DỰ BÁO SỐ LIỆU THEO MÔ HÌNH CHUỖI T

DỰ BÁO SỐ LIỆU
THEO MÔ HÌNH CHUỖI THỜI GIAN
Võ Văn Tài1
Khoa Khoa học Tự nhiên, Trường Đại học Cần Thơ

ABSTRACT
Bài báo trình bày các mô hình dự báo chuỗi thời gian mờ, không mờ và các tiêu chuẩn đánh giá chúng. Bài báo cũng trình bày các phương pháp xử lý số liệu ban đầu để từ đó có những bộ số liệu tốt hơn cho dự báo. Từ số liệu thực tế thu được, vận dụng lý thuyết, bài báo xem xét việc dự báo sản lượng và diện tích trồng lúa của Việt Nam.
Keywords: Time series, model, forecast, fuzzy, tiêu chuẩn đánh giá
Title: .

1 GIỚI THIỆU
Dự báo là vấn đề rất quan trọng cho tất cả các ngành, các lĩnh vực, cho sự phát triển kinh tế xã hội của địa phương, của quốc gia. Dự báo luôn là cơ sở cho các chính sách, các chiến lược phát triển kinh tế xã hội ngắn hạn cũng như dài hạn. Một dự báo đúng cho một vấn đề nào đó sẽ mang đến nhiều lợi ích. Cho đến nay, dự báo vẫn là một khoa học phức tạp, chưa được giải quyết trọn vẹn, chính vì vậy nó luôn được sự quan tâm nghiên cứu của nhiều nhà khoa học từ nhiều lĩnh vực khác nhau. Có nhiều phương pháp khác nhau để thực hiện việc dự báo, tuy nhiên hầu như phương pháp nào cũng dựa trên cơ sở phân tích số liệu quá khứ mà chúng ta thu thập được. Chúng ta có nhiều dạng dữ liệu khác nhau để thực hiện việc dự báo: Dữ liệu bảng, dữ liệu chéo, dữ liệu thời gian,…, trong đó dữ liệu theo thời gian là phổ biến nhất. Các thống kê về dân số, nông nghiệp, môi trường, khí tượng thủy văn, các chỉ số phát triển kinh tế xã hội,… đều được đúc kết theo thời gian, do đó việc dự báo số liệu theo thời gian có nhu cầu rất lớn trong thực tế. Để dự báo chuỗi thời gian, trong thống kê chúng ta có thể sử dụng mô hình hồi quy và chuỗi thời gian. Mức độ tối ưu của hai mô hình này phụ thuộc rất nhiều vào bộ số liệu thực hiện. Mô hình hồi quy xây dựng tối ưu khi dữ liệu có khuynh hướng theo một biểu thức toán học cụ thể, mô hình chuỗi thời gian chỉ tốt khi dữ liệu theo thời gian phải dừng và có khuynh hướng tuyến tính. Tuy nhiên trong thực tế, số liệu thường có khuynh hướng dao động không theo quy luật nhất định. Để có thể cải thiện được mô hình dự báo, trong thống kê chúng ta có thể sử dụng phương pháp xử lý số liệu ban đầu. Phương pháp cổ điển trong xử lí số liệu ban đầu là các phương pháp làm trơn (phương pháp trung bình trượt, phương pháp hàm mũ). Các công trình về tập mờ cũng như số mờ của Zedel (1965) đã mở ra nhiều kết quả mới của thống kê lý thuyết và ứng dụng. Vận dụng lý thuyết số mờ, chúng ta có thể mờ hóa số liệu ban đầu trước khi tiến hành dự báo. Mờ hóa số liệu là tạo ra sự liên kết xác suất của các số liệu với nhau để từ đó dự báo được các số liệu tương lai được tốt hơn. Các mô hình mờ hóa số liệu của Chen (1996), Huarng (2001), Singh (2008), … đã áp được hiệu quả cho nhiều lĩnh vực khác nhau. Việc xử lí số liệu ban đầu sẽ giúp giảm đi số mẫu cần cho dự báo. Hơn thế nữa, ngoài mô hình chuỗi thời gian không mờ chúng ta cũng có mô hình chuỗi thời gian mờ. Mô hình chuỗi thời gian mờ của Abbasov-Mamedova (2002), đã được áp dụng rất thành công cho nhiều vấn đề thực tế.

