c. Thử nghiệm với dữ liệu mạng di động
3.6.9.Thiết kế chức năng Cập nhật tập huấn luyện
Xem dữ liệu
Người dùng Dữ liệu mới
Internet Cập nhật số liệu Di động Internet Internet Cập nhật số liệu Cập nhật số liệu Cập nhật số liệu
Hình 25. Biểu đồ luồng dữ liệu cho chức năng Cập nhật tập huấn luyện
KẾT LUẬN CHƢƠNG 3
Trong chương 3, luận văn đã phát biểu bài toán “Dự báo kết quả hoạt động SXKD của VNPT”, thiết kế mạng nơron nhân tạo để giải quyết bài toán theo các bước: phân tích hoạt động SXKD của VNPT để lựa chọn dữ liệu đầu vào, tiền
xử lý dữ liệu, Xác định tập huấn luyện, tập kiểm thử, Xác định mô hình mạng nơ
ron, Huấn luyện mạng nơron và Dự báo số liệu. Sau đó, thông qua bộ công cụ
khai phá dữ liệu YALE, người thực hiện đề tài đã ứng dụng mạng nơron nhân tạo để dự báo kết quả hoạt động SXKD cho VNPT với các chỉ tiêu về điện thoại di động, điện thoại cố định và mạng Internet. Quá trình thử nghiệm với số liệu thực tế của VNPT đã cho kết quả tốt với độ chính xác dự báo trung bình khoảng 10%.
KẾT LUẬN
Trong nền kinh tế tri thức hiện nay, thông tin có vai trò quyết định, tuy nhiên những thông tin có giá trị nhất không phải là những thông tin thô mà là thông tin đã qua phân tích, tổng hợp. Do đó, nghiên cứu và xử lý thông tin đang ngày càng thể hiện rõ tầm quan trọng của mình và ngày càng được các doanh nghiệp trên khắp thế giới quan tâm, đầu tư phát triển.
Tại Việt Nam, nhu cầu phân tích, xử lý thông tin và đặc biệt là khai phá, dự báo số liệu đã xuất hiện từ lâu nhưng việc đáp ứng nhu cầu này còn rất hạn chế, hiện chỉ có một số ít các doanh nghiệp lớn của Nhà nước đầu tư cho lĩnh vực này.
Trong khi đó thực tiễn của tiến trình hội nhập kinh tế quốc tế ở nước ta thời gian qua cho thấy để hoạt động sản xuất kinh doanh của các doanh nghiệp đạt hiệu quả, để doanh nghiệp cạnh tranh thành công trên thị trường điều rất quan trọng là doanh nghiệp phải dự báo được khả năng sản xuất kinh doanh các sản phẩm của mình. Bởi vậy nhu cầu đẩy mạnh hoạt động khai phá và dự báo dữ liệu trong các doanh nghiệp ngày càng trở lên cần thiết và cấp bách. Trong bối cảnh ấy vấn đề nghiên cứu ứng dụng trong luận văn này là hướng đi đúng đắn và có ý nghĩa thực tiến.
Luận văn này đã trình bầy một cách tổng quan về dự báo, chức năng của dự báo và những phương pháp dự báo định lượng chủ yếu hiện đang được ứng dụng trong doanh nghiệp. Luận văn cũng tập trung trình bầy một cách tóm tắt một số nội dung chủ yếu về mạng nơron, trình bầy phương pháp phân lớp và dự báo dữ liệu bằng mạng nơron.
Trên cơ sở phân tích nhu cầu dự báo định lượng của Tập đoàn VNPT, luận văn đã đề xuất bài toán và thực hiện dự báo đối với một số chỉ tiêu về điện thoại cố định, điện thoại di động và mạng Internet bằng phương pháp mạng noron dựa trên bộ công cụ khai phá dữ liệu YALE và tập số liệu thực tế của Tập đoàn VNPT.
Kết quả dự báo là rất khả quan. Kết quả dự báo có độ chính xác khá cao so với thực tiễn khi kỳ dự báo gần; khi kỳ dự báo xa hơn, độ chính xác bị giảm xuống nhưng không nhiều và không có sự khác biệt lớn với các dự báo nhiều kỳ thời gian.
