Báo cáo Dự báo dữ liệu chuỗi thời gian có tính xu hướng hoặc mùa sử dụng giải thuật k lân cận gần nhất (Phần 1)

Nội dung text: Báo cáo Dự báo dữ liệu chuỗi thời gian có tính xu hướng hoặc mùa sử dụng giải thuật k lân cận gần nhất (Phần 1)

1. BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH CÔNG TRÌNH NGHIÊN CỨU KHOA HỌC CẤP TRƯỜNG DỰ BÁO DỮ LIỆU CHUỖI THỜI GIAN CÓ TÍNH XU HƯỚNG HOẶC MÙA SỬ DỤNG GIẢI THUẬT K LÂN S CẬNK C 0 0 3 9 5 9 GẦN NHẤT MÃ SỐ: T2015-79TĐ S KC 0 0 4 7 9 2 Tp. Hồ Chí Minh, 2015
2. TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH KHOA CÔNG NGHỆ THÔNG TIN BÁO CÁO TỔNG KẾT ĐỀ TÀI KH & CN CẤP TRƯỜNG TRỌNG ĐIỂM DỰ BÁO DỮ LIỆU CHUỖI THỜI GIAN CÓ TÍNH XU HƯỚNG HOẶC MÙA SỬ DỤNG GIẢI THUẬT K LÂN CẬN GẦN NHẤT Mã số: T2015-79TĐ Chủ nhiệm đề tài: Nguyễn Thành Sơn TP. HCM, 11/2015
3. MỤC LỤC DANH MỤC CÁC HÌNH ẢNH 1 DANH MỤC CÁC TỪ VIẾT TẮT 2 PHẦN MỞ ĐẦU 5 PHẦN NỘI DUNG 7 CHƯƠNG 1. Các kiến thức cơ sở. 7 1.1 Tổng quan về đề tài. 7 1.2 Lý thuyết cơ sở và các công trình liên quan. 8 1.2.1 Các độ đo tương tự. 9 Độ đo Minkowski. 9 Độ đo xoắn thời gian động. 10 1.2.2 Thu giảm số chiều chuỗi thời gian. 12 Điều kiện chặn dưới. 12 1.2.3 Các phương pháp thu giảm số chiều dựa vào rút trích đặc trưng. 12 1.3 Rời rạc hóa chuỗi thời gian. 19 1.4 Cấu trúc chỉ mục đa chiều. 21 1.5 Dự báo trên dữ liệu chuỗi thời gian có tính xu hướng hoặc mùa. 23 1.5.1 Tổng quan về một số phương pháp dự báo trên dữ liệu chuỗi thời gian. 23 1.5.2 Xu hướng và tính mùa trong dữ liệu chuỗi thời gian. 25 1.5.3 Dự báo chuỗi thời gian bằng mạng nơ ron nhân tạo. 25 CHƯƠNG 2. Phương pháp đề xuất. 30 CHƯƠNG 3. Kết quả thực nghiệm. 33 CHƯƠNG 4. Kết luận và hướng phát triển. 40 Đóng góp của đề tài. 40 Hạn chế của đề tài. 40 Hướng phát triển. 40 TÀI LIỆU THAM KHẢO 41 i
4. DANH MỤC CÁC HÌNH ẢNH Hình 1.1 Đường biểu diễn một chuỗi thời gian. 7 Hình 1.2 Minh họa hai chuỗi thời gian giống nhau. 9 Hình 1.3 Khoảng cách giữa hai đường biểu diễn rất giống nhau về hình dạng 10 Hình 1.4 Minh họa cách tính khoảng cách theo DTW. 11 Hình 1.5 Minh họa phương pháp DFT. 13 Hình 1.6 Minh họa phương pháp Haar Wavelet. 14 Hình 1.7 Minh họa phương pháp PAA. 15 Hình 1.8 Các trường hợp hai đoạn có cùng giá trị trung bình 15 Hình 1.9 Minh họa quá trình nhận dạng các điểm PIP. 17 Hình 1.10 Minh họa kỹ thuật xén dữ liệu một chuỗi thời gian có chiều dài 64. 17 Hình 1.11 Minh họa phương pháp MP_C. 19 Hình 1.12 Minh họa phương pháp SAX với a = 3. 20 Hình 1.13 Minh họa R-tree. 21 Hình 1.14 Minh họa SBR và SBR xấp xỉ của ba chuỗi thời gian. 23 Hình 1.15 Quá trình huấn luyện mạng nơ ron dùng cho dự báo dữ liệu chuỗi thời gian. 27 Hình 2.1 Ý tưởng cơ bản của cách tiếp cận dựa trên phương pháp so trùng mẫu. 30 Hình 2.2 Minh họa thuật toán dự báo dựa trên phương pháp so trùng mẫu. 31 Hình 2.3 Các bước chính của thuật toán dự báo dựa trên phương pháp so trùng mẫu. 31 Hình 3.1 Minh họa bốn tập dữ liệu dùng trong thực nghiệm. 33 Hình 3.2 Giải thuật xây dựng mạng nơ ron của Ash. 34 1
