Phương pháp dự báo chuỗi thời gian sử dụng logic mờ và ứng dụng trong dự báo tăng trưởng phương tiện giao thông đường bộ việt nam luận văn thạc sỹ ngành công nghệ thông tin

23 CHƯƠNG 3: ỨNG DỤNG PHƯƠNG PHÁP DỰ BÁO CHUỖI THỜI GIAN SỬ DỤNG SỬ DỤNG LOGIC MỜ TRONG DỰ BÁO MỨC ĐỘ TĂNG TRƯỞNG PHƯƠNG TIỆN GIAO THÔNG ĐƯỜNG BỘ TẠI VIỆT NAM .... Mô hình toán học dùng

TỔNG QUAN VỀ DỰ BÁO CHUỖI THỜI GIAN

Vấn đề dự báo

Dự báo kết hợp nghệ thuật và khoa học để tiên đoán các sự kiện trong tương lai Việc thu thập dữ liệu quan sát liên tục về một hiện tượng, như vật lý hay kinh tế, trong một khoảng thời gian nhất định sẽ tạo ra một chuỗi thời gian.

Phân tích chuỗi thời gian nhằm nhận diện và tổng hợp các yếu tố cũng như biến đổi theo thời gian ảnh hưởng đến giá trị của biến quan sát Dự báo được sử dụng để đánh giá các sự kiện trong quá khứ hoặc áp dụng các mô hình toán học để dự đoán kết quả trong tương lai.

Chuỗi thời gian

Chuỗi thời gian là tập hợp các điểm dữ liệu được ghi nhận theo từng khoảng thời gian liên tiếp với tần suất nhất định Ví dụ điển hình của chuỗi thời gian bao gồm báo cáo tài chính, tỷ giá tiền tệ và chỉ số tiêu dùng Phân tích chuỗi thời gian sử dụng các phương pháp để khai thác dữ liệu, từ đó rút ra các thuộc tính thống kê quan trọng và đặc điểm của dữ liệu Dự đoán chuỗi thời gian là quá trình áp dụng mô hình để dự đoán các sự kiện tương lai dựa trên thông tin từ quá khứ.

Dữ liệu của chuỗi thời gian là một chuỗi các giá trị của một đại lượng nào đó được ghi nhận là thời gian

Ví dụ: Số lượng nhập học của sinh viên trong khoảng 10 năm học

Các giá trị của chuỗi thời gian của đại lượng Y được ký hiệu là Y1, Y2,….,

Yt với Y là giá trị Y tại thời điểm t

Các chuỗi thời gian thường được mô hình hóa dưới dạng tổng hoặc tích của ba thành phần chính: thành phần xu hướng, thành phần mùa và thành phần chu kỳ hoặc biến đổi ngẫu nhiên.

- Thành phần xu hướng: Là sự thay đổi trên biến quan trắc Y xét trên một thời gian dài

- Thành phần mùa: Là sự biến đổi có tính tuần hoàn trong một chu kỳ

- Chu kỳ: Là thời gian mà hiện tượng sẽ lặp lại nó phối hợp với xu hướng trong chu kỳ nhiều năm

- Biến đổi ngẫu nhiên: là sự dao động ngẫu nhiên xung quang xu thuế, đều này làm ảnh hưởng đến chu kỳ và theo mùa của chuỗi quan sát

Ta có công thức tổng quát như sau::

Y t = T t + S t + u t hay Y t = T t S t u t Y: là biến phụ thuộc

T: là thành phần xu hướng

U : là thành phần sai số ngẫu nhiên

Thành phần mùa là thành phần chỉ mức độ xảy ra thường xuyên chẳng hạn như tháng, quý, tuần, giờ, giống như các biến chuỗi thời gian

1.2.2 Các phương pháp phân tích dữ liệu chuỗi thời gian

Các phương pháp để dự báo: phương pháp định tính, phương pháp định lượng

- Phương pháp định tính: khảo sát lấy yêu cầu, nghiên cứu thị trường,…

Phương pháp định lượng chủ yếu tập trung vào các mô hình như mô hình chuỗi thời gian và mô hình nhân quả Trong luận văn này, chúng tôi sẽ đặc biệt chú trọng vào mô hình chuỗi thời gian.

1.2.2.1 Các mô hình dự báo chuỗi thời gian

Trước khi khám phá các mô hình dự báo chuỗi thời gian, việc tìm hiểu các khái niệm cơ bản và lý thuyết nền tảng là rất quan trọng.

Tự tương quan là mối quan hệ tương quan giữa các thành viên trong chuỗi quan sát được sắp xếp theo thời gian.

Hàm tự tương quan đo lường phụ thuộc tuyến tính giữa các cặp quan sát y(t), y(t+k), ứng với k = 1, 2, …(k gọi là độ trễ)

Hàm tự tương quan tại độ trễ k được xác định bằng độ lệch giữa các biến ngẫu nhiên Y t và Y t+k so với giá trị trung bình, sau đó được chuẩn hoá qua phương sai.

Hàm tự tương quan tại các độ trễ khác nhau có giá trị khác nhau Để ước lượng hàm tự tương quan tại độ trễ thứ k, ta thực hiện phép biến đổi trung bình của tất cả các cặp quan sát với độ trễ k, sử dụng giá trị trung bình mẫu và chuẩn hóa bằng phương sai.

Giá trị r k của hàm tự tương quan tại độ trễ thứ k cho mỗi chuỗi N điểm được tính dựa trên chuỗi thời gian yt tại thời điểm t và chuỗi thời gian yt + k tại thời điểm t+k Giá trị trung bình của chuỗi dừng được ký hiệu là à, và r k đại diện cho mức độ tương quan giữa y t và y t+k tại độ trễ k Nếu rk = 0, điều này cho thấy không có hiện tượng tương quan giữa các giá trị.

Theo lý thuyết, chuỗi dừng lại khi tất cả các giá trị $ r_k = 0 $ hoặc chỉ một số ít $ r_k $ khác không Chúng ta cần xem xét hàm tự tương quan mẫu, vì điều này có thể dẫn đến sai số mẫu và hiện tượng tự tương quan khi $ n_k = 0 $ theo nghĩa thống kê.

Khi hàm tự tương quan giảm đột ngột, điều này cho thấy n k rất lớn ở độ trễ 1, 2 và có ý nghĩa thống kê (|t| > 2) Những n k này được coi là các “đỉnh”, và hàm tự tương quan được xem là giảm đột ngột sau độ trễ k nếu không có các “đỉnh” ở độ trễ k lớn hơn k Thông thường, hàm tự tương quan sẽ giảm đột ngột sau độ trễ 1, 2.

