Đánh giá bằng thực nghiệm phương pháp dự báo lai ghép giữa ARIMA và RBFNN theo mô hình tuần tự cộng
Email tác giả liên hệ:
sonnt@hcmute.edu.vnDOI:
https://doi.org/10.54644/jte.2024.1520Từ khóa:
Chuỗi thời gian, mô hình dự báo, dự báo chuỗi thời gian, ARIMA, RBFNNTóm tắt
Chuỗi thời gian là một chuỗi các giá trị đo được tại các thời điểm khác nhau. Chuỗi thời gian là loại dữ liệu có trong hầu hết các lĩnh vực khác nhau. Dự báo trên chuỗi thời gian là một bài toán quan trọng trong khai thác dữ liệu. Độ chính xác của dự báo đóng vai trò quan trọng trong hỗ trợ việc ra quyết định trong nhiều lĩnh vực của cuộc sống. Vì vậy, việc nghiên cứu cải tiến độ chính xác của dự báo luôn được các nhà nghiên cứu quan tâm thực hiện. rất nhiều mô hình dự báo chuỗi thời gian đã được đề xuất từ những mô hình cổ điển như ARIMA đến những mô hình ANN. Mô hình ARIMA và ANN đã được nghiên cứu sử dụng để dự báo trong các lĩnh vực cụ thể nào đó như tài chính, chứng khoán, ô nhiễm không khí, v.v... Trong nghiên cứu này, chúng tôi đánh giá bằng thực nghiệm mô hình lai ghép giữa ARIMA và RBFNN theo mô hình tuần tự công trên các tập dữ liệu thực của các lĩnh vực khác nhau. Kết quả thực nghiệm cho thấy mô hình lai ghép có độ chính xác dự báo tốt hơn trường hợp dùng riêng rẽ từng mô hình ARIMA hoặc RBFNN.
Tải xuống: 0
Tài liệu tham khảo
A. T. Lora, J. C. Riquelme, J. L. M. Ramos, J. M. R. Santos, and A. G. Expósito, "Influence of kNN-Based Load Forecasting Errors on Optimal Energy Production," Progress in Artificial Intelligence, Lecture Notes in Computer Science, vol. 2902, pp. 189-203, 2003. ISSN: 0302-9743. DOI: https://doi.org/10.1007/978-3-540-24580-3_26
F. M. Alvarez, A. T. Lora, J. C. Riquelme, and J. S. A. Ruiz, "Energy Time Series Forecasting Based on Pattern Sequence Similarity," IEEE Trans. on Knowledge and Data Engineering, vol. 23, no. 8, pp. 1230–1243, 2011. DOI: https://doi.org/10.1109/TKDE.2010.227
R. Nayak and T. Braak, "Temporal Pattern Matching for the Prediction of Stock Prices," in Proceedings 2nd International Workshop on Integrating Artificial Intelligence and Data Mining (AIDM 2007), vol. 84, pp. 95-103.
Y. Jiang, C. Li, and J. Han, "Stock temporal prediction based on time series motifs," in Proceedings of 8th International Conference on Machine Learning and Cybernetics, 2009, vol. 6, pp. 3550-3555.
L. Zhang et al., "An Improved K-nearest Neighbor Model for Short-term Traffic Flow Prediction," in Intelligent and Integrated Sustainable Multimodal Transportation Systems Proceedings from the 13th COTA International Conference of Transportation Professionals (CICTP2013), vol. 96, pp. 653–662. DOI: https://doi.org/10.1016/j.sbspro.2013.08.076
G. Rigopoulos, "Univariate Time Series Forecasting Using k-Nearest Neighbors Algorithm: A Case for GDP," International Journal of Scientific Research and Management (IJSRM), vol. 10, no. 09, pp. EM01, Sep. 2022, doi: 10.18535/ijsrm/v10i9.em01. DOI: https://doi.org/10.18535/ijsrm/v10i9.em01
N. T. Son, N. H. Le, and D. T. Anh, "Time Series Prediction Using Pattern Matching," in Proc. of International Conference on Computating, Management and TeleCommunications (ComManTel 2013), Ho Chi Minh City, Vietnam, Jan. 21-24, 2013, pp. 401-406. DOI: https://doi.org/10.1109/ComManTel.2013.6482428
Z. Ivanovski, A. Milenkovski, and Z. Narasanov, "Time Series Forecasting Using a Moving Average Model for Extrapolation of Number of Tourist," UTMS Journal of Economics, vol. 9, no. 2, pp. 121–132, 2018.
M. Sreemalli, P. Chaitanya, and K. Srinivas, "Comparative Analysis of Machine Learning Techniques on Stock Market Prediction," in Vol. 14 ICETCSE 2016 Special Issue International Journal of Computer Science and Information Security (IJCSIS), ISSN 1947-5500 [Online]. Available: https://sites.google.com/site/ijcsis/.
B. M. Pavlyshenko, "Machine-Learning Models for Sales Time Series Forecasting," Data, vol. 4, no. 1, p. 15, Jan. 2019, doi: 10.3390/data4010015. DOI: https://doi.org/10.3390/data4010015
J. C. Brocklebank, D. A. Dickey, and B. S. Choi, SAS for Forecasting Time Series, 3rd ed. Cary, NC: SAS Institute Inc., 2018.
J. H. Kim, "Forecasting autoregressive time series with bias corrected parameter estimators," International Journal of Forecasting, vol. 19, pp. 493-502, 2003. DOI: https://doi.org/10.1016/S0169-2070(02)00062-6
D. C. Montgomery, C. L. Jennings, and M. Kulahci, Introduction to Time Series Analysis and Forecasting. John Wiley & Sons, 2015.