5. DANH MỤC CÁC TỪ VIẾT TẮT ANN Artificial Neuron Network ARIMA model Autoregressive Integrated Moving Average model APCA Adaptive Piecewise Constant Approximation DTW Dynamic Time Warping DFT Discrete Fourier Transform DWT Discrete Wavelet Transform ESAX Extended Symbolic Aggregate approximation ECG Electrocardiogram iSAX indexable SAX k-NN k-Nearest Neighbors MBR Minimum Bounding Rectangle MP_C Middle Points_Clipping MLP Multi-layer perceptrons MER Mean error relative to xmean MAE Mean absolute error PAA Piecewise Aggregate Approximation PIP Perceptually Important Point PSF Pattern sequence-based forecasting SAX Symbolic Aggregate approximation SBR Skyline Bounding Region 2
6. TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM THÀNH PHỐ HỒ CHÍ MINH Độc lập - Tự do - Hạnh phúc KHOA CNTT Tp. HCM, Ngày 20 tháng 10 năm 2015 THÔNG TIN KẾT QUẢ NGHIÊN CỨU 1. Thông tin chung: - Tên đề tài: Dự báo dữ liệu chuỗi thời gian có tính xu hướng hoặc mùa sử dụng giải thuật k lân cận gần nhất. - Mã số: T2015-79TĐ - Chủ nhiệm: Nguyễn Thành Sơn - Cơ quan chủ trì: Trường Đại học SPKT Tp. HCM - Thời gian thực hiện: 6/2014- 10/2015 2. Mục tiêu: Ứng dụng phương pháp so trùng mẫu trong dự báo dữ liệu chuỗi thời gian có tính xu hướng hoặc mùa. 3. Tính mới và sáng tạo: Nhiều dữ liệu chuỗi thời gian trong kinh doanh, kinh tế và các lãnh vực đời sống thường biểu hiện tính mùa hoặc tính xu hướng. Mặc dù yếu tố mùa là một thành phần quan trọng nhất trong chuỗi thời gian có tính mùa, xu hướng thường đi kèm với biến động mùa và có thể có ảnh hưởng lớn đến các phương pháp dự báo. Dự báo chính xác dữ liệu chuỗi thời gian có tính xu hướng và tính mùa là rất quan trọng để hỗ trợ ra quyết định trong các lãnh vực của đời sống. Đề tài đề xuất một phương pháp mới đơn giản và hiệu quả cho bài toán dự báo trên chuỗi thời gian có tính xu hướng hoặc theo mùa. 4. Kết quả nghiên cứu: Đề xuất được một phương pháp mới cho bài toán dự báo trên chuỗi thời gian có tính xu hướng hoặc mùa sử dụng thuật toán k lân cận gần nhất. 5. Sản phẩm: Một bài báo đăng trên tạp chí Khoa học Giáo dục Kỹ thuật, báo cáo và chương trình demo. 6. Hiệu quả, phương thức chuyển giao kết quả nghiên cứu và khả năng áp dụng: Có thể áp dụng trong giảng dạy sau đại học về chuyên đề chuỗi thời gian, sử dụng làm cơ sở cho việc phát triển các ứng dụng trong các lĩnh vực liên quan khác. Trưởng Đơn vị Chủ nhiệm đề tài (ký, họ và tên) (ký, họ và tên) 3
7. INFORMATION ON RESEARCH RESULTS 1. General information: Project title: Prediction in seasonal or trend time series using k nearest neighbors. Code number: T2015-79TĐ. Coordinator: Nguyen Thanh Son Implementing institution: HCM City University of Technical Education. Duration: from 6/2014 to 11/2015 2. Objective(s): Investigate the use of pattern matching in seasonal or trend time series prediction 3. Creativeness and innovativeness: Time series data in many