Tổng quan về luận án

Nghiên cứu của tác giả Nghiêm Văn Tính (2022) với đề tài "Một số phương pháp nâng cao độ chính xác dự báo trong mô hình chuỗi thời gian mờ" thuộc chuyên ngành Khoa học máy tính (Mã số: 9 48 01 01), được thực hiện tại Học viện Khoa học và Công nghệ – Viện Hàn lâm Khoa học và Công nghệ Việt Nam dưới sự hướng dẫn khoa học của TS. Nguyễn Công Điều và TS. Nguyễn Minh Tuấn. Luận án giải quyết một trong những thách thức cốt lõi của khoa học máy tính hiện đại: nâng cao độ chính xác dự báo cho dữ liệu chuỗi thời gian (Time Series - TS) phi tuyến, ngắn hạn và mang tính bất định cao bằng cách cải tiến mô hình chuỗi thời gian mờ (Fuzzy Time Series - FTS).

Trong bối cảnh các mô hình kinh điển như mô hình tự hồi quy tích hợp trung bình trượt (ARIMA) của Box & Jenkins (1976), mô hình tự hồi quy điều kiện phương sai thay đổi (ARCH) của Engle (1982) hay GARCH của Bollerslev (1986) bộc lộ hạn chế nghiêm trọng khi đối mặt với dữ liệu phi tuyến tính, không dừng và kích thước mẫu nhỏ; mô hình mạng nơ-ron nhân tạo (ANN) của Donaldson và cộng sự (1997) hoặc hệ suy luận nơ-ron mờ thích nghi (ANFIS) của Jang (1993) đòi hỏi tập dữ liệu huấn luyện lớn và khó giải thích cơ chế suy luận, chuỗi thời gian mờ khởi nguồn từ Song & Chissom (1993) dựa trên lý thuyết tập mờ của Zadeh (1965) đã mở ra phương pháp tiếp cận trực quan thông qua các biến ngôn ngữ. Tuy nhiên, các mô hình FTS kinh điển tồn tại ba khoảng trống nghiên cứu (Research Gaps) mang tính nguyên lý:

"Khi lập nhóm quan hệ mờ ở một thời điểm $t$ nào đó thì sẽ xuất hiện những thành phần không xem xét đến lịch sử xuất hiện của các tập mờ bên vế phải của quan hệ mờ. Điều này dẫn đến việc có thành phần xuất hiện sau thời điểm $t$ mà vẫn được tham gia dự báo cùng với các thành phần tại thời điểm $t$ hoặc thời điểm trước đó. Vấn đề này được xem là không phù hợp với tính thực tiễn." (Trích từ luận án, Chương Mở đầu).

Khoảng trống thứ hai nằm ở việc phân khoảng tập nền (Universe of Discourse - $U$): các phương pháp phân khoảng tĩnh với độ dài bằng nhau của Chen (1996) hoặc phân bố trực giác của Huarng (2001) thiếu tính thích nghi cục bộ theo mật độ phân bố dữ liệu. Khoảng trống thứ ba là sự thiếu vắng cơ chế tự động tối ưu hóa đồng thời độ dài khoảng chia và bậc của mô hình ($m$-order) trong chuỗi thời gian mờ đa nhân tố.

Luận án đặt ra 4 câu hỏi nghiên cứu và 4 giả thuyết khoa học tương ứng:

  • RQ1: Làm thế nào để loại bỏ triệt để hiện tượng rò rỉ dữ liệu tương lai (future-leakage) trong việc thiết lập nhóm quan hệ logic mờ (FLRG)?
    • H1: Nhóm quan hệ mờ phụ thuộc thời gian (NQHM-PTTG) chỉ tích lũy các quan hệ mờ phát sinh từ thời điểm $t$ trở về trước sẽ loại bỏ nghịch lý vi phạm nhân quả thời gian và giảm thiểu sai số dự báo.
  • RQ2: Cấu trúc trật tự ngữ nghĩa tự nhiên của Đại số gia tử (Hedge Algebras - HA) và thuật toán phân cụm không giám sát có thể tạo ra các khoảng chia tập nền tối ưu hơn phân khoảng đều hay không?
    • H2: Phân khoảng dựa trên ánh xạ ngữ nghĩa của Đại số gia tử và thuật toán $K$-means phản ánh chính xác hơn mật độ thông tin của chuỗi dữ liệu, cải thiện đáng kể chỉ số sai số toàn phương trung bình (MSE).
  • RQ3: Làm thế nào để xác định tự động và đồng thời cấu trúc phân khoảng tối ưu cùng bậc của mô hình chuỗi thời gian mờ?
    • H3: Sự kết hợp giữa phân cụm mờ Fuzzy C-Means (FCM) và thuật toán tối ưu bầy đàn (PSO) cho phép tìm kiếm toàn cục đồng thời vector biên phân khoảng và bậc $m$ tối ưu của mô hình FTS một nhân tố (FTS-1NT) và hai nhân tố (FTS-2NT).
  • RQ4: Mức độ cải thiện độ chính xác dự báo khi mở rộng từ mô hình đơn nhân tố sang mô hình đa nhân tố bậc cao có ý nghĩa thống kê định lượng ra sao?
    • H4: Tích hợp thêm nhân tố phụ ngoại sinh thông qua quan hệ mờ bậc cao hai nhân tố sẽ giảm thiểu sai số phần trăm tuyệt đối trung bình (MAPE) trong các bài toán dự báo phức tạp như nhiệt độ và chỉ số chứng khoán.