Nếu hàm tự tương quan của chuỗi thời gian giảm nhanh và đều mà không có đỉnh, chúng ta gọi hiện tượng này là “tắt dần”.

1.2.2.3 Hàm tự tương quan từng phần

Hàm tự tương quan từng phần được xác định giữa các quan sát y(t+1),…,y(t+k-1) tương tự như hàm tự tương quan giữa y(t) và y(t+k) Để ước lượng hàm tự tương quan từng phần tại độ trễ k, ta sử dụng hệ số liên hệ y(t) trong mối kết hợp tuyến tính Sự kết hợp này được tính toán dựa trên tầm ảnh hưởng của y(t) và các giá trị trung gian y(t+k).

Giải phương trình hồi quy dựa trên bình phương tối thiểu vì hệ số hồi quy

C kj phải được tính ở mỗi độ trễ k, với j chạy từ 1 đến k

Sai phân thể hiện sự khác biệt giữa giá trị hiện tại và giá trị trước đó Phân tích sai phân giúp ổn định giá trị trung bình của chuỗi dữ liệu, từ đó chuyển đổi chuỗi thành một chuỗi dừng.

1.2.2.5 Mô hình tự hồi quy (Auto Regressif - AR)

Mô hình AR(p) chủ yếu nhằm thực hiện hồi quy dựa trên dữ liệu quá khứ từ các chu kỳ trước Cấu trúc của mô hình chuỗi thời gian tự hồi quy hoàn toàn được thiết lập như sau:

Yt = à + 1 Yt-1 + 2 Yt-2 + + p Yt-p + ut (1)

Yt là quan sát thứ t của biến phụ thuộc sau khi đã trừ đi giá trị trung bình của nó, trong khi ut là thành phần sai số có động thái tốt với trung bình bằng 0, phương sai không đổi và không tương quan với u s nếu t s, được gọi là nhiễu trắng Các thông số này cần được tìm kiếm, và a là hệ số chặn Thành phần hằng số được bỏ qua vì Yt được biểu diễn dưới dạng độ thiên lệch khỏi giá trị trung bình.

MÔ HÌNH DỰ BÁO CHUỖI THỜI GIAN MỜ

Lý thuyết tập mờ

Ngày nay, các hệ thống phức tạp thường gặp khó khăn trong việc xử lý chính xác và đầy đủ dữ liệu do sự hạn chế của các phương trình toán học truyền thống Điều này dẫn đến việc các phương pháp kinh điển dựa trên kỹ thuật phân tích và các phương trình toán học trở nên kém hiệu quả.

Lý thuyết tập mờ và logic mờ cung cấp nền tảng toán học cho việc phát triển các phương pháp lập luận xấp xỉ, mô phỏng cách con người tư duy Chúng đã chứng minh là công cụ hiệu quả trong việc giải quyết các bài toán với thông tin mờ và không chắc chắn, đặc biệt trong lĩnh vực dự báo dữ liệu chuỗi thời gian.

Định nghĩa tập mờ

Tập mờ là một khái niệm mở rộng của tập rõ, cho phép hàm thuộc nhận giá trị trong khoảng [0, 1], thay vì chỉ nhận hai giá trị 0 hoặc 1 như trong tập rõ.

Tập mờ A trên tập vũ trụ X là một tập hợp mà mỗi phần tử là cặp giá trị (x, à A(x)), với x thuộc X và à A là ánh xạ từ X đến [0,1] Ánh xạ này được gọi là hàm thuộc hoặc hàm liên thuộc (hàm thành viên) của tập mờ A Tập X được xem là cơ sở của tập mờ A, trong đó à A(x) thể hiện độ phụ thuộc của một phần tử x nào đó.

Các phép toán trên tập mờ

2.3.1 Phần bù của một tập mờ

Cho tập mờ A trên tập vũ trụ U, tập mờ bù của A là tập mờ Ā, hàm thuộc àĀ(x) được tớnh từ hàm thuộc à A (x) àĀ(x) = 1- àA(x)

Hình 2.1 Hàm thuộc của tập mờ A Hình 2.2 Hàm thuộc của tập mờ Ā

Giả sử để tỡm à Ā (x) từ àA(x), ta dựng hàm bự c: [0,1] > [0,1] như sau: à Ā (x) = c(à A (x))

2.3.2 Hợp của các tập mờ

Tập mờ hợp của hai tập mờ A và B trên tập vũ trụ U được ký hiệu là C = A B Theo phép hợp chuẩn, giá trị của hàm thành viên C(x) được xác định từ các hàm thành viên A(x) và B(x) như sau: C(x) = A B(x) = max[A(x), B(x)], với x thuộc X.

Hình 2.3: Hợp của hai tập mờ có cùng tập vũ trụ X

Giả sử ta dựng hàm hợp u: [0,1] x [0,1] > [0,1] Hàm thành viờn àC(x) cú thể được suy từ hàm thành viờn àA(x), àB(x) như sau: àC(x)= u (àA(x), àB(x))

2.3.3 Giao của các tập mờ

Cho A, B là hai tập mờ trên tập vũ trụ X Tập mờ giao của A và B, ký hiệu I = A ∩ B, cũng là một tập mờ Theo phép hợp chuẩn, ta có I(x) = A ∩ B(x) = min[A(x), B(x)], với x thuộc X.

Hình 2.4: Giao của hai tập mờ trên cùng vũ trụ X

Giả sử ta dựng hàm giao i:[0,1]x[0,1]→[0,1] Hàm thành viờn à I (x) cú thể được suy từ hàm thành viờn à A (x), à B (x) như sau: àI(x) = i(àA(x), àB(x))

2.3.4 Tích Descartes của các tập mờ

Cho Ai là các tập mờ trên vũ trụ Xi , i = 1,2, ,n Tích Descartes của các tập mờ Ai , ký hiệu là A 1, x A 2 x x A n hay , là một tập mờ trên vụ trụ

X 1 X 2 … X n được định nghĩa như sau:

Ví dụ: Cho X 1 = X2 = {1, 2, 3} và 2 tập mờ

Tích Descartes có thể được biểu diễn qua công thức \$A \times B = 0.5/(1,1) + 1.0/(2,1) + 0.6/(3,1) + 0.5/(1,2) + 0.6/(2,2) + 0.6/(2,3)\$ Một ứng dụng khác của tích Descartes là kết hợp thông tin mờ về các thuộc tính khác nhau của một đối tượng Trong các hệ thống hỗ trợ quyết định hoặc hệ chuyên gia, các luật điều khiển thường được thể hiện dưới dạng các quy tắc như vậy.

