Bố cục của luận án
1.7. Tổ chức thực nghiệm
1.7.3. Bài toán dự báo dữ liệu chuỗi thời gian hỗn loạn Mackey-Glass
Để đánh giá hiệu quả ứng dụng của thuật toán f-SVM trong việc xây dựng một mơ hình dự đốn, chúng tơi lựa chọn thực nghiệm trên dữ liệu chuỗi thời gian hỗn loạn Mackey-Glass (Mackey-Glass chaotic time series) [35][52][80]. Dữ liệu chuỗi thời gian Mackey-Glass được sinh theo công thức sau:
𝑥̇ = 𝑎𝑥(𝑡 − 𝜏)
trong đó ta chọn 𝜏 = 30 , 𝑎 = 0.2, 𝑏 = 10, và 𝑐 = 0.1.
Thuộc tính đầu vào được lựa chọn cho mơ hình là giá trị 𝑥(𝑡 − 1), 𝑥(𝑡 − 2), thuộc tính đầu ra cần dự đốn là giá trị 𝑥(𝑡).
Sử dụng công thức (1.55) để sinh ra 1000 mẫu dữ liệu; trong đó trích 800 mẫu dữ liệu để huấn luyện cho máy học véc-tơ hỗ trợ và trích xuất ra mơ hình mờ, 200 mẫu dữ liệu cịn lại được sử dụng để xác thực mơ hình mờ trích xuất được và chọn ra giá trị tham số tối ưu.
Tương tự với thực nghiệm ở 1.7.2, trong thực nghiệm này cố định giá trị tham số 𝐶 = 10. Khi thiết lập giá trị tham số 𝜀 = 0.0 thì kết quả có 200 luật mờ nhận được. Giá trị tham số ε được điều chỉnh tăng dần. Khi ε = 0.1, hệ thống mờ trích xuất được rút gọn cịn 9 luật. Kết quả dự đốn trên tập dữ liệu xác thực dựa vào tập luật trích xuất được trong các trường hợp thể hiện ở Bảng 1.4.
Bảng 1.4. Kết quả dự đoán trên 200 mẫu dữ liệu xác thực trong cho các trường hợp
thực nghiệm của bài toán 1.7.3 Số véc-tơ hỗ trợ/ Số luật mờ Mơ hình áp dụng ANFIS SVM Mơ hình f-SVM Chưa tối ưu hóa tham
số hàm thành viên Mơ hình f-SVM 170 <10-10 0.0540 0.0512 <10-10 36 0.0034 0.0509 0.0511 0.0086 25 0.0041 0.0635 0.0630 0.0092 16 0.0050 0.0748 0.0755 0.0095 9 0.0074 0.1466 0.1501 0.0098 4 0.0087 0.1955 0.1895 0.0102
Cùng với việc triển khai thực nghiệm mơ hình sử dụng thuật tốn f-SVM do luận án đề xuất, các mơ hình ANFIS, SVM ngun thủy và mơ hình mờ trích xuất từ
Bảng 1.4 thể hiện sự so sánh hiệu quả dự đoán trên 200 mẫu dữ liệu xác thực của các mơ hình trong từng trường hợp thực nghiệm, thơng qua giá trị của sai số RMSE.
So sánh các giá trị của RMSE trong Bảng 1.4, có thể nhận thấy rằng mơ hình ứng dụng thuật tốn f-SVM đề xuất cho kết quả dự đoán gần tương đương với mơ hình ANFIS. So với mơ hình SVM ngun thủy và mơ hình trích xuất luật mờ dựa trên SVM đề xuất trong [35] thì mơ hình đề xuất có độ chính xác của kết quả dự đốn cao hơn.
Qua các kết quả thực nghiệm có thể nhận thấy rằng thuật tốn f-SVM đề xuất có thể được ứng dụng để trích xuất các mơ hình mờ từ dữ liệu huấn luyện. Các mơ hình mờ trích xuất được có thể ứng dụng cho các bài tốn dự báo hồi quy và cho kết quả dự báo tốt hơn so với mơ hình SVM ngun thủy. Ngồi ra qua thực nghiệm cũng chứng tỏ rằng, việc điều chỉnh tăng giá trị của tham số ε để hạn chế cố luật mờ trong mơ hình sẽ làm giảm độ phức tạp của mơ hình và tốc độ suy luận dựa trên mơ hình sẽ tăng lên. Tuy nhiên, song song với đó thì hiệu quả dự đốn dựa trên mơ hình sẽ bị suy giảm. Việc cân nhắc lựa chọ giá trị tham số ε để có được số luật mờ thích hợp sẽ được quyết định theo từng bài toán ứng với từng giá trị ngưỡng sai số RMSE.