Kết quả (Anh) 1:

DỰ BÁO SỐ LIỆU THEO MÔ HÌNH CHUỖI THỜI GIAN Võ Văn Tài1 Khoa Khoa học Tự nhiên, Trường Đại học Cần Thơ ABSTRACTBài báo trình bày các mô hình dự báo chuỗi thời gian mờ, không mờ và các tiêu chuẩn đánh giá chúng. Bài báo cũng trình bày các phương pháp xử lý số liệu ban đầu để từ đó có những bộ số liệu tốt hơn cho dự báo. Từ số liệu thực tế thu được, vận dụng lý thuyết, bài báo xem xét việc dự báo sản lượng và diện tích trồng lúa của Việt Nam.Keywords: Time series, model, forecast, fuzzy, tiêu chuẩn đánh giáTitle: .1 GIỚI THIỆUDự báo là vấn đề rất quan trọng cho tất cả các ngành, các lĩnh vực, cho sự phát triển kinh tế xã hội của địa phương, của quốc gia. Dự báo luôn là cơ sở cho các chính sách, các chiến lược phát triển kinh tế xã hội ngắn hạn cũng như dài hạn. Một dự báo đúng cho một vấn đề nào đó sẽ mang đến nhiều lợi ích. Cho đến nay, dự báo vẫn là một khoa học phức tạp, chưa được giải quyết trọn vẹn, chính vì vậy nó luôn được sự quan tâm nghiên cứu của nhiều nhà khoa học từ nhiều lĩnh vực khác nhau. Có nhiều phương pháp khác nhau để thực hiện việc dự báo, tuy nhiên hầu như phương pháp nào cũng dựa trên cơ sở phân tích số liệu quá khứ mà chúng ta thu thập được. Chúng ta có nhiều dạng dữ liệu khác nhau để thực hiện việc dự báo: Dữ liệu bảng, dữ liệu chéo, dữ liệu thời gian,…, trong đó dữ liệu theo thời gian là phổ biến nhất. Các thống kê về dân số, nông nghiệp, môi trường, khí tượng thủy văn, các chỉ số phát triển kinh tế xã hội,… đều được đúc kết theo thời gian, do đó việc dự báo số liệu theo thời gian có nhu cầu rất lớn trong thực tế. Để dự báo chuỗi thời gian, trong thống kê chúng ta có thể sử dụng mô hình hồi quy và chuỗi thời gian. Mức độ tối ưu của hai mô hình này phụ thuộc rất nhiều vào bộ số liệu thực hiện. Mô hình hồi quy xây dựng tối ưu khi dữ liệu có khuynh hướng theo một biểu thức toán học cụ thể, mô hình chuỗi thời gian chỉ tốt khi dữ liệu theo thời gian phải dừng và có khuynh hướng tuyến tính. Tuy nhiên trong thực tế, số liệu thường có khuynh hướng dao động không theo quy luật nhất định. Để có thể cải thiện được mô hình dự báo, trong thống kê chúng ta có thể sử dụng phương pháp xử lý số liệu ban đầu. Phương pháp cổ điển trong xử lí số liệu ban đầu là các phương pháp làm trơn (phương pháp trung bình trượt, phương pháp hàm mũ). Các công trình về tập mờ cũng như số mờ của Zedel (1965) đã mở ra nhiều kết quả mới của thống kê lý thuyết và ứng dụng. Vận dụng lý thuyết số mờ, chúng ta có thể mờ hóa số liệu ban đầu trước khi tiến hành dự báo. Mờ hóa số liệu là tạo ra sự liên kết xác suất của các số liệu với nhau để từ đó dự báo được các số liệu tương lai được tốt hơn. Các mô hình mờ hóa số liệu của Chen (1996), Huarng (2001), Singh (2008), … đã áp được hiệu quả cho nhiều lĩnh vực khác nhau. Việc xử lí số liệu ban đầu sẽ giúp giảm đi số mẫu cần cho dự báo. Hơn thế nữa, ngoài mô hình chuỗi thời gian không mờ chúng ta cũng có mô hình chuỗi thời gian mờ. Mô hình chuỗi thời gian mờ của Abbasov-Mamedova (2002), đã được áp dụng rất thành công cho nhiều vấn đề thực tế.