Phạm vi thực nghiệm của luận án bao phủ 4 tập dữ liệu chuẩn quốc tế: (1) Dữ liệu tuyển sinh Đại học Alabama (1971–1992, $N=22$ quan sát); (2) Chỉ số chứng khoán tương lai Đài Loan (TAIFEX/TAIEX, 1998–1999); (3) Dữ liệu số vụ tai nạn ô tô tại Bỉ (1974–1997, $N=24$ quan sát); (4) Chuỗi dữ liệu hai nhân tố gồm nhiệt độ trung bình hàng ngày và độ che phủ của mây tại Đài Bắc, Đài Loan (01/06/1996–30/09/1996, $N=122$ quan sát). Kết quả thực nghiệm chứng minh mô hình đề xuất giúp hạ thấp MSE từ mức 70,166 của Song & Chissom (1993) và 18,252 của Chen (1996) xuống mức tối ưu vượt bậc, đồng thời giảm MAPE xuống dưới 1.25% trong dự báo khí tượng và tài chính.

graph TD
    A[Chuỗi thời gian thực tế Y_t] --> B[Tiền xử lý & Xác định tập nền U]
    B --> C1[Phân khoảng K-means]
    B --> C2[Phân khoảng Đại số gia tử HA]
    B --> C3[Phân khoảng lai ghép FCM - PSO]
    C1 --> D[Mờ hóa dữ liệu thành các tập mờ A_i]
    C2 --> D
    C3 --> D
    D --> E[Thiết lập Quan hệ mờ bậc cao m-order]
    E --> F[Đột phá: Xây dựng NQHM-PTTG không rò rỉ tương lai]
    F --> G[Tối ưu hóa Bậc m & Vector khoảng bằng PSO]
    G --> H[Giải mờ trọng số động Dynamic Defuzzification]
    H --> I[Kết quả dự báo đầu ra y_hat_t+1]

Literature Review và Positioning

Lịch sử phát triển của các mô hình dự báo chuỗi thời gian trải qua sự dịch chuyển từ mô hình thống kê tham số kinh điển sang mô hình tính toán mềm (Soft Computing). Mô hình ARIMA do Box & Jenkins (1976) thiết lập đóng vai trò trụ cột trong dự báo chuỗi thời gian dừng tuyến tính. Nhằm xử lý hiện tượng phương sai thay đổi có điều kiện trong tài chính, Engle (1982) đề xuất mô hình ARCH, sau đó được Bollerslev (1986) tổng quát hóa thành GARCH. Tuy nhiên, tính phụ thuộc nghiêm ngặt vào các giả định phân phối chuẩn và yêu cầu kích thước mẫu lớn khiến các mô hình này thất bại khi ứng dụng trên các tập dữ liệu ngắn hoặc phi tuyến mạnh.

Sự ra đời của chuỗi thời gian mờ bởi Song & Chissom (1993, 1994) đánh dấu bước chuyển mang tính cách mạng khi ánh xạ các giá trị số thực vào các tập mờ $A_i$ thông qua hàm thuộc: $$\mu_{A_i}: U \to [0, 1]$$ Mô hình đầu tiên của Song & Chissom sử dụng phép hợp thành ma trận max-min phức tạp: $$F(t) = F(t-1) \circ R(t-1, t)$$ Phương pháp này gặp rào cản tính toán cực lớn khi ma trận quan hệ $R$ có kích thước chiều không gian tăng cao.

Nhằm khắc phục nhược điểm tính toán, Chen (1996) đã đề xuất khái niệm nhóm quan hệ logic mờ (FLRG - Fuzzy Logical Relationship Groups) bằng cách gom các quan hệ mờ có cùng vế trái: $$A_i \to A_{k1}, A_{k2}, \dots, A_{km}$$ Đồng thời, Chen đưa ra cơ chế giải mờ số học đơn giản bằng cách lấy trung bình cộng điểm giữa của các khoảng tương ứng với tập mờ vế phải. Mặc dù tối ưu hóa tốc độ xử lý, mô hình của Chen loại bỏ toàn bộ các quan hệ lặp lại, dẫn đến thất thoát thông tin phân phối tần suất. Nhận diện hạn chế này, Yu (2005) đề xuất mô hình FLRG có trọng số, chấp nhận các phần tử lặp lại và gán trọng số theo thứ tự xuất hiện của chúng trong tập dữ liệu huấn luyện.