Nếu x1 là A1, x2 là A2, , xn là An, thì y là B Trong đó, các biến ngôn ngữ xi được xem như nhãn của các tập mờ, và Ai là các tập mờ trên tập vũ trụ Xi của biến xi Hầu hết các phương pháp giải liên quan đến các luật "nếu - thì" đều yêu cầu tích hợp dữ liệu trong phần tiền tố "nếu" thông qua toán tử kết nhập, trong đó tích Descartes A1 x A2 x x An là một trong những toán tử quan trọng.

Quan hệ mờ

Quan hệ mờ R trên các tập X và Y được định nghĩa trên tập tích X x Y, với các phần tử (x, y) có mức độ thành viên khác nhau đối với quan hệ này Quan hệ mờ R có dạng R : X x Y → [0,1].

Mức độ thành viên của quan hệ R (x,y) thể hiện mức độ liên kết giữa các phần tử x và y trong các tập vũ trụ X và Y, phản ánh ý nghĩa của quan hệ đã được xác định.

Ví dụ: Cho tập X gồm các thành phố New York (N), Paris (P)

Cho tập Y gồm các thành phố New York (N), Bắc Kinh (B), London (L)

Gọi R là quan hệ mờ "rất xa" giữa các thành phố của tập X và các thành phố của tập Y, được biểu diễn theo hàm thành viên:

Quan hệ có thể liệt kê như sau:

R (XxY) = 1/+ 0/+ 0.6/+0.9/+0.7/+0.3 Biểu diễn theo ma trận quan hệ: R = [rx,y]

Cho ba tập X, Y, Z, xét quan hệ mờ P trên tập X x Y và quan hệ mờ Q trên tập Y x Z Liên kết mờ J của P và Q, được ký hiệu là P*Q, là một quan hệ mờ trên tập tích X x Y x Z, với J: X x Y x Z → [0,1].

Hàm thuộc của kết mờ định bởi các hàm thuộc của các quan hệ thành phần à P và à Q qua cỏc luật liờn kết:

- Luật liên kết cực tiểu - min: àJ (x, y, z) = Min [ àP (x,y), àQ (y, z)]

- Luật liên kết tích - product: àJ (x, y, z) = [ àP (x,y) x àQ (y, z)]

Xét ba tập X, Y, Z, trong đó có quan hệ mờ P trên tập X x P và quan hệ mờ Q trên tập Y x Z Quan hệ mờ R trên tập X x Z được xây dựng từ các quan hệ P và Q, được ký hiệu là R = P o Q, với công thức: àR (x, z) = Max { àj (x,y, z)| y Y}.

Luật hợp thành max - min: àR (x, z) = Max { àj (x,y, z)| y Y}= Max { Min[àR (x, y), àQ (y, z)]|y Y} Luật hợp thành max - product: àR (x, z) = Max { àj (x,y, z)| y Y}= Max {àR (x, y) x àQ (y, z)]|y Y}

Toán tử hợp thành “o ” nhằm hợp thành các quan hệ mờ theo các ma trận quan hệ

Xét ma trận quan hệ mờ R trên tập tích X x Y và ma trận quan hệ mờ S trên tập tích Y x Z Ma trận quan hệ hợp thành T của R và S có thể được xác định thông qua phép nhân ma trận đặc biệt, được biểu diễn là T = R o S.

Luật hợp thành max - min quy định rằng phép nhân trong ma trận bình thường được thay thế bằng phép toán cực tiểu, trong khi phép cộng trong ma trận bình thường được thay thế bằng phép toán cực đại.

- Luật hợp thành max- product : Phép nhân trong ma trận bình thường vẫn giữ chỉ thay phép cộng trong ma trận bình thường bởi phép toán cực đại.

Logic mờ

Logic mờ sử dụng lý thuyết tập mờ như một công cụ chính để giải quyết các bài toán phức tạp trong thế giới thực Nó tập trung vào các biến ngôn ngữ trong ngôn ngữ tự nhiên, cung cấp nền tảng cho lập luận xấp xỉ với những vấn đề không chính xác Logic mờ phản ánh tính đúng đắn và sự mơ hồ của ngôn ngữ tự nhiên trong các lập luận cảm tính.

Một biến ngôn ngữ được xác định bởi bộ (x, T, U, M), trong đó x là tên biến, T là tập hợp các từ đại diện cho giá trị ngôn ngữ tự nhiên mà x có thể nhận, U là miền các giá trị vật lý mà x có thể nhận, và M là luật ngữ nghĩa, ứng với mỗi từ trong T là một tập mờ A trong U Theo L.A Zadeh, biến ngôn ngữ là loại biến có miền giá trị bao gồm các từ hoặc câu trong ngôn ngữ tự nhiên hoặc ngôn ngữ nhân tạo, được gọi chung là giá trị ngôn ngữ Tổng quát, biến ngôn ngữ được đặc trưng bởi bộ 6 (X, T, H, U, G, M).

X: Tên biến ngôn ngữ, chẳng hạn như Tuổi

T: Tập các giá trị của biến ngôn ngữ X , chẳng hạn như trẻ, trung niên, già, khá trẻ

H: Tập các gia tử, chẳng hạn như khá, hơi, rất

U: Tập cơ sở của biến X

G: Tập các qui tắc sản sinh ra các phần tử của X

M: Tập các qui tắc ngữ nghĩa gán cho mỗi giá trị ngôn ngữ của biến X một ý nghĩa là tập mờ trên U

2.5.2 Mệnh đề mờ, các mệnh đề hợp thành

Trong logic toán, một mệnh đề chỉ có thể có giá trị chân lý đúng (1) hoặc sai (0) Tuy nhiên, trong mệnh đề mờ, giá trị chân lý nằm trong khoảng [0,1], thể hiện tính không rõ ràng và không chính xác.

Các mệnh đề hợp thành:

Dựa trên lý thuyết logic kinh điển, chúng ta có thể tạo ra các mệnh đề mờ hợp thành từ các mệnh đề mờ phân tử bằng cách sử dụng các kết nối logic như (và), (hoặc), (không).

Giả sử mệnh đề rõ P(x) được minh hoạ như tập con rõ A trong vũ trụ U

Trong logic cổ điển, chúng ta có thể suy ra rằng Truth(P(x)) = 1 x A, và mệnh đề rõ Q(y) được minh họa như một tập con rõ B trong V Bảng chân lý của các phép toán and, or, not cung cấp cơ sở cho những kết luận này.

- Mệnh đề P(x) được minh hoạ như tập rõ Ā

- Mệnh đề P(x) Q(y) được minh hoạ như quan hệ rõ A B trên U V

Mệnh đề P(x) và Q(y) được thể hiện qua các quan hệ rõ ràng (A B) và (U V) Khi chuyển sang logic mờ, P(x) trở thành mệnh đề mờ tương ứng với tập mờ A trên U, trong khi Q(y) là mệnh đề mờ tương ứng với tập mờ B trên V Từ các mệnh đề rõ ràng, chúng ta có thể tổng quát hóa và xác định các mối quan hệ này.