Kết quả (Anh) 2:

DỰ BÁO số LIỆU
THEO MÔ Hình CHUỖI THỜI GIAN
Võ Tài1 Văn
Khoa Khoa học Tự nhiên, Trường Đại học Cần Thơ ABSTRACT Bài báo trình bày các mô Hình dự báo chuỗi thời Gian mờ, không mờ và các tiêu chuẩn đánh giá chúng. Bài báo cũng trình bày các phương pháp xử lý số liệu ban đầu để từ đó có những bộ số liệu tốt hơn cho dự báo. Từ số liệu thực tế thu được, vận dụng lý thuyết, bài báo xem xét việc dự báo sản lượng và diện tích trồng lúa của Việt Nam. Keywords: Time series, Model, Forecast, fuzzy, tiêu chuẩn đánh giá Title:. 1 Giới thiệu Dự báo là vấn đề rất Quan trọng cho tất cả các ngành, các lĩnh vực, cho sự phát triển kinh tế xã hội của địa phương, của quốc gia. Dự báo luôn là cơ sở cho các chính sách, các chiến lược phát triển kinh tế xã hội ngắn hạn cũng như dài hạn. Một dự báo đúng cho một vấn đề nào đó sẽ mang đến nhiều lợi ích. Cho đến nay, dự báo vẫn là một khoa học phức tạp, chưa được giải quyết trọn vẹn, chính vì vậy nó luôn được sự quan tâm nghiên cứu của nhiều nhà khoa học từ nhiều lĩnh vực khác nhau . Có nhiều phương pháp khác nhau để thực hiện việc dự báo, tuy nhiên hầu như phương pháp nào cũng dựa trên cơ sở phân tích số liệu quá khứ mà chúng ta thu thập được. Chúng ta có nhiều dạng dữ liệu khác nhau để thực hiện việc dự báo: Dữ liệu bảng, dữ liệu chéo, dữ liệu thời gian, ..., trong đó dữ liệu theo thời gian là phổ biến nhất Các thống kê về dân số, nông nghiệp, môi trường, khí tượng thủy văn,. các chỉ số phát triển kinh tế xã hội, ... đều được đúc kết theo thời gian, do đó việc dự báo số liệu theo thời gian có nhu cầu rất lớn trong thực tế. Để dự báo chuỗi thời gian, trong thống kê chúng ta có thể sử dụng mô hình hồi quy và chuỗi thời gian. Mức độ tối ưu của hai mô hình này phụ thuộc rất nhiều vào bộ số liệu thực hiện. Mô hình hồi quy xây dựng tối ưu khi dữ liệu có khuynh hướng theo một biểu thức toán học cụ thể, mô hình chuỗi thời gian chỉ tốt khi dữ liệu theo thời gian phải dừng và có khuynh hướng tuyến tính. Tuy nhiên trong thực tế, số liệu thường có khuynh hướng dao động không theo quy luật nhất định. Để có thể cải thiện được mô hình dự báo, trong thống kê chúng ta có thể sử dụng phương pháp xử lý số liệu ban đầu. Phương pháp cổ điển trong xử lí số liệu ban đầu là các phương pháp làm trơn (phương pháp trung bình trượt, phương pháp hàm mũ). Các công trình về tập mờ cũng như số mờ của Zedel (1965) đã mở ra nhiều kết quả mới của thống kê lý thuyết và ứng dụng. Vận dụng lý thuyết số mờ, chúng ta có thể mờ hóa số liệu ban đầu trước khi tiến hành dự báo. Mờ hóa số liệu là tạo ra sự liên kết xác suất của các số liệu với nhau để từ đó dự báo được các số liệu tương lai được tốt hơn. Các mô hình mờ hóa số liệu của Chen (1996), Huarng (2001), Singh (2008), ... đã áp được hiệu quả cho nhiều lĩnh vực khác nhau. Việc xử lí số liệu ban đầu sẽ giúp giảm đi số mẫu cần cho dự báo. Hơn thế nữa, ngoài mô hình chuỗi thời gian không mờ chúng ta cũng có mô hình chuỗi thời gian mờ. Mô hình chuỗi thời gian mờ của Abbasov-Mamedova (2002), đã được áp dụng rất thành công cho nhiều vấn đề thực tế .