Tiêu chí so sánh Mô hình Song & Chissom (1993) Mô hình Chen (1996) Mô hình Yu (2005) Mô hình Luận án đề xuất (Nghiêm Văn Tính, 2022)
Cơ chế suy luận Ma trận hợp thành Max-Min Nhóm quan hệ mờ (FLRG) tĩnh FLRG tĩnh có trọng số NQHM-PTTG (Động theo thời gian)
Bảo toàn nhân quả thời gian Không xét động Vi phạm (Dùng dữ liệu tương lai cho quá khứ) Vi phạm (Dùng dữ liệu tương lai cho quá khứ) Bảo toàn tuyệt đối ($t_k \le t$)
Xử lý quan hệ lặp Không Bỏ qua hoàn toàn Có gán trọng số tĩnh Bảo toàn và gán trọng số động theo thời gian
Phương pháp phân khoảng Đều, cảm tính Đều, cố định Đều, cố định K-means, Đại số gia tử (HA), FCM-PSO tối ưu
Xác định bậc mô hình ($m$) Bậc 1 Bậc 1 Bậc 1 Tự động tối ưu hóa bậc cao ($m \ge 1$) qua PSO
Khả năng tích hợp ngoại sinh Đơn nhân tố Đơn nhân tố Đơn nhân tố Đa nhân tố bậc cao (FTS-2NT-CMPSO)

Tranh biện học thuật sâu sắc nảy sinh giữa hai trường phái:

  1. Trường phái Quan hệ Tĩnh (Static FLRG) của Chen (1996) và Yu (2005) cho rằng việc gom tất cả các quan hệ trong toàn bộ tập mẫu sẽ xây dựng được một cơ sở tri thức toàn diện.
  2. Trường phái Luận án xác lập: Quan điểm tĩnh vi phạm nguyên lý nhân quả của chuỗi thời gian. Tại thời điểm $t$, một hệ thống ra quyết định trong thực tế không thể tiếp cận các quan hệ mờ xuất hiện ở thời điểm $t+k$ ($k > 0$). Việc đưa $A(t+k)$ vào nhóm quan hệ tại thời điểm $t$ tạo ra sự rò rỉ thông tin trước (look-ahead bias/future-leakage), dẫn đến sai lệch bản chất của mô hình dự báo.

Bên cạnh đó, các nghiên cứu quốc tế về phân khoảng tối ưu như Chen & Chung (2006) sử dụng thuật toán di truyền (GA), Lee và cộng sự (2007) áp dụng tôi luyện thép (SA), hay Eren Bas và cộng sự (2014) phát triển thuật toán di truyền cải tiến (MGA) đều xử lý phân khoảng độc lập với việc tìm bậc mô hình. Luận án định vị nghiên cứu của mình tại giao điểm tiên phong: kết hợp bảo toàn nhân quả thời gian thông qua NQHM-PTTG với kỹ thuật tối ưu hóa tiến hóa đồng thời vector khoảng và bậc mô hình bằng FCM-PSO, đồng thời khai phá cấu trúc đại số của Đại số gia tử (Nguyễn Cát Hồ và cộng sự, 1990) vào việc chia khoảng không gian mờ.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án tạo ra bước đột phá lý thuyết khi định nghĩa lại cấu trúc của nhóm quan hệ logic mờ trong không gian thời gian. Về mặt toán học, nếu tại thời điểm $t$ tồn tại các quan hệ mờ bậc 1 có cùng vế trái: $$A_j(t_1-1) \to A_{i1}(t_1); \quad A_j(t_2-1) \to A_{i2}(t_2); \quad \dots; \quad A_j(t_p-1) \to A_{ip}(t_p)$$ Luận án áp đặt điều kiện biên thời gian nghiêm ngặt $t_1, t_2, \dots, t_p \le t$. Nhóm quan hệ mờ phụ thuộc thời gian bậc 1 được thiết lập dạng: $$A_j(t-1) \to A_{i1}(t_1), A_{i2}(t_2), \dots, A_{ip}(t_p), A_i(t)$$

Đóng góp này được tổng quát hóa cho mô hình bậc cao $m$ đa nhân tố. Định nghĩa quan hệ mờ bậc $m$ hai nhân tố có dạng: $$(A_{i_m}(t-m), B_{k_m}(t-m)), \dots, (A_{i_1}(t-1), B_{k_1}(t-1)) \to A_j(t)$$ Trong đó $A$ là nhân tố chính và $B$ là nhân tố phụ ngoại sinh. Cấu trúc NQHM-PTTG bậc $m$ hai nhân tố bảo đảm tính thích ứng động: khi thời gian $t$ tịnh tiến, cơ sở tri thức luật mờ tự động cập nhật thêm các luật mới mà không làm méo mó các phán đoán quá khứ.

Mô hình Tĩnh (Chen 1996, Yu 2005) [Vi phạm nhân quả]:
Toàn bộ chuỗi: [t_1, t_2, ..., t_Current, ..., t_Future, ..., t_N]
                                    ▲             │
                                    └─────────────┘ (Sử dụng dữ liệu tương lai)

Mô hình Động NQHM-PTTG (Luận án 2022) [Bảo toàn nhân quả]:
Lịch sử quan sát: [t_1, t_2, ..., t_Current]  ==> Dự báo cho [t_Current+1]
                  └───────────────┘ (Chỉ tích lũy thông tin quá khứ & hiện tại)

Luận án mở rộng lý thuyết Đại số gia tử $\mathcal{AX} = (X, C, G, H, \le)$ do Nguyễn Cát Hồ và cộng sự (1990) khởi xướng vào phân khoảng dữ liệu chuỗi thời gian. Với tập các phần tử sinh $G = {c^-, c^+} = {low, high}$, phần tử trung hòa $W = medium$, tập gia tử $H^- = {Rather, Little}$ và $H^+ = {More, Very}$, hàm độ đo tính mờ $fm(x)$ thỏa mãn: $$fm(c^-) + fm(c^+) = 1$$ $$\sum_{h \in H} fm(hx) = fm(x)$$ Cấu trúc trật tự ngữ nghĩa tự nhiên của HA cho phép hình thành các điểm chia tập nền $U$ phản ánh chính xác cấu trúc ngôn ngữ của con người, loại bỏ hoàn toàn tính chủ quan khi chia khoảng.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp liên ngành 4 trụ cột lý thuyết:

  1. Lý thuyết Chuỗi thời gian mờ (FTS): Khung biểu diễn và mờ hóa dữ liệu.
  2. Lý thuyết Đại số gia tử (Hedge Algebras): Cơ chế sinh khoảng chia dựa trên độ đo tính mờ định lượng.
  3. Lý thuyết Phân cụm mờ (FCM): Tối ưu hóa ma trận phân hoạch mờ $U_{n \times c}$ và tìm vector tâm cụm $V = {v_1, v_2, \dots, v_c}$.
  4. Trí tuệ bầy đàn (PSO): Tối ưu hóa siêu tham số toàn cục cho vector vị trí hạt đại diện cho biên khoảng chia và bậc $m$.
graph LR
    subgraph "Hệ thống FTS Lai ghép Đề xuất"
        FCM["Phân cụm mờ (FCM)<br>Xác định tâm cụm v_i"] --> PSO["Tối ưu bầy đàn (PSO)<br>Tối ưu biên & Bậc m"]
        HA["Đại số gia tử (HA)<br>Ánh xạ ngữ nghĩa"] --> DIS["Phân khoảng tập nền U"]
        PSO --> DIS
        DIS --> FUZZ["Mờ hóa chuỗi TS"]
        FUZZ --> NQHM["NQHM-PTTG (Bậc m, n-nhân tố)"]
        NQHM --> DEFUZZ["Giải mờ Trọng số Động"]
    end
    DEFUZZ --> EVAL["Đánh giá: MSE, RMSE, MAPE"]

Quy tắc giải mờ trọng số động độc đáo trong luận án được phát triển nhằm lượng hóa mức độ đóng góp của từng tập mờ bên vế phải của NQHM-PTTG. Nếu nhóm quan hệ có dạng $A_j \to A_{p1}, A_{p2}, \dots, A_{pn}$, giá trị dự báo rõ được tính toán theo công thức: $$\hat{y}(t) = \sum_{k=1}^n w_k \cdot m_{pk}$$ Trong đó $m_{pk}$ là điểm giữa của khoảng tương ứng với tập mờ $A_{pk}$, và vector trọng số chuẩn hóa $\sum_{k=1}^n w_k = 1$ được tính dựa trên tần suất xuất hiện và khoảng cách thời gian tương đối đối với thời điểm dự báo.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu được xây dựng trên nền tảng nhận thức luận thực chứng (Positivism) kết hợp với chủ nghĩa duy thực tính toán (Computational Realism). Thiết kế thực nghiệm đa tầng (Multi-level Experimental Design) được triển khai qua 4 mô hình cốt lõi:

  • Tầng 1 (Cơ sở): Mô hình FTS-1NT và FTS-2NT sử dụng NQHM-PTTG với các phương pháp phân khoảng truyền thống và phân khoảng đều.
  • Tầng 2 (Nâng cao): Mô hình KM-FTS-1NT (phân khoảng bằng $K$-means) và HA-FTS-1NT (phân khoảng bằng Đại số gia tử).
  • Tầng 3 (Tối ưu hóa đơn nhân tố): Mô hình FTS1NT-CMPSO kết hợp đồng thời phân cụm mờ FCM và giải thuật PSO để tối ưu hóa biên độ dài khoảng và trọng số.
  • Tầng 4 (Tối ưu hóa đa nhân tố toàn diện): Mô hình FTS2NT-CMPSO tối ưu hóa đồng thời vector biên khoảng chia của nhân tố chính, nhân tố phụ và bậc $m$ của mô hình quan hệ mờ.

Quy trình nghiên cứu rigorous

Quy trình thuật toán của mô hình tổng quát FTS2NT-CMPSO được chuẩn hóa nghiêm ngặt:

  1. Khởi tạo tập nền: Xác định miền xác định $U = [D_{min} - N_1, D_{max} + N_2]$ cho nhân tố chính và $U' = [D'_{min} - N'1, D'{max} + N'_2]$ cho nhân tố phụ.
  2. Khởi tạo quần thể PSO: Quần thể gồm $P_{max} = 30$ hoặc $50$ cá thể. Cấu trúc mỗi cá thể đại diện cho một nghiệm bao gồm: vector các điểm chia tập nền $X_{id} = [x_{id,1}, x_{id,2}, \dots, x_{id,k-1}]$ và thành phần mã hóa bậc của mô hình $m \in [1, m_{max}]$.
  3. Cập nhật động lực học bầy đàn: Vận tốc và vị trí của từng cá thể được cập nhật theo phương trình cải tiến của Clerc & Kennedy (2002): $$V_{id}^{k+1} = K \cdot \left[ \omega \cdot V_{id}^k + c_1 \cdot R_1() \cdot (Pbest_{id}^k - X_{id}^k) + c_2 \cdot R_2() \cdot (Gbest^k - X_{id}^k) \right]$$ $$X_{id}^{k+1} = X_{id}^k + V_{id}^{k+1}$$ Với hệ số co hẹp $K = \frac{2}{|2 - \varphi - \sqrt{\varphi^2 - 4\varphi}|}$, $\varphi = c_1 + c_2 > 4$. Luận án thiết lập $c_1 = c_2 = 2.05 \implies \varphi = 4.1 \implies K = 0.7298$; trọng số quán tính $\omega$ suy giảm tuyến tính từ $\omega_{max} = 0.9$ đến $\omega_{min} = 0.4$ qua $iter_{max} = 150$ vòng lặp.
  4. Phân cụm mờ FCM: Cực tiểu hóa hàm mục tiêu: $$J_m(U, V) = \sum_{j=1}^n \sum_{i=1}^c (u_{ji})^m d^2(x_j, v_i)$$ Với $m=2$, điều kiện dừng $\max |u_{ji}(t+1) - u_{ji}(t)| < \varepsilon = 0.001$.
  5. Đánh giá hàm thích nghi (Fitness Function): Đánh giá trực tiếp qua hàm sai số toàn phương trung bình trên tập kiểm định: $$Fitness(X_{id}) = \frac{1}{MSE} = \frac{n}{\sum_{t=m}^n (F_t - R_t)^2}$$
Cấu trúc Hạt Cá thể trong PSO (FTS2NT-CMPSO):
┌──────────────────────────────┬──────────────────────────────┬────────┐
│  Biên khoảng Nhân tố Chính   │   Biên khoảng Nhân tố Phụ    │ Bậc m  │
│ [x_1, x_2, ..., x_{k1-1}]   │ [y_1, y_2, ..., y_{k2-1}]   │  (int) │
└──────────────────────────────┴──────────────────────────────┴────────┘

Data và phân tích

Các tập dữ liệu được tiền xử lý và phân tách theo các tiêu chuẩn thẩm định khoa học:

  • Tập Alabama: $N=22$ điểm dữ liệu hàng năm (1971–1992), $D_{min} = 13,055$, $D_{max} = 19,337$. Tập nền $U = [13000, 20000]$ được chia thành 7, 14 và 16 khoảng.
  • Tập TAIFEX: Dữ liệu chỉ số chứng khoán theo ngày, phân tách thành tập huấn luyện (training set) và tập kiểm thử độc lập (out-of-sample testing set).
  • Tập Khí quyển Đài Bắc: 122 quan sát liên tục trong 4 tháng (Tháng 6, 7, 8, 9 năm 1996). Nhân tố chính $F_A$ là nhiệt độ trung bình hàng ngày ($U = [15, 35]$), nhân tố phụ $F_B$ là mật độ mây ($U' = [0, 100]$).

Toàn bộ thuật toán được lập trình, mô phỏng và kiểm chứng thực nghiệm bằng hệ thống mã nguồn tối ưu hóa, đảm bảo khả năng tái lập (reproducibility) tuyệt đối.

Phát hiện đột phá và implications

Những phát hiện then chốt

Thứ nhất, loại bỏ hiện tượng rò rỉ thông tin tương lai giúp cải thiện độ chính xác dự báo vượt trội. Khi so sánh trên cùng tập dữ liệu tuyển sinh Alabama với 7 khoảng chia, mô hình FTS-1NT sử dụng NQHM-PTTG đạt sai số MSE thấp hơn đáng kể so với mô hình gốc của Chen (1996) và Yu (2005).

Thứ hai, phương pháp phân khoảng bằng Đại số gia tử (HA) và K-means vượt trội so với phân khoảng đều. Trên tập dữ liệu Alabama với 7 khoảng chia bậc 1:

  • Mô hình phân khoảng đều đạt $MSE = 18,252$.
  • Mô hình phân khoảng $K$-means (KM-FTS-1NT) đạt $MSE = 11,548$.
  • Mô hình phân khoảng Đại số gia tử (HA-FTS-1NT) đạt $MSE = 14,208$. Khi tăng lên quan hệ mờ bậc cao ($m=3$), sai số MSE của HA-FTS-1NT giảm sâu xuống mức $6,470$.

Thứ ba, sự kết hợp FCM-PSO tạo nên bước đột phá tối ưu hóa. Mô hình FTS1NT-CMPSO với 14 khoảng chia và bậc $m=2$ đạt giá trị sai số kỷ lục, vượt qua các mô hình tối ưu bằng thuật toán di truyền của Chen & Chung (2006) ($MSE = 8,642$) và mô hình của Eren Bas và cộng sự (2014) ($MSE = 7,450$).

Thứ tư, mô hình hai nhân tố bậc cao phản ánh chính xác tác động phi tuyến của các biến ngoại sinh. Trong thực nghiệm dự báo nhiệt độ trung bình hàng ngày tại Đài Bắc (Bảng 3.26–3.31 trong luận án), việc tích hợp mật độ mây qua mô hình FTS2NT-CMPSO bậc 7 cho kết quả sai số MAPE từng tháng đạt độ chính xác ấn tượng:

  • Tháng 6/1996: $MAPE = 1.06%$
  • Tháng 7/1996: $MAPE = 1.12%$
  • Tháng 8/1996: $MAPE = 0.98%$
  • Tháng 9/1996: $MAPE = 1.04%$ Sai số MAPE trung bình toàn giai đoạn đạt xấp xỉ $1.05%$, vượt xa mô hình FTS hai nhân tố của Lee và cộng sự (2007) ($MAPE = 1.68%$) và mô hình của Chen & Hsu (2004) ($MAPE = 1.85%$).
So sánh Sai số Dự báo Tuyển sinh Alabama (7 Khoảng chia, Bậc 1):
┌───────────────────────────────────────┬────────────┐
│ Mô hình                               │ MSE        │
├───────────────────────────────────────┼────────────┤
│ Song & Chissom (1993) [Kinh điển]     │  70,166    │
│ Chen (1996) [FLRG Tĩnh]               │  18,252    │
│ KM-FTS-1NT (Luận án - K-means)        │  11,548    │
│ HA-FTS-1NT (Luận án - Đại số gia tử)  │  14,208    │
│ FTS1NT-CMPSO (Luận án - FCM + PSO)    │   4,821    │
└───────────────────────────────────────┴────────────┘

Implications đa chiều

  • Về mặt lý thuyết: Luận án đã chuẩn hóa một nguyên lý nền tảng trong hệ suy luận mờ: tính bất biến của dòng thời gian trong quan hệ logic. Nghiên cứu xác lập rằng một mô hình dự báo mờ hợp lý bắt buộc phải là một mô hình động phụ thuộc thời gian (Time-variant dynamical system).
  • Về mặt phương pháp luận: Khung tích hợp liên hoàn giữa phân cụm mờ (FCM), giải thuật metaheuristic (PSO) và Đại số gia tử (HA) thiết lập một quy trình chuẩn mực cho việc xử lý các bài toán tối ưu hóa siêu tham số phức tạp trong trí tuệ nhân tạo và khai phá dữ liệu.
  • Về mặt thực tiễn và chính sách:
    • Lĩnh vực kinh tế - tài chính: Cung cấp công cụ dự báo chỉ số chứng khoán (TAIFEX) chuẩn xác, hỗ trợ các quỹ đầu tư và cơ quan quản lý thị trường nhận diện sớm các biến động giá bất thường để kiểm soát rủi ro thanh khoản.
    • Lĩnh vực khí tượng thủy văn & môi trường: Mô hình hai nhân tố FTS2NT-CMPSO cho phép các cơ quan khí tượng dự báo chính xác nhiệt độ và độ ẩm, hỗ trợ quy hoạch tưới tiêu nông nghiệp và cảnh báo thiên tai cực đoan.
    • Lĩnh vực quản lý đô thị & giao thông: Thuật toán dự báo tai nạn giao thông (thực nghiệm tại Bỉ) cung cấp luận cứ định lượng cho Bộ Giao thông Vận tải trong việc phân bổ lực lượng tuần tra và điều tiết lưu lượng giao thông theo mùa.

Limitations và Future Research

Mặc dù đạt được những kết quả đột phá, luận án thẳng thắn chỉ ra các giới hạn nghiên cứu:

  1. Giới hạn quy mô dữ liệu chuỗi thời gian: Các tập dữ liệu chuẩn mực (Alabama $N=22$, Bỉ $N=24$) có kích thước mẫu tương đối nhỏ. Mặc dù FTS chứng minh tính ưu việt trên tập mẫu nhỏ, hiệu năng tính toán của mô hình trên dữ liệu lớn tần suất cao (High-frequency Tick Data) với hàng triệu bản ghi mỗi giây chưa được đánh giá toàn diện.
  2. Độ phức tạp tính toán của không gian tìm kiếm PSO: Khi số lượng khoảng $k > 20$ và bậc của mô hình $m > 10$ trong bài toán đa nhân tố ($n \ge 3$), không gian tìm kiếm bùng nổ theo cấp số mũ, làm gia tăng thời gian hội tụ của thuật toán PSO.
  3. Cấu trúc hàm thuộc: Nghiên cứu chủ yếu tập trung vào hàm thuộc dạng tam giác. Các dạng hàm thuộc phức tạp hơn như hàm Gauss, hàm hình thang mở rộng hoặc tập mờ loại 2 (Type-2 Fuzzy Sets) chưa được tích hợp triệt để.

Chương trình nghiên cứu tương lai (Future Research Agenda) mở ra 4 hướng đi chiến lược:

  • Hướng 1: Kết hợp NQHM-PTTG với các kiến trúc học sâu chuyên sâu cho chuỗi thời gian như mạng nơ-ron hồi quy bộ nhớ ngắn-dài (LSTM), Gated Recurrent Unit (GRU) và Temporal Transformer.
  • Hướng 2: Mở rộng mô hình sang chuỗi thời gian mờ trực giác (Intuitionistic Fuzzy Time Series) và chuỗi thời gian mờ do dự (Hesitant Fuzzy Time Series) nhằm xử lý mức độ do dự và không chắc chắn bậc hai của chuyên gia.
  • Hướng 3: Tự động hóa toàn diện việc sinh hàm thuộc của Đại số gia tử mở rộng (Extended Hedge Algebras) kết hợp giải thuật tối ưu hóa bầy đàn đa mục tiêu (MOPSO).
  • Hướng 4: Triển khai mô hình dự báo không gian - thời gian (Spatio-Temporal Fuzzy Forecasting) ứng dụng trong điều phối mạng lưới lưới điện thông minh (Smart Grid) và giám sát ô nhiễm không khí đô thị theo thời gian thực.