- Mệnh đề mờ P(x) được minh hoạ như phủ định mờ Ā của tập mờ A: àĀ(x) = 1-àA(x)

- Mệnh đề P(x) Q(y) được minh hoạ như quan hệ mờ A B, trong đó

A B được xác định là tích Decaster mờ của A và B Từ định nghĩa của tích Decaster mờ, ta có: àA B(x,y) = T (àA(x), àA(y))

Trong đó T là một T- norm nào đó, với T là phép lấy min, ta có:

Tương tự đối với trường hợp A B, khi đó tích Decaster mờ như sau:

Trong đó S là một S- norm nào đó, với S là phép lấy max, ta có:

Cho mệnh đề mờ P và Q, từ mệnh đề này ta xây dựng mệnh đề kéo theo

Trong logic, P Q được hiểu là P là mệnh đề điều kiện (tiền đề) và Q là mệnh đề kết luận (hậu đề) Mức chân trị của mệnh đề kéo theo P Q được xác định dựa trên mức chân trị của các mệnh đề thành phần, với tiền đề T(P) = a và hậu đề T(Q) = b.

Mức chân trị của P Q, được xác định bởi hàm kéo theo mờ J như sau:

Một số hàm kéo theo mờ quan trọng:

- Hàm Dienes - Rescher: Jb(a, b) = max{1-a, b}

- Hàm Mamdani: cho phép lấy min hoặc tích đại số Jm (a, b) = min (a, b) hay lấy tích J m (a, b) = a x b

Với luật a b max x 0,1 | (a x) b ta có họ hàm

J(a, b) = sup {x [0,1]|i(a,x) b} Hàm hàm này là họ hàm kéo theo mờ R như những hàm sau:

Hàm Godet: J (a, b) = 1, a b b, a b Hàm Goguen: J Goguen (a,b) = 1, a b b / a, a b

Với luật a b = ā (a b), ta có họ hàm J (a, b) = u (c(a), i(a, b)) Họ hàm này là họ hàm kéo theo quy luật:

Khi i và u là những hàm giao và hàm hợp chuẩn ta có họ hàm Zadeh:

Khi i là hàm tích đại số và u là hàm tổng đại số ta có hàm sau:

Với luật a b = (ā ƃ ) b, ta có họ hàm J(a, b) = u(i(c(a), c(b)),b)

2.5.4 Mờ hoá, giải mờ hay khử mờ

Dữ liệu đầu vào trong bài toán lập luận thường là các giá trị rõ ràng Do đó, cần thực hiện quá trình mờ hóa để chuyển đổi các dữ liệu số này thành các tập mờ, giúp quá trình lập luận mờ có thể hoạt động hiệu quả.

Mờ hoá là quá trình chuyển đổi một vector x = (x1, x2, …, xn) thuộc U R n thành một tập mờ A’ trên U, đóng vai trò là đầu vào cho bộ suy diễn mờ Để đảm bảo tính chính xác, điểm dữ liệu x cần có độ thuộc cao vào A’, và A’ phải phản ánh tính gần đúng của dữ liệu thực, đặc biệt khi vector x có thể bị sai lệch do nhiễu từ môi trường bên ngoài.

Hiệu quả tính toán: đơn giản cho các tính toán trong bộ suy diễn Sau đây là một số phương pháp mờ hoá thông dụng:

Hình 2.5: Các dạng mờ hoá thông dụng

- Mờ hoá đơn trị: Mỗi điểm dữ liệu x được xem như một tập mờ đơn trị tức là tập mờ A có hàm thuộc xác định như sau:

Ví dụ : Ta có tập vũ trụ U = {u 1, u2, u3, u4 } khi đó phần tử x = u2 được mờ hoá đơn trị thành tập mờ A = 0/ u1 + 1/ u2 + 0/ u3 + 0/ u4 tương đương với véc tơ

Ví dụ ta có tập điểm đánh giá học sinh như sau:

U= {0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10} khi đó điểm 7 đực mờ hoá thành tập mờ A= 0/0 + 0/1+ 0/2+ 0/3+ 0/4+0/5+0/6+1/7+0/8+0/9+0/10 tương đương với Véc tơ A = {0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0}

- Mờ hoá Gaus: Mỗi giá trị xi được biểu diễn thành một số mờ A’i Tập A’ là tích Đề các của các A’ với a i > 0

Ví dụ: tập điểm đánh giá học sinh là:

U = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10}, lấy ai = 1, khi đó Điểm 7 được mờ hoá thành tập mờ

A = {0, 0, 0, 0, 0.0001,0.0183,0.3679,1,0.3679,0.0183,0.0001} Điểm 5 được mờ hoá thành tập mờ

- Mờ hoá tam giác: Mỗi giá trị x i được biểu diễn thành một số mờ A’i Tập A’ là tích Đề các của các A’i

2.5.4.2 Giải mờ hay khử mờ

Giải mờ, hay còn gọi là khử mờ, là quá trình xác định một điểm y từ tập mờ B' trên V, với B' là đầu ra của bộ suy diễn mờ Quá trình này cần phải đáp ứng các tiêu chuẩn nhất định.

- Điểm y là đại diện tốt nhất cho B' Trực quan y là điểm có độ thuộc cao nhất vào B' và ở trung tâm tập giá đỡ của B'

- Hiệu quả tính toán nhanh

- Tính liên tục, khi B' thay đổi ít thì y cũng thay đổi ít

Một số phương pháp giải mờ thông dụng:

Phương pháp lấy max: Phương pháp này chọn y là điểm có độ thuộc cao nhất vào B'

 Đầu tiờn xỏc định tập rừ H= { y V|à B' (y) = sup à B' (v)} , v V

 Sau đó chọn y trong H như sau:

- y là điểm cực biên (lớn nhất hoặc nhỏ nhất)

Ví dụ: Tập vũ trụ U={ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9,10} khi đó

Tập mờ A = {0, 0, 0, 0, 0.0001, 0.0183, 0.3679, 0.0183, 0.0001} Được khử mờ thành giá trị 7

Tập mờ A = {0, 0, 0.0001, 0.0183, 0.3679,1, 0.3679,0.0183, 0.0001, 0,0} Được khử mờ thành giá trị 5

Phương pháp khử mờ lấy max có ưu điểm là tính toán đơn giản và dễ cài đặt

Phương pháp lấy trọng tâm: Phương pháp này chọn y là điểm trọng tâm của tập B', cụ thể:

Phương pháp lấy trung bình tâm cho phép tính gần đúng giá trị y bằng cách sử dụng bình quân có trọng số của tâm m tập mờ thành phần Giả sử $ x_i $ và $ h_i $ lần lượt là tâm và độ cao của tập mờ thành phần $ B'_i $.