S. D. Balkin and J. K. Ord, "Automatic neural network modeling for univariate time series," International Journal of Forecasting, vol. 16, pp. 509-515, 2000. DOI: https://doi.org/10.1016/S0169-2070(00)00072-8
E. Cadenas and W. Rivera, "Short-term wind speed forecasting in La Venta, Oaxaca, México, using artificial neural network," Renewable Energy, vol. 34, pp. 274-278, 2009. DOI: https://doi.org/10.1016/j.renene.2008.03.014
M. Ghiassi, H. Saidane, and D. K. Zimbra, "A dynamic artificial neural network for forecasting series events," International Journal of Forecasting, vol. 21, pp. 341-362, 2005. DOI: https://doi.org/10.1016/j.ijforecast.2004.10.008
S. Heravi, D. R. Osborn, and C. R. Birchenhall, "Linear versus neural network forecasting for European industrial production series," International Journal of Forecasting, vol. 20, no. 3, pp. 435-446, 2004. DOI: https://doi.org/10.1016/S0169-2070(03)00062-1
G. Tkacz, "Neural network forecasting of Canadian GDP growth," International Journal of Forecasting, vol. 17, pp. 57-69, 2001. DOI: https://doi.org/10.1016/S0169-2070(00)00063-7
G. P. Zhang and M. Qi, "Neural network forecasting for seasonal and trend time series," European Journal of Operational Research, vol. 160, no. 2, pp. 501–514, 2005. DOI: https://doi.org/10.1016/j.ejor.2003.08.037
K. Lai et al., "Hybridizing exponential smoothing and neural network for financial time series prediction," in Proceedings of 6th International Conference on Computational Science (ICCS'06), vol. 4, pp. 493–500, 2006. DOI: https://doi.org/10.1007/11758549_69
C. D. Truong, H. N. Tin, and D. T. Anh, "Combining motif information and neural network for time series prediction," Int. J. Business Intelligence and Data Mining, vol. 7, no. 4, pp. 318–339, 2012. DOI: https://doi.org/10.1504/IJBIDM.2012.051734
D. N. Bao, N. D. K. Vy, and D. T. Anh, "A hybrid method for forecasting trend and seasonal time series," in Proc. of 2013 IEEE RIVF International Conference on Information and Communication Technologies, Hanoi, Vietnam, Nov. 10–13, 2013, pp. 203–208.
N. T. Son and D. T. Anh, "Hybridizing pattern matching and neural network for time series prediction," in Proc. of 2013 World Congress on Information and Communication Technologies (WICT 2013), Hanoi, Vietnam, pp. 19–24.
S. A. Mangai et al., "Hybrid ARIMA-HyFIS model for forecasting univariate time series," International Journal of Computer Applications, vol. 91, no. 5, pp. 38–44, 2014. DOI: https://doi.org/10.5120/15880-4852
S. M. Pandhiani and A. B. Shabri, "Time series forecasting by using hybrid models for monthly streamflow data," Applied Mathematical Sciences, vol. 9, no. 57, pp. 2809–2829, 2015. DOI: https://doi.org/10.12988/ams.2015.52164
J. S. Vaiz and M. Ramaswami, "A Hybrid Model to Forecast Stock Trend Using Support Vector Machine and Neural Networks," International Journal Of Engineering Research And Development, vol. 13, no. 9, pp. 52-59, Sep. 2017.
L. Zhang, G. X. Zhang, and R. R. Li, "Water quality analysis and prediction using hybrid time series and neural network models," J. Agr. Sci. Tech., vol. 18, pp. 975-983, 2018.
S. Agarwal and S. Tarar, "A Hybrid Approach For Crop Yield Prediction Using Machine Learning And Deep Learning Algorithms," J. Phys.: Conf. Ser., vol. 1714, p. 012012, 2021. DOI: https://doi.org/10.1088/1742-6596/1714/1/012012
A. A. Alsuwaylimi, "Comparison of ARIMA, ANN and Hybrid ARIMA-ANN Models for Time Series Forecasting," Inf. Sci. Lett., vol. 12, no. 2, pp. 1003-1016, 2023. DOI: https://doi.org/10.18576/isl/120238
S. Nosratabadi et al., "Hybrid Machine Learning Models for Crop Yield Prediction," arXiv:2005.04155 [cs.NE], 2020.
D. Batool et al., "A Hybrid Approach to Tea Crop Yield Prediction Using Simulation Models and Machine Learning," Plants, vol. 11, no. 9, p. 1925, Sep. 2022, doi: 10.3390/plants11151925. DOI: https://doi.org/10.3390/plants11151925
J. H. Cochrane, "Time Series for Macroeconomics and Finance," Graduate School of Business, University of Chicago, Spring 1997.
K. W. Hipel and A. I. McLeod, Time Series Modelling of Water Resources and Environmental Systems, Amsterdam, Elsevier, 1994.
Z. Q. Zhao and D. Huang, "A mended hybrid learning algorithm for radial basis function neural networks to improve generalization capability," Applied Mathematical Modelling, vol. 31, no. 7, pp. 1271-1281, 2007. DOI: https://doi.org/10.1016/j.apm.2006.04.014
P. G. Zhang, "Time series forecasting using a hybrid ARIMA and neural network model," Neurocomputing, vol. 50, pp. 159–175, 2003. DOI: https://doi.org/10.1016/S0925-2312(01)00702-0
Tải xuống
Đã Xuất bản
Cách trích dẫn
Giấy phép
Bản quyền (c) 2024 Tạp chí Khoa học Giáo dục Kỹ Thuật
Tác phẩm này được cấp phép theo Giấy phép quốc tế Creative Commons Attribution-NonCommercial 4.0 .
Bản quyền thuộc về JTE.