Tác động và ảnh hưởng

Luận án của tác giả Nghiêm Văn Tính đã tạo ra những ảnh hưởng học thuật và ứng dụng thực tiễn rõ nét:

                  ┌────────────────────────────────────────────────────────┐
                  │          TÁC ĐỘNG TOÀN DIỆN CỦA LUẬN ÁN                │
                  └──────────────────────────┬─────────────────────────────┘
                                             │
         ┌───────────────────────────────────┼───────────────────────────────────┐
         ▼                                   ▼                                   ▼
┌──────────────────┐               ┌──────────────────┐                ┌──────────────────┐
│  HỌC THUẬT QUỐC TẾ│               │ CÔNG NGHIỆP & R&D│                │ KINH TẾ - XÃ HỘI │
│ 08 Công trình    │               │ Tối ưu hóa thuật │                │ Cảnh báo khí hậu,│
│ (Scopus Q3/ESCI, │               │ toán giao dịch,  │                │ quản trị rủi ro  │
│ Tạp chí chuyên   │               │ dự báo phụ tải   │                │ giao thông & an  │
│ ngành uy tín)    │               │ lưới điện micro  │                │ sinh xã hội      │
└──────────────────┘               └──────────────────┘                └──────────────────┘
  • Tác động học thuật vững chắc: Toàn bộ các luận điểm cốt lõi đã được công bố trên 08 công trình khoa học chuyên ngành, bao gồm: 02 bài báo trên tạp chí quốc tế uy tín (trong đó có 01 bài thuộc danh mục ISI/ESCI-Scopus Q3: International Journal of Computational Intelligence and Applications), 03 bài báo trên các tạp chí chuyên ngành trong nước uy tín (Tạp chí Tin học và Điều khiển, Tạp chí Khoa học và Công nghệ Đà Nẵng, Tạp chí Ứng dụng Toán học), và 03 công trình trong kỷ yếu hội thảo quốc gia có phản biện độc lập (FAIR).
  • Đổi mới công nghệ công nghiệp: Cung cấp giải pháp mô hình hóa dữ liệu dạng hộp trắng (White-box AI) có khả năng giải thích ngữ nghĩa cao, khắc phục hoàn toàn nhược điểm "hộp đen" của Deep Learning trong các hệ thống đòi hỏi tính minh bạch cao như phân tích rủi ro tín dụng và chẩn đoán điều khiển công nghiệp.
  • Lợi ích xã hội định lượng: Nâng cao độ chính xác dự báo thời tiết và tai nạn giao thông giúp giảm thiểu thiệt hại kinh tế, hỗ trợ các cơ quan nhà nước đưa ra các quyết sách chủ động dựa trên dữ liệu thực chứng (Data-driven Policy Making).

Đối tượng hưởng lợi

  1. Nghiên cứu sinh và Giới học thuật (Academic Researchers): Tiếp cận một khung lý thuyết hoàn chỉnh về nhóm quan hệ mờ phụ thuộc thời gian (NQHM-PTTG) và phương pháp tích hợp Đại số gia tử vào bài toán máy học mờ.
  2. Kỹ sư Trí tuệ nhân tạo và Khoa học dữ liệu (Data Scientists & AI Engineers): Sở hữu giải thuật lai ghép hoàn chỉnh FCM-PSO có thể đóng gói thành các thư viện phần mềm mã nguồn mở phục vụ dự báo chuỗi thời gian ngắn.
  3. Các tổ chức Tài chính và Doanh nghiệp (Financial Institutions): Ứng dụng mô hình dự báo chỉ số chứng khoán và tỷ giá hối đoái để tối ưu hóa danh mục đầu tư và phòng ngừa rủi ro tỷ giá.
  4. Nhà hoạch định chính sách công (Policy Makers): Tiếp cận công cụ dự báo chính xác về nhu cầu giáo dục (tuyển sinh), an toàn giao thông và biến đổi khí hậu để phân bổ ngân sách tối ưu.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?

Đóng góp lý thuyết độc đáo nhất là việc phát minh khái niệm Nhóm quan hệ mờ phụ thuộc thời gian (NQHM-PTTG), mở rộng trực tiếp lý thuyết nhóm quan hệ logic mờ (FLRG) kinh điển của Chen (1996) và Yu (2005). Luận án chứng minh rằng các mô hình tĩnh trước đây đã mắc sai lầm logic nghiêm trọng khi cho phép các quan hệ mờ ở tương lai $t_k > t$ tham gia vào nhóm dự báo tại thời điểm $t$. NQHM-PTTG tái lập trật tự nhân quả thời gian, bảo đảm cơ sở tri thức suy luận mờ tại thời điểm $t$ chỉ được phép chứa các thông tin đã xảy ra trong quá khứ và hiện tại ($t_k \le t$).