Phương pháp trung bình tâm cho phép tính toán kết quả đầu ra y với sự ảnh hưởng của tất cả các luật tương tự như phương pháp trọng tâm, nhưng lại có độ phức tạp tính toán thấp hơn.

Chuỗi thời gian

Giả sử U là không gian nền, xác định một tập hợp các đối tượng cần nghiên cứu Nếu A là một tập con rõ của U, ta có thể xác định một hàm đặt trưng, trong đó hàm này có giá trị bằng 0 nếu x thuộc A.

Nhưng với tập mờ B thì không gian nền U thì phần tử x không xác định chính xác được Khi đó ta có định nghĩa:

Tập A được coi là mờ trên không gian nền U nếu A được xác định bởi hàm A: U→[0,1], được gọi là hàm thuộc (Membership function) Đối với bất kỳ phần tử u nào thuộc A, hàm A(u) thể hiện độ thuộc của u vào tập mờ A.

Giả sử Y(t) là chuỗi thời gian (t=0, 1, 2, ), U = {u1, u2, un} là tập nền Tập mờ A trên không gian nền U được viết như sau:

A = {(àA (u1)/ u1, {(àA (u2))/ u2, {(àA (un))/ un), : ui U,i= 1,2, ,n} àA(ui) là độ thuộc của ui vào tập A hay một cỏch viết khỏc

2.6.2 Một số định nghĩa liên quan đến chuỗi thời gian mờ

Y(t) (t = 0, 1, 2, ) là một tập con của R^1, đóng vai trò là tập nền cho các tập mờ f_i(t) F(t) là tập hợp các tập f_i(t) (i = 1, 2, ), và được gọi là chuỗi thời gian mờ xác định trên tập nền Y(t).

Tại thời điểm t và t-1, tồn tại một mối quan hệ mờ giữa F(t) và F(t-1), được biểu diễn bằng công thức F(t) = F(t-1) * R(t-1, t), trong đó * là toán tử xác định tên tập mờ Mối quan hệ mờ này có thể được ký hiệu là F(t-1) → F(t).

Nếu đặt F(t-1) = Ai và F(t) = Aj thì ký hiệu mối quan hệ logic mờ giữa chúng như sau: A i →A j

Nhóm các mối quan hệ mờ:

Các mối quan hệ logic có thể được nhóm lại khi cùng một vế trái có nhiều mối quan hệ tại vế phải trong ký hiệu.

A i → A m Chúng ta có thể gộp chúng thành nhóm các mối quan hệ logic mờ sau:

Giả sử F(t) được xác định từ F(t-l) với công thức F(t) = F(t-l) * R(t-l, t) cho mọi t Nếu hàm R(t-l, t) không phụ thuộc vào t, thì F(t) được gọi là chuỗi thời gian mờ dừng Ngược lại, nếu R(t-l, t) phụ thuộc vào t, thì F(t) là chuỗi thời gian mờ không dừng.

Quá trình dự báo chuỗi thời gian mờ cũng dựa trên các bước của phương pháp lập luận xấp xỉ mờ

Mô hình của Song và Chissom trong dự báo chuỗi thời gian mờ

Thuật toán của Song và Chissom tập trung tìm giá trị max, min trong mối quan hệ mờ, sau đó dựa trên chuỗi thời gian mờ để dự báo

Bước 1: Xác định tập nền U trên đó các tập mờ được xác định

U = [Dmin - D1, Dmax +D2], trong đó Dmax, Dmin là các giá trị lớn nhất và nhỏ nhất trong chuỗi dữ liệu quá khứ, D 1 và D 2 là 2 số dương tích hợp

Bước 2: Chia các tập nền U thành một số các đoạn bằng nhau U 1 , U2, , Un

Bước 3: Xác định các giá trị ngôn ngữ để diễn tả các tập mờ trên các khoảng đã chia của tập nền

Dữ liệu dự báo thường được thể hiện dưới dạng con số, do đó các tập mờ có giá trị ngôn ngữ có thể dao động từ ít, rất ít, đến nhiều hoặc rất nhiều Những giá trị ngôn ngữ này được biểu diễn thông qua các tập mờ A1, A2, , An.

Sau khi xác định giá trị ngôn ngữ xong ta xác định giá trị hàm thuộc cho các tập mờ

Bước 4: Mờ hóa các giá trị lịch sử của chuỗi thời gian và xác định các mối quan hệ mờ Nếu giá trị thuộc khoảng đã chia U_i nào đó, giá trị mờ hóa sẽ là tập mờ A_i tương ứng Cần xác định các kéo theo mờ giữa các giá trị lịch sử liên tiếp; ví dụ, tại thời điểm t, giá trị lịch sử mờ hóa là A_i, và tại thời điểm t+1, giá trị lịch sử mờ hóa là A_j, từ đó ta có Ai→Aj, đồng thời loại bỏ các kéo theo trùng nhau.

Tính các quan hệ mờ Rt cho kéo theo Ai→Aj và tính quan hệ mờ tổng hợp

Bước 5: Xác định giá trị dự báo

Xác định giá trị dự báo mờ theo nguyên tắc: F (t) = F(t-1)o R

Giải mờ F(t) để xác định giá trị dự báo

Lưu ý: Ta hoàn toàn có thể xác định giá trị dự báo theo công thức

Trong đó R = R 1 R2 Rt (t= 1, , t-1) Áp dụng thuật toán :

Ví dụ về áp dụng chuỗi thời gian mờ dự báo số lượng thí sinh nhập học tại đại học Alabama

Bảng 2 1: Mô tả dữ liệu sinh viên nhập học của trường đại học

Alabama qua các năm (1971 đến 1992)

Bước 1: Xác định tập nền

Tìm số sinh viên nhập học cao nhất và thấp nhất trong chuỗi số liệu thời gian để xác định tập nền U = [D_{min} - D_1, D_{max} + D_2], trong đó D_{min} = 13055 (năm 1971) và D_{max} = 19328, với D_1 và D_2 là hai số dương thích hợp.

1990, chọn D1 = 55, D2 = 672 ta có tập nền (ở đây chọn D1, D2 để tạo tập nền U thích hợp cho việc chia khoảng sau này, có thể chọn giá trị khác)

Bước 2: Chia tập nền thành các khoảng bằng nhau, với khả năng chia thành nhiều khoảng tùy theo sự lựa chọn của người dùng Việc chọn cách chia này thường được thực hiện để đảm bảo tính thuận tiện và dễ dàng trong quá trình tính toán.