Kết quả dự báo cũng cho cho thấy phương pháp dự báo số liệu bằng mạng nơron nhân tạo có một số điểm ưu việt như:
- Mô hình có khả năng tự điều chỉnh tham số để thích nghi với những biến động của dữ liệu trong quá trình sử dụng.
- Độ chính xác của kết quả dự báo chỉ phụ thuộc vào dữ liệu đầu vào, những biến động thực tế đều được thể hiện trên số liệu.
Đề tài luận văn này vẫn tiếp tục được nghiên cứu và phát triển theo những hướng sau:
- Hoàn chỉnh mô hình dự báo, xây dựng và hoàn thiện phần mềm dự báo số
liệu SXKD cho VNPT nhằm tạo sự thuận tiện, dễ dàng hơn cho người dùng khi sử dụng hệ thống.
- Mở rộng ứng dụng phương pháp dự báo của luận văn này sang một số lĩnh vực kinh tế - xã hội khác như dự báo các chỉ tiêu kinh tế - xã hội chủ yếu, dự báo giá và chỉ số chứng khoán, ...
TÀI LIỆU THAM KHẢO A - Sách tham khảo
Tiếng Việt
[1]Tạ Mạnh Cường (2006), Dự báo chuỗi dữ liệu phụ thuộc thời gian theo
mùa vụ bằng mô hình Holt-Winters, Luận văn Ths, ĐH Công nghệ - ĐHQGHN.
[2]Nguyễn Khắc Minh (2002), Các phương pháp phân tích và dự báo trong
kinh tế. NXB Khoa học và kỹ thu, ật Hà Nội,.
[3]Trần Văn Thái (2005), Phát hiện tri thức theo mùa từ cơ sở dữ liệu chuỗi
thời gian, Luận văn Ths, ĐH Công nghệ - ĐHQGHN. (adsbygoogle = window.adsbygoogle || []).push({});
[4]Đỗ Văn Thành (2007), Giải pháp dự báo ngắn hạn về tăng trưởng kinh tế
Việt Nam.
Tiếng Anh
[5]C.C.Klimasauskas (1993), Applying neural network, in R.R. Trippi and E.
Turban, eds., Neural Network in Finance and Investing: Using Artificial Intelligence to Improve Real World Performance, Chicago.
[6]Christopher M. Bishop (1995), Neural Networks for Pattern Recognition.
Clarendon Press, Oxford.
[7]Danielle Graupe (2007), Principles of Artificial Neural Networks. World Scientific.
[8]David Hand, Heikki Mannila, Padhraic Smyth (2001). Principles of Data
Mining. The MIT Press.
[9]G.J.Deboeck, Ed (1994), Trading on the Edge: Neural, Genetic and Fuzzy
Systems for Chaotic Financial Markets. Wiley, NewYork.
[10]Icebeling Kaastra, Milton Boyd (1995), Designing a neural network for
forcasting finacial and economic time series.
[11]J.O.Katz (April 1992), Developing neural network forcasters for
[12]Jiawei Han and Michelle Kamber (2001), Data Mining: Concepts and Techniques. Morgan Kaufmann.
[13]Joseph P.Bigus (1996), Data Mining Process with Neural Networks.
McGraw-Hill.
[14]Peter Cabena, Pablo Hadjinian, Rolf Stadler, Jaap Verhees, Alessandro
Zanasi (1998), Discovering Data Mining, From Concept to
Implementation. Prentice Hall Ptr.
[15]T. Masters (1993), Pratical Neural Networks Recipes in C++,
Academic Press, NewYork.
B - Địa chỉ web
[16]Tài liệu của phần mềm nguồn mở Weka:
http://www.cs.waikato.ac.nz/~ml/weka/
[17]Tài liệu của phần mềm nguồn mở Yale: http://www-ai.cs.uni-
dortmund.de/SOFTWARE/YALE/index.html