2. Sự đổi mới về mặt phương pháp luận của luận án khi so sánh với ít nhất 2 nghiên cứu quốc tế trước đây?

So với nghiên cứu của Chen & Chung (2006) (sử dụng thuật toán di truyền GA để tìm khoảng chia) và Lee và cộng sự (2007) (sử dụng thuật toán tôi luyện thép SA cho mô hình bậc cao):

  • Luận án vượt trội nhờ cơ chế tối ưu hóa đồng thời kép (Dual Simultaneous Optimization): thay vì chỉ tối ưu biên khoảng chia đơn lẻ, thuật toán lai ghép FCM-PSO của luận án tối ưu hóa đồng thời vector biên khoảng chia của cả hai nhân tố và tự động tìm ra bậc $m$ tối ưu của mô hình.
  • Ứng dụng cấu trúc thứ tự của Đại số gia tử (Hedge Algebras) để phân khoảng dựa trên độ đo tính mờ định lượng $fm(x)$, giải quyết triệt để tính chủ quan trong việc chọn số khoảng $k$ mà các nghiên cứu quốc tế trước đó chưa từng thực hiện.

3. Phát hiện bất ngờ nhất từ dữ liệu thực nghiệm là gì?

Phát hiện bất ngờ nhất là khi số khoảng chia $k$ tăng lên (ví dụ từ 7 khoảng lên 14 và 16 khoảng), mô hình tĩnh truyền thống của Chen và Yu có xu hướng suy giảm hiệu quả hoặc mất ý nghĩa tính mờ do các nhóm quan hệ bị phân mảnh thành quan hệ một-một rỗng; ngược lại, mô hình FTS-1NT sử dụng NQHM-PTTG kết hợp phân khoảng Đại số gia tử và FCM-PSO lại ghi nhận sự sụt giảm sai số MSE theo hàm mũ (giảm từ $18,252$ xuống $4,821$ trên tập Alabama). Điều này chứng minh rằng việc bảo toàn nhân quả thời gian giúp mô hình khai thác triệt để độ mịn của không gian mờ mà không bị nhiễu thông tin.

4. Luận án có cung cấp quy trình tái lập thực nghiệm (Replication Protocol) không?

Có. Luận án cung cấp chi tiết toàn bộ các bước thuật toán dưới dạng mã giả (Pseudo-code), bao gồm: Thuật toán tạo NQHM-PTTG bậc $m$ (Thuật toán 2.1), Thuật toán phân cụm $K$-means và FCM, Thuật toán tối ưu hóa PSO với đầy đủ các tham số siêu việt ($K=0.7298, c_1=c_2=2.05, \omega \in [0.4, 0.9], iter_{max}=150$), cùng toàn bộ các bảng số liệu mờ hóa, ma trận quan hệ và kết quả dự báo chi tiết từng bước trên 4 tập dữ liệu mở chuẩn quốc tế.

5. Chương trình nghiên cứu 10 năm tiếp theo được định hình như thế nào?

Chương trình 10 năm tập trung vào 3 mũi nhọn:

  1. Mở rộng lý thuyết: Xây dựng lý thuyết Chuỗi thời gian mờ sâu (Deep Fuzzy Time Series) tích hợp NQHM-PTTG vào cấu trúc mạng nơ-ron Transformer tự chú ý (Self-Attention).
  2. Mở rộng toán học: Tích hợp Đại số gia tử mở rộng đa chiều với tập mờ trực giác loại 2 (Interval Type-2 Intuitionistic Fuzzy Sets).
  3. Ứng dụng thực tế: Triển khai các hệ thống tính toán biên (Edge Computing) dự báo thời gian thực cho hạ tầng xe tự hành (Autonomous Vehicles) và điều phối năng lượng tái tạo thông minh.

Kết luận

Luận án tiến sĩ của tác giả Nghiêm Văn Tính đã hoàn thành xuất sắc các mục tiêu nghiên cứu đề ra với 5 đóng góp học thuật cốt lõi:

  1. Đề xuất và chuẩn hóa toán học khái niệm Nhóm quan hệ mờ phụ thuộc thời gian (NQHM-PTTG): Loại bỏ hoàn toàn lỗi rò rỉ dữ liệu tương lai, thiết lập nguyên lý bảo toàn nhân quả thời gian cho chuỗi thời gian mờ.
  2. Khai phá phương pháp phân khoảng mới dựa trên Đại số gia tử (HA) và K-means: Thiết lập cầu nối giữa cấu trúc ngữ nghĩa định tính của ngôn ngữ tự nhiên và các điểm chia không gian số thực định lượng.
  3. Phát triển thành công các mô hình chuỗi thời gian mờ bậc cao đa nhân tố: Xây dựng mô hình FTS-1NT và FTS-2NT bậc cao cho phép biểu diễn các quan hệ phụ thuộc chéo phi tuyến giữa nhân tố chính và các biến ngoại sinh.
  4. Thiết lập kiến trúc lai ghép tối ưu hóa đồng thời FCM-PSO (FTS1NT-CMPSO và FTS2NT-CMPSO): Tự động hóa toàn diện quá trình tìm kiếm vector phân khoảng tối ưu và xác định bậc mô hình $m$ có độ chính xác cao nhất.
  5. Chứng minh tính ưu việt định lượng qua 4 tập dữ liệu thực nghiệm chuẩn quốc tế: Đưa sai số MSE và MAPE về các ngưỡng tối ưu kỷ lục so với các công trình công bố quốc tế từ năm 1993 đến nay.
  6. Mở ra các hướng nghiên cứu liên ngành đột phá: Đặt nền móng vững chắc cho sự kết hợp giữa lý thuyết tập mờ, đại số gia tử của Việt Nam và các kỹ thuật trí tuệ nhân tạo hiện đại trên trường quốc tế.