Bước 3: Xây dựng các tập mờ trên tập nền Đầu tiên ta xác định tên các tập mờ

A2 = (not too many) - không quá nhiều

A4 = (many many) - tương đối nhiều

A7 = (not many) - quá rất nhiều

Chú ý : không hạn chế số lượng tập mờ trên tập nền, các tập mờ này thể hiện số lượng sinh viên nhập học nhiều hay ít

Để xác định giá trị hàm thuộc của các tập mờ, có thể áp dụng các dạng hình học của tập mờ, trong trường hợp này, chúng ta lựa chọn hình dạng tam giác.

Bước 4: Mờ hoá chuỗi dữ liệu thời gian, xác định số lượng sinh viên nhập học từng năm thuộc khoảng nào, tập mờ nào:

Bảng 2 2: Mô tả dữ liệu sinh viên nhập học được chia khoảng và gán các biến ngôn ngữ tương ứng

STT Năm Số lượng Khoảng Tập mờ tương ứng

Dựa trên cơ sở này, chúng ta xác định mối quan hệ logic giữa số sinh viên nhập học qua các năm Nếu số sinh viên nhập học năm t là $A_i$, thì số sinh viên nhập học năm t+1 sẽ là $A_j$, được biểu diễn dưới dạng $A_i \rightarrow A_j$.

Ví dụ bảng trên tra thấy:

Số sinh viên nhập học năm 1971 là A1 thì số sinh viên nhập học năm 1972 là A1, viết A1 > A1

Số sinh viên nhập học năm 1972 là A1 thì số sinh viên nhập học năm 1973 là A 1 , viết A 1 > A 1

Số sinh viên nhập học năm 1973 là A 1 thì số sinh viên nhập học năm 1974 là A2, viết A1 > A2

Số sinh viên nhập học năm 1991 là A 7 thì số sinh viên nhập học năm 1992 là A6, viết A 7 > A6

Loại bỏ các kéo theo mờ trùng nhau:

Dựa trên các kéo theo mờ, chúng ta tính toán các quan hệ mờ tương ứng bằng cách sử dụng một trong các phương pháp kéo theo như Lukasiewicz, Zadeh, hoặc Mamdani Trong ví dụ này, chúng ta áp dụng kéo theo Mamdani theo nguyên tắc lấy tích, với công thức \$R(x, y) = A(x) * B(y)\$ Đối với A1 dẫn đến A1, chúng ta có quan hệ R1.

Ta có giá trị biểu diễn ở dạng kéo theo như sau:

Bước 5: Tính quan hệ mờ tổng hợp từ các quan hệ trên

Bước 6: Tính các giá trị dự báo theo công thức F(t) = F(t-1) * R

Trong công thức F(t) = F(t-1) * R, dấu (*) được hiểu là quan hệ hợp thành max-min:

Ví dụ: trường hợp ta có A1= (1 0.5 0 0 0 0 0)

Bảng 2 3 Dữ liệu sinh viên nhập học của trường đại học Alabama khi được mờ hoá và khử mờ lấy giá trị max

Số lƣợng dự báo (giải mờ lấy max)

Bước 7: Giải mờ các kết quả dự báo

Để tìm các phần tử có độ thuộc tối đa, nếu chuỗi thời gian đầu ra chỉ có một giá trị, hãy chọn điểm giữa của khoảng thời gian tương ứng với giá trị đó làm giá trị dự báo.

Nếu đầu ra có hai hoặc nhiều giá trị, tổng hợp các trung điểm của các khoảng thời gian liên kết sẽ cho ra giá trị dự báo.

Ta tìm được 2 phần tử có giá trị lớn nhất bằng 1 là u1 = [13000, 14000], u 2 =[14000, 15000], lấy trung bình 2 khoảng này ta có giá trị giải mờ là

14000, tương tự cho các kết quả dự báo các năm khác nhau

Chương 2 luận văn đã tìm hiểu về lý thuyết tập mờ, logic mờ, quan hệ mờ, chuỗi thời gian mờ, các phương pháp giải và khử mờ, giới thiệu thuật toán Song và Chissom và áp dụng thuật toán để tính toán số lượng sinh viên nhập học của trường đại học Alabama để làm cơ sở xây dựng chương trình thử nghiệm tại chương 3

Mô hình dự báo chuỗi thời gian mờ của Song và Chissom cho thấy việc chia tập nền thành các khoảng khác nhau có thể nâng cao độ chính xác của dữ liệu dự báo Quá trình giải mờ nhằm tìm ra giá trị hàm thuộc một cách hợp lý, từ đó quyết định tính chính xác của thuật toán trong việc dự báo dữ liệu lịch sử.

ỨNG DỤNG PHƯƠNG PHÁP DỰ BÁO CHUỖI THỜI GIAN SỬ DỤNG SỬ DỤNG LOGIC MỜ TRONG DỰ BÁO MỨC ĐỘ TĂNG TRƯỞNG PHƯƠNG TIỆN GIAO THÔNG ĐƯỜNG BỘ TẠI VIỆT NAM

Bài toán dự báo tăng trưởng phương tiện giao thông

Theo số liệu thu thập từ Công an thành phố Hà Nội năm 2015, trên địa bàn

Hà Nội hiện có: 546.057 ô tô các loại (trong đó: 368.665 ô tô con), 5.045.672 xe máy và 10.686 xe máy điện

Từ năm 2010 đến 2015, tốc độ tăng trưởng trung bình của ô tô các loại đạt 12,9% mỗi năm, trong đó ô tô con có mức tăng cao nhất là 16,15% mỗi năm Ngược lại, xe máy đang có xu hướng tăng trưởng chậm lại với mức trung bình chỉ 7,66% mỗi năm.

Trung bình 1km đường do Sở GTVT Hà Nội quản lý có: 2.519 xe máy; 184 ô tô con chưa tính đến các phương tiện khác [3]

Tình hình phát triển phương tiện giao thông hiện nay đang diễn ra mất cân đối, không tương thích với sự phát triển của kết cấu hạ tầng và không phù hợp với mô hình phát triển giao thông đô thị.

* Dự báo phương tiện cá nhân đến năm 2020 và đến năm 2025:

Dựa trên quy mô dân số dự báo của thành phố Hà Nội đến năm 2020 là 7,9-

8 triệu người, đến năm 2030 khoảng 9,2 triệu người 1 dự báo tăng trưởng PTCN đến năm 2020 và 2025 của thành phố như sau:

Đến năm 2020, Việt Nam có tổng cộng 938.378 ô tô các loại, trong đó có 638.442 ô tô con, và 6.280.815 xe máy Tốc độ tăng trưởng trung bình trong giai đoạn 2016-2020 đối với ô tô các loại đạt 11,4% mỗi năm, với ô tô con tăng trưởng 11,6% mỗi năm, trong khi xe máy tăng trưởng 4,48% mỗi năm.