applications of various life areas usually have seasonal or trend property. Although the seasonal factor is the most important element in seasonal time series data, the trend factor usually accompanies with seasonal fluctuation and can impact on predictive methods. The accuracy of seasonal or trend time series fore- casting is fundamental to many decision processes. We proposed a new method which is simple and effective for forecasting seasonal or trend time series data. 4. Research results: A new method proposed for forecasting seasonal or trend time series data. 5. Products: A paper published in Journal of Technical Education Science, a technical report and a demo. 6. Effects, transfer alternatives of reserach results and applicability: It can be used to lecture for the major course of time series at postgraduate level or as a base for developing application softwares in some other relevant areas 4
8. PHẦN MỞ ĐẦU 1. Tình hình nghiên cứu trong và ngoài nước. Dự báo trên dữ liệu chuỗi thời gian đã và đang là một công việc phức tạp và thách thức đối với các nhà nghiên cứu. Tuy có một số phương pháp thường được sử dụng trên dữ liệu chuỗi thời gian như phương pháp làm trơn theo hàm mũ, mô hình ARIMA, mạng nơ ron nhân tạo. Nhưng hai phương pháp đầu chỉ có thể nắm bắt được các đặc trưng tuyến tính của chuỗi thời gian, còn việc mạng nơ ron nhân tạo có thể xử lý một cách hiệu quả dữ liệu có tính xu hướng và tính mùa hay không đang là một vấn đề gây bàn cãi vì có những nhận định trái ngược nhau trong cộng đồng nghiên cứu về dự báo dữ liệu chuỗi thời gian [49]. Mặt khác, gần đây một số phương pháp dự báo trên dữ liệu chuỗi thời gian dựa vào hướng tiếp cận so trùng mẫu đã được ứng dụng dự báo cho một số lĩnh vực cụ thể (như thời tiết, chứng khoán, giá điện và nhu cầu sử dụng điện) và là một hướng tiếp cận đáng quan tâm. 2. Tính cấp thiết của đề tài. Dữ liệu chuỗi thời gian là loại dữ liệu được sử dụng phổ biến trong các lĩnh vực khoa học, công nghệ, y học và thương mại. Chẳng hạn, trong y khoa người ta có thể sử dụng các bài toán về chuỗi thời gian để xây dựng chương trình dò tìm tự động trên điện não đồ của bệnh nhân để phát hiện bệnh, hoặc trong lĩnh vực chứng khoán ta có thể ứng dụng các bài toán về chuỗi thời gian để xây dựng chương trình dự báo xu thế biến động của chứng khoán trong thời gian sắp tới, v.v . Một nghiên cứu khảo sát từ 4000 hình được lấy ngẫu nhiên trong các báo tin tức trên thế giới được xuất bản trong giai đoạn từ 1974 đến 1989 cho thấy hơn 75% là các hình biểu diễn dữ liệu chuỗi thời gian [39]. Nhiều dữ liệu chuỗi thời gian trong kinh doanh, kinh tế và các lãnh vực đời sống thường biểu hiện tính mùa và tính xu hướng. Tính mùa là khuôn mẫu thường lặp lại và có tính chu kỳ do những yếu tố như thời tiết, lễ tết, những đợt khuyến mãi, v.v . Mặc dù yếu tố mùa là một thành phần quan trọng nhất trong chuỗi thời gian có tính mùa, xu hướng thường đi kèm với biến động mùa và có thể có ảnh hưởng lớn đến các phương pháp dự báo. Một chuỗi thời gian có xu hướng được xem là một chuỗi thời gian không dừng (nonstationary) và thường phải làm cho trở thành chuỗi thời gian có tính dừng 5