Kết quả (Anh) 3:

D B O S LI U
THEO M H NH CHU I TH I GIAN
V V n T, i1
Khoa Khoa H C T NHI the N, Tr DJ a ng I ho C C "n Th

ABSTRACT
B, I b o tr NH B, y c c m h NH D who b o Chu I th I gian m, who ng KH m v c c Ti, the U Chu n, NH GI ch case ng. B, I b o ng C tr NH B, Y C C ng P PH PH L x s Li u ban U T C NH ng b s Li u t t h n Cho D B o.T s Li u th c t Thu C, v n d ng l Thuy T, B, I b o xem x T VI C D E B o s n l ng V, di n t ch tr ng l a C a Vi case t Nam.
Keywords: Time series, model, forecast, fuzzy, Ti of the U Chu n, NH GI
Title:.

1 GI I THI U
D b o l, v n r t Quan tr ng Cho T T c c c ng, NH, c c l NH V C, CHO s t tri PH n Kinh t x h i c a a PH ng, C a Qu C gia.D b o Lu who n l c s Cho C C ch NH s ch, c c Chi n l c PH ` t tri n Kinh t x h i ng N H N C ng NH D, I h n. M t d b o ng Cho m case t v n n, O S mang n NHI u l i ch. Cho n nay, d b o v n l, m t khoa C H PH c t p, ch a C GI I Quy t tr n V n,Ch NH v v Y N Lu n who c s Quan t m Nghi of "n c u c a NHI u NH, khoa H C T NHI u NH l V C KH C nhau. C NHI u PH ng PH P KH C nhau th C hi n VI C D B O, Tuy NHI the N H u NH PH PH P ng n, O C ng d a tr 'n c s n PH" t ch s Li u Qu KH m, ch case ng TA Thu th P C. Ch case ng TA C NHI U D ng D Li u KH C nhau th C hi n VI C D B o: D Li u b ng,D Li u ch e o, D Li u th I gian,... Trong D Li, u Theo th I gian L, PH n Bi NH t. C C th 'ng k V D "n s, who ng n Nghi p m i tr, who ng, KH t ng th y v n c c ch, s PH ` t tri n Kinh t x h i,... U c case c k t Theo th I gian, do VI C D b o s Li u Theo th I gian C NHU c u r t l n Trong th c t DJ B D. O Chu I th I gian,Trong th ng k the ch case ng TA C th s d ng m who h NH h I Quy v., Chu I th I gian. M c t I u c a Hai m who h NH N Y. PH Thu c r t NHI U V, o b s Li u th C hi n. M H NH who. H I Quy X "y d ng t I U khi D Li u c khuynh h ng Theo m t Bi u th C to N H C C th, who h m NH Chu I th. I gian ch t t khi D Li u Theo th I gian I d PH ng V, C khuynh h ng Tuy n t nh.The Tuy NHI n Trong th c t, s Li u th ng C khuynh h ng Dao ng KH who ng Theo Quy Lu t NH t nh. DJ C th C I thi n c m who h NH D. B o, Trong th ng k the ch case ng TA C th s d ng PH ng PH ` p x l s Li u ban U. Ph ng, P C PH i n Trong L x s Li u ban U L, c c ng, PH PH P L, m tr n (ng PH PH ` P Trung B NH tr t., PH PH P, ng h, m m).C C C ng tr NH V who T P M C ng NH s M C a Zedel (1965) Ra NHI m u k t Qu m i c a th ng K 'l Thuy T V, ng D ng. V n d ng l Thuy T S M, ch case ng TA C th m h a s Li u ban u tr C khi Ti n h, NH D B o.M h a s Li U L, t o RA s li of N K T x C Su T c a c c s Li U V I nhau t d b o c c c s Li u t ng Lai c t t h n. C C M H NH m. Who h a s Li u c a Chen (1996), Huarng (2001), Singh (2008),... P C hi u Qu Cho NHI u l NH V C KH C nhau. Vi C x l s Li u ban u s GI P GI m case i s m u c n Cho D B o. H n th n a,NGO, I m h NH Chu who. I th I gian KH ng m who ch case ng TA C ng C m who h NH Chu I th. I gian m. M h NH who. Chu I th I gian m (2002 a Abbasov-Mamedova C), C P D ng r t th, NH C ng Cho NHI U V who n th c t.