1 Căn cứ theo Quy hoạch tổng thể phát triển KT-XH thành phố Hà Nội (Quyết định số 1081/QĐ-TTg ngày 6/7/2011)

Đến năm 2025, dự kiến sẽ có 1.328.809 ô tô các loại, trong đó có 975.275 ô tô con, và 7.316.600 xe máy Tốc độ tăng trưởng trung bình trong giai đoạn 2021-2025 đối với ô tô các loại là 7,2% mỗi năm, với ô tô con đạt 8,8% mỗi năm, trong khi xe máy tăng trưởng 3,1% mỗi năm.

Sự gia tăng nhanh chóng của phương tiện cá nhân tại thành phố đang gây ra tình trạng ùn tắc giao thông nghiêm trọng Nếu không có các biện pháp kiểm soát hiệu quả, tình hình sẽ ngày càng xấu đi.

Báo cáo tóm tắt Đề án “Tăng cường quản lý phương tiện giao thông cá nhân nhằm giảm ùn tắc giao thông trên địa bàn thành phố Hà Nội” được trình bày vào tháng.

Bảng 3.1 Bảng số liệu cầu, đường bộ giai đoạn 2011-2015

I Đường do Sở GTVT quản lý Km 1722.68 1800 1813 1908 2003

Cầu do Sở GTVT quản lý

Báo cáo tóm tắt Đề án “Tăng cường quản lý phương tiện giao thông cá nhân nhằm giảm ùn tắc giao thông trên địa bàn thành phố Hà Nội” được trình bày vào tháng này, nhằm mục tiêu cải thiện tình hình giao thông và giảm thiểu ùn tắc tại Hà Nội.

7/2016) Bảng 3.2 Bảng thống kê số điểm ùn tắc phân theo địa bàn các Quận

TT Quận Số điểm Ghi chú

2 Quận Ba Đình, Tây Hồ 5

5 Quận Long Biên, Gia Lâm 3

6 Quận Cầu Giấy, Nam Từ Liêm, Bắc

7 Quận Thanh Xuân, Hà Đông 8

Nguồn: Sở GTVT Hà Nội, 2016

Báo cáo tóm tắt Đề án “Tăng cường quản lý phương tiện giao thông cá nhân nhằm giảm ùn tắc giao thông trên địa bàn thành phố Hà Nội” được trình bày vào tháng này Đề án nhằm mục tiêu cải thiện tình hình giao thông, giảm thiểu ùn tắc và nâng cao hiệu quả quản lý phương tiện cá nhân tại Hà Nội.

Bảng 3.3 Bảng tổng hợp hiện trạng phương tiện giao thông

Năm Ô tô con Xe khách Xe tải Xe khác Tổng ô tô

Bảng 3.4 Bảng cơ cấu phương tiện

STT Loại PT Số lƣợng (xe) Tỷ lệ

9 Tổng xe máy, máy điện 5.056.358

Nhìn từ các bảng số liệu trên, ta thấy có 2 loại phương tiện cá nhân là ô tô con và xe máy

Các số liệu thống kê từ năm 2010 đến 2015 có thể được sử dụng làm dữ liệu quá khứ để dự đoán xu hướng cho các năm tiếp theo.

Dự báo số lượng đến năm 2016 có thể được sử dụng để đánh giá hiệu quả của mô hình dự báo chuỗi thời gian tại Thành phố Hà Nội.

Năm Ô tô con Xe máy Tăng trưởng ô tô

Như chúng ta đã biết giải thuật dự báo chuỗi thời gian của Song và Chissom phụ thuộc vào khá nhiều yếu tố như:

- Số tập nền phải chia

- Việc lựa chọn các giá trị ban đầu D1, D2

- Việc tạo ra các tập mờ ứng phục vụ việc mờ hóa khoảng thời gian

- Xây dựng các quan hệ mờ và quan hệ mờ tổng hợp dựa từ các kéo theo

Để xây dựng một hệ thống dự báo chính xác, cần thực hiện các thí nghiệm để đánh giá từng trường hợp và từ đó lựa chọn các tham số phù hợp Trong khuôn khổ luận văn này, tôi sẽ tiến hành thực nghiệm với các tham số như số lượng tập nền cần chia và lựa chọn giá trị ban đầu D1, D2.

Kết quả thực nghiệm dự báo tăng trưởng ô tô

Thực nghiệm 1 n;% Số khoảng cần chia

Kết quả hồi tưởng (recal) cho năm 2011 là 7815.7500 với sai số 466.7500 Năm 2012, kết quả hồi tưởng đạt 201201748.7500 và sai số là 383.7500 Đối với năm 2013, kết quả hồi tưởng là 201301748.7500 với sai số chỉ 12.2500 Năm 2014, kết quả hồi tưởng là 201415232.0000 và sai số là 20.0000 Cuối cùng, năm 2015 có kết quả hồi tưởng 201555681.7500 với sai số 983.2500 Tổng sai số hồi tưởng là 166.000000.

Hình 3.1 Kết quả thực nghiệm 1

Thực nghiệm 2 n ;% Số khoảng cần chia

Kết quả hồi tưởng (recal) cho năm 2011 là 1074.1250 với sai số 25.1250 Năm 2012, kết quả hồi tưởng đạt 5007.1250 và sai số là 357.8750 Đối với năm 2013, kết quả hồi tưởng là 34890.3750 với sai số 70.6250 Năm 2014, kết quả hồi tưởng là 35456.8750 và sai số là 4.8750 Kết quả hồi tưởng cho năm 2015 là 62423.3750 với sai số 41.6250 Tổng sai số hồi tưởng là 100.1250.

Thực nghiệm 3 n0;% Số khoảng cần chia

Kết quả hồi tưởng (recal) cho năm 2011 là 8765.7500 với sai số 416.7500 Năm 2012, kết quả hồi tưởng đạt 206498.7500 và sai số là 33.7500 Đối với năm 2013, kết quả hồi tưởng là 306498.7500 với sai số E62.2500 Năm 2014, kết quả hồi tưởng là 20932.0000 và sai số là 320.0000 Kết quả hồi tưởng cho năm 2015 là 64231.7500 với sai số D33.2500 Tổng sai số hồi tưởng là B866.000000.