9. (stationary) trước khi quá trình dự báo diễn ra. Dự báo chính xác dữ liệu chuỗi thời gian có tính xu hướng và tính mùa là rất quan trọng để hỗ trợ ra quyết định trong các lãnh vực của đời sống. 3. Ý nghĩa lý luận và thực tiễn. 3.1 Ý nghĩa lý luận. Ứng dụng phương pháp so trùng mẫu trong dự báo dữ liệu chuỗi thời gian có tính xu hướng và tính mùa là một hướng tiếp cận mới cho bài toán đầy thách thức này. Một thể hiện của phương pháp so trùng mẫu là giải thuật k-lân cận gần nhất dùng cho dự báo chuỗi thời gian. Đề tài đề xuất sử dụng phương pháp thu giảm số chiều MP_C và cấu trúc chỉ mục đường chân trời vào giải thuật k-lân cận gần nhất cho công tác dự báo dữ liệu chuỗi thời gian, đặc biệt cho dữ liệu chuỗi thời gian có tính mùa và xu hướng. Kết quả thực nghiệm của cách tiếp cận k-lân cận gần nhất sẽ được so sánh với một mô hình thông dụng trong dự báo chuỗi thời gian là mạng nơ ron nhân tạo (ANN). Mô hình mạng nơ ron nhân tạo được dùng để so sánh vì cả hai mô hình nơ ron nhân tạo và mô hình k-lân cận gần nhất đều là những mô hình phi tuyến. 3.2 Ý nghĩa thực tiễn. Nghiên cứu này sẽ là nền tảng cho những nghiên cứu tiếp theo về các bài toán khác trong khai phá dữ liệu chuỗi thời gian. Ngoài ra, còn có thể áp dụng giảng dạy như một chuyên đề cho sinh viên sau đại học. 4. Các đối tượng nghiên cứu. Dữ liệu chuỗi thời gian và bài toán dự báo trên chuỗi thời gian. 5. Phạm vi và các phương pháp nghiên cứu. 5.1 Phạm vi nghiên cứu. Dự báo trên chuỗi thời gian có tính xu hướng hoặc mùa. 5.2 Các phương pháp nghiên cứu. Tổng kết các kết quả nghiên cứu liên quan trước đây. Đánh giá hiệu quả của các phương pháp. Thực nghiệm để kiểm tra kết quả. Nghiên cứu tài liệu, ứng dụng mô hình lý thuyết và chứng minh bằng thực nghiệm. 6
10. PHẦN NỘI DUNG CHƯƠNG 1. Các kiến thức cơ sở. 1.1 Tổng quan về đề tài. Một chuỗi thời gian (time series) là một chuỗi các điểm dữ liệu được đo theo từng khoảng thời gian liền nhau theo một tần suất thời gian thống nhất. Hình 1.1 minh họa một ví dụ về chuỗi thời gian biểu diễn tỉ giá chuyển đổi trung bình hàng tháng giữa đô la Úc và đô la Mỹ (đơn vị đô la Úc) từ 7/1969 đến 8/1995. Hình 1.1 Đường biểu diễn một chuỗi thời gian ([17]). Các bài toán thường được nghiên cứu trong khai phá dữ liệu chuỗi thời gian gồm tìm kiếm tương tự (similarity search), gom cụm (clustering), phân lớp (classification), phát hiện motif (motif discovery), khai phá luật (rule discovery), phát hiện bất thường (anomaly detection), trực quan hóa (visualization), dự báo (forecast). Những khó khăn và thách thức khi nghiên cứu về dữ liệu chuỗi thời gian [25]: - Dữ liệu thường rất lớn. Chẳng hạn, trong 1 giờ, dữ liệu điện tâm đồ (ECG) có thể lên đến 1GB. - Phụ thuộc nhiều vào yếu tố chủ quan của người dùng và tập dữ liệu khi đánh giá mức độ tương tự giữa các chuỗi thời gian. - Dữ liệu không đồng nhất: định dạng của dữ liệu khác nhau, tần số lấy mẫu khác nhau. Ngoài ra, dữ liệu có thể bị nhiễu, thiếu một vài giá trị hoặc không sạch. 7
