5.2 Bảng kết quả kiểm nghiệm doanh thu khi kiểm nghiệm mơ hình
Bảng kết quả dự báo so sánh giữa các mơ hình như Bảng 20:
Bảng 20: Bảng kết quả dự báo các mơ hình
Sai số dự
Số liệu Mơ hình Mơ hình Mơ Hình báo Mơ Sai số Sai số Quarter Year thực tế nhân ARIMA LSTM hình nhân ARIMA LSTM
1 2019 84,750 75,005 83,891 80,213 9,745 859 4,537
2 2019 77,457 71,306 81,867 79,123 6,151 -4,410 -1,666
3 2019 75,263 81,261 81,087 74,178 -5,998 -5,824 1,085
KẾT LUẬN
Ứng dùng phần mềm Excel để phân tích và dự báo với mơ hình nhân bên cạnh đó dùng ngơn ngữ lập trình python và các thư viện để phân tích và dự báo.
Ứng dụng Mơ hình nhân Yt = Tt x St với ứng dung cho kết quả nhanh chóng dễ làm và có thể dự đốn các năm tiếp theo khi có kết quả của các năm trước và dựa vào yếu tố theo màu để dự đốn chính xác các số liệu cua các quý hoặc các năm tiếp theo dễ dàng.
Ứng dụng mơ hình ARIMA để phân tích và dự báo số liệu doanh thu với tự hồi quy, trung bình, khử biến đổi theo mùa, hồi quy tuyến tính, độ lệch chuẩn, phương sai,… và các khả năng ứng dụng của mơ hình ARIMA.
Mạng LSTM là một trong những mạng thần kinh được sử dụng phân tích chuỗi thời gian. Khả năng ghi nhớ thơng tin trước đó của LSTM khiến nó trở nên lý tưởng cho các nhiệm vụ. Cho kết quả khá nhanh và khá chính xác với ứng dụng thư viện TensorFlow và các thư viện khác có từ Python.
Ứng dụng nghiên cứ với mơ hình nhân với kết quả với phương trình tuyến tính Tt = 20.778, 56346 + 811,8253497*t và sai số R2 = 0.900185312, dự đoán kết quả cho các năm tiếp theo cũng gần chính xác với số liệu thực tế.
Nghiên cứu khả năng ứng dụng của mơ hình ARIMA vào việc dự báo doanh thu Golf, mục đích tìm ra mơ hình tốt nhất cho việc dự báo doanh thu Golf.
Nghiên cứu ứng dụng mơ hình mạng LSTM phân tích số liệu và dự báo cho
kết quả nhanh và khá chính xác với ứng dụng thư viện TensorFlow kết hợp với các thư viện khác có từ ứng dụng ngơn ngữ lập trình Python
Hiện bài tốn phân tích dự báo doanh thu golf chỉ dựa trên số liệu doanh thu nên có phần chưa đánh giá tốt hoạt động của doanh nghiệp. Để phân tích và dự đốn chính xác thì cần dựa vào các chỉ tiêu như dịng tiền, tài sản, chi phí, nguồn vốn, lợi nhuận,…để có dự phân tích và dự báo chính xác hơn.
Tác giả mới dựa vào một số mơ hình tốn để dự báo như mơ hình nhân, mơ hình trung bình, mơ hình ARIMA và SARIMA kết hợp để phân tích cũng như dự báo và ứnng dụng mơ hình mạng LSTM là một phần đặc biệt của mạng RNN (Recurrent Neural Networks) để phân tích và dự báo bằng phương pháp học sâu.
Khi dùng phương pháp LSTM học nhanh hơn và phân tích kết quả và dự đốn nhanh hơn so với hồi quy Logistic và phương pháp Suport Vector Macchin chỉ mang tính chất phân loại.
DANH MỤC TÀI LIỆU THAM KHẢO
[1]Đỗ Thị Hương (2016), Phân tích báo cáo tài chính của Cơng ty TNHH thương
mại và đầu tư Xuân Anh, Luận văn Thạc sĩ Kế toán, Đại học Lao Động Xã Hội. [2]Nguyễn Văn Hn, Phạm Việt Bình (2011), Phân tích dữ liệu và dự báo kinh tế,
NXB Khoa học và kỹ thuật.
[3]Nguyễn Văn Huân, Lê Anh Tú (2015), Giải pháp xây dựng hệ thống phân tích
dữ liệu và dự báo doanh thu cho doanh nghiệp vừa và nhỏ tại Việt Nam, Tạp chí
Khoa học & Cơng nghệ, 135(05):191 – 198.
[4]Trần Văn Lý, Lê Thị Hải Yên, Nguyễn Huyền Trang, Trần Kim Yến, Bùi Minh Trung và Lâm Quốc Tồn (2016), Phân tích hồi quy xu thế và một áp dụng thú
vị, Tạp chí Khoa học Trường Đại học Cần Thơ, 45a:118-125
[5]Đinh Thị Thu Hương, Đỗ Diệu My, Vũ Văn Trường, Bùi Thu Lâm (2015), Dự
báo tỉ giá ngoại tệ với mơ hình học cộng đồng kết hợp giải thuật tiến hóa đa mục tiêu, Các cơng trình nghiên cứu, phát triển và ứng dụng CNTT-TT, V-2, Số
14.
[6]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 (FAIR); Hà Nội, ngày 9-10/7/2015 DOI: 10.15625/vap.2015.000182
[7]Ratnadip Adhikari, R. K. Agrawal (2003), An Introductory Study on Time Series Modeling and Forecasting.
[8]Ngô Văn Mạnh, Nguyễn Thị Hiền, Nguyễn Xuân Hoài, Đặng Văn Nam, Nguyễn Việt Huy (2020), Nâng cao hiệu năng của Deep learning trong hệ
thống tính tốn hiệu năng cao cray-xc40, DOI:
10.36335/VNJHM.2020(709).63-70
[9]Anonymous (2019), Time Series Analysis (TSA) in Python - Linear Models to GARCH , http://www.blackarbs.com/blog/time-series-analysis-in-python-linear-
models-to-garch/11/1/2016#AR=, access date: Nov 20, 2019.
[10] Mark Borysiak (2019), ARIMA and LSTM Time Series Models for Google
Trends, https://github.com/IbonGaray/Forecasting-Time-Series-Python/ blob/
master/ Forecasting%20Time%20Series.ipynb, access date: Dec 20,2019
[11] Vô danh (2020), Sử dụng mạng LSTM (Long Short Term Memory) để dự
đoán cổ phiếu, https://viblo.asia/s/su-dung-mang-lstm-long-short-term-memory-
de-du-doan-co-phieu-24lJDz06KPM, truy cập ngày: 20/01/2020
[12] Abhinav Sagar (2020), Cryptocurrency Price Prediction Using LSTM neural
network, https://github.com/abhinavsagar/Cryptocurrency-Price-Prediction