Kết quả hồi tưởng (recal) cho năm 2011 là 9143.5833 với sai số 794.5833 Năm 2012, kết quả hồi tưởng đạt 6876.5833 và sai số là 88.4167 Đối với năm 2013, kết quả hồi tưởng là 6498.7500 với sai số E62.2500 Năm 2014, kết quả hồi tưởng là 35365.2500 và sai số là 13.2500 Cuối cùng, năm 2015 có kết quả hồi tưởng 64231.7500 với sai số D33.2500.

Kết quả thực nghiệm dự báo tăng trưởng xe máy

Kết quả hồi tưởng (recal) cho các năm từ 2011 đến 2015 như sau: Năm 2011 có giá trị 34504.0000 với sai số 434.000; năm 2012 đạt 39171.2000 và sai số 55.8000; năm 2013 là 43838.4000 với sai số 3077.40; năm 2014 cũng là 43838.4000 với sai số 41.6000; và năm 2015 giữ nguyên 43838.4000 với sai số 1833.60 Tổng sai số hồi tưởng là 2842.

Hình 3.7 Kết quả thực nghiệm 1 – Tăng trưởng xe máy

Kết quả hồi tưởng (recal) cho các năm như sau: Năm 2011 là 933337.2000 với sai số 732.800; năm 2012 là 40338.0000 với sai số 211.000; năm 2013 là 42671.6000 với sai số 910.600; năm 2014 là 45005.2000 với sai số 625.200; và năm 2015 cũng là 45005.2000 với sai số 666.80 Tổng sai số hồi tưởng là 8146.

Kết quả hồi tưởng (recal) cho các năm từ 2011 đến 2015 như sau: Năm 2011 đạt 34504.0000 với sai số 434.000; năm 2012 đạt 39171.2000 với sai số 55.8000; năm 2013 đạt 8949.3333 với sai số 188.333; năm 2014 đạt 43838.4000 với sai số 41.6000; và năm 2015 đạt 78727.4667 với sai số 944.533 Tổng sai số hồi tưởng là 3064.

Kết quả hồi tưởng (recal) cho các năm từ 2011 đến 2015 như sau: Năm 2011, kết quả là 39254.0000 với sai số 184.000; năm 2012, kết quả là 45821.2000 với sai số 94.2000; năm 2013, kết quả là 52388.4000 với sai số 1627.40; năm 2014, kết quả vẫn là 52388.4000 với sai số 8.4000000; và năm 2015, kết quả là 52388.4000 với sai số 3283.60 Tổng sai số hồi tưởng là 5797.

Kết quả hồi tưởng (recal) cho các năm như sau: Năm 2000 có giá trị 2011937612.2000 với sai số 457.800; năm 2012 đạt 2012C44179.4000 với sai số 947.600; năm 2013 ghi nhận 2013G50746.6000 và sai số 985.600; năm 2014 cũng có giá trị 2014G50746.6000 với sai số 1633.40; năm 2015 đạt 2015H52388.4000 với sai số 3283.60 Tổng sai số hồi tưởng là R7308.

Kết quả hồi tưởng (recal) cho các năm từ 2011 đến 2015 như sau: Năm 2011 có giá trị 39254.0000 với sai số 184.000; năm 2012 đạt 45821.2000 và sai số 94.2000; năm 2013 ghi nhận 16866.0000 với sai số 105.000; năm 2014 là 52388.4000 với sai số 8.4000; và năm 2015 có giá trị 87910.8000 với sai số 761.200 Tổng sai số hồi tưởng là 4752.

Nhận xét đánh giá

Việc thực nghiệm đã chỉ ra rằng các tham số D1,D2 và số khoảng chia có tác động đến sự chính xác của dự báo

Số khoảng chia có ảnh hưởng lớn nhất đến độ chính xác của dự báo; tổng thể, khi số khoảng chia tăng lên, độ chính xác cũng sẽ cao hơn, điều này hoàn toàn hợp lý.

Khảo sát các tham số D1, D2 và số khoảng chia là bước khởi đầu quan trọng Trong thời gian tới, tôi sẽ tập trung vào việc xây dựng các tập mờ phù hợp để nâng cao độ chính xác của dự báo.

Chương 3 đã tiến hành thực nghiệm ứng dụng phương pháp dự báo chuỗi thời gian sử dụng logic mờ cho bài toán dự báo mức độ tăng trưởng phương tiện giao thông đường bộ tại Việt Nam

Mô hình cho thấy khả năng hồi tưởng tốt và tính khả dụng cao Tuy nhiên, do tính chất dự báo, kết quả chỉ đạt mức đánh giá tương đối Cần tiếp tục khai thác thông tin đầy đủ và chính xác hơn để cải thiện độ chính xác của dự báo.

KẾT LUẬN VÀ KIẾN NGHỊ

Luận văn này tổng hợp các kiến thức cơ bản về dự báo chuỗi thời gian mờ, bao gồm lý thuyết tập mờ, logic mờ, các quan hệ mờ, khử mờ và các phương pháp dự báo chuỗi thời gian mờ đã được nghiên cứu trước đây.

Nghiên cứu dự báo chuỗi thời gian mờ của Song và Chissom nhằm phân tích ưu điểm và khuyết điểm của mô hình, từ đó làm cơ sở cho việc phát triển mô hình dự báo chuỗi thời gian trong bài toán dự báo tăng trưởng phương tiện giao thông đường bộ.

Mô hình dự báo chuỗi thời gian đã được áp dụng thành công trong việc dự đoán tăng trưởng phương tiện giao thông đường bộ Kết quả thực nghiệm chứng minh tính khả dụng và hiệu quả của mô hình này.

Mặc dù luận văn đã đáp ứng yêu cầu, nhưng vẫn còn một số hạn chế do thời gian có hạn Cần khắc phục vấn đề mờ hóa và tối ưu hóa các khoảng chia để tăng tính chính xác trong dự báo Việc xác định hệ số max-min trong mối quan hệ mờ, cũng như các khoảng chia và độ lệch của các chỉ số tích hợp, là cần thiết để xác định giá trị max-min một cách hiệu quả hơn.

Trong thời gian tới, luận văn sẽ mở rộng hướng nghiên cứu để tìm ra các giải pháp khắc phục những hạn chế hiện tại, nhằm nâng cao hiệu quả của giải thuật.

Tiêu đề	Phương pháp dự báo chuỗi thời gian sử dụng logic mờ và ứng dụng trong dự báo tăng trưởng phương tiện giao thông đường bộ Việt Nam
Tác giả	Lã Như Hải
Người hướng dẫn	TS. Phạm Thanh Hà
Trường học	Trường Đại học Giao thông Vận tải
Chuyên ngành	Công nghệ thông tin
Thể loại	Luận văn thạc sỹ
Năm xuất bản	2017
Thành phố	TP Hồ Chí Minh

Định dạng
Số trang	66
Dung lượng	1,47 MB