11. Bài toán tìm kiếm tương tự (so trùng) trong cơ sở dữ liệu chuỗi thời gian đã được nhiều nhà nghiên cứu quan tâm trong những năm qua vì đây là bài toán cơ bản và là một thành phần nền tảng của nhiều bài toán khác trong khai phá dữ liệu chuỗi thời gian. Đây là bài toán khó vì kích thước dữ liệu chuỗi thời gian thường lớn và vì chúng ta không thể lập chỉ mục dữ liệu chuỗi thời gian một cách dễ dàng như trong hệ thống cơ sở dữ liệu truyền thống. Một vài thí dụ về ứng dụng của tìm kiếm tương tự trên chuỗi thời gian có thể nêu ra như sau: - Tìm trong quá khứ, những giai đoạn mà số lượng sản phẩm bán được như tháng vừa rồi. - Tìm những sản phẩm có chu kỳ doanh số giống nhau. - Tìm những đoạn nhạc trong một bài hát giống một đoạn nhạc đã có bản quyền. - Tìm những tháng trong quá khứ mà có lượng mưa giống như tháng vừa rồi. - Tìm những năm khô hạn mà mực nước các sông đều ở mức thấp. Dự báo trên dữ liệu chuỗi thời gian đã và đang là một công việc phức tạp và thách thức đối với các nhà nghiên cứu. Tuy có một số phương pháp thường được sử dụng trên dữ liệu chuỗi thời gian như phương pháp làm trơn theo hàm mũ, mô hình ARIMA, mạng nơ ron nhân tạo. Nhưng hai phương pháp đầu chỉ có thể nắm bắt được các đặc trưng tuyến tính của chuỗi thời gian, còn việc mạng nơ ron nhân tạo có thể xử lý một cách hiệu quả dữ liệu có tính xu hướng và tính mùa hay không đang là một vấn đề gây bàn cãi vì có những nhận định trái ngược nhau trong cộng đồng nghiên cứu về dự báo dữ liệu chuỗi thời gian [49]. Mặt khác, gần đây một số phương pháp dự báo trên dữ liệu chuỗi thời gian dựa vào hướng tiếp cận so trùng mẫu đã được ứng dụng dự báo cho một số lĩnh vực cụ thể (như thời tiết, chứng khoán, giá điện và nhu cầu sử dụng điện) và là một hướng tiếp cận đáng quan tâm. 1.2 Lý thuyết cơ sở và các công trình liên quan. Trong phần này, chúng tôi giới thiệu tóm tắt cơ sở lý thuyết về các độ đo tương tự, các phương pháp thu giảm số chiều, các cấu trúc chỉ mục thường dùng và các công trình liên quan tới bài toán được nghiên cứu. 8
12. 1.2.1 Các độ đo tương tự. Trong các bài toán về chuỗi thời gian, để so sánh 2 chuỗi người ta sử dụng các độ đo tương tự. Hai đối tượng được xem là giống nhau khi độ đo tương tự giữa chúng bằng 0, được xem là tương tự nếu độ đo tương tự giữa chúng nhỏ hơn một giá trị  được qui ước trước đó. Để có thể tính toán và so sánh, độ đo này được biểu diễn thành các số thực và phải thỏa các tính chất sau: - D(x,y) = 0 nếu và chỉ nếu x = y - D(x, y) = D(y, x) - D(x, y) 0 với mọi x, y - D(x, y) < D(x, z) + D(y, z) Dưới đây là các độ đo thường được sử dụng Độ đo Minkowski. Ký hiệu là Sim(X,Y) (độ tương tự giữa hai chuỗi X và Y có chiều dài n) và được định nghĩa như sau: n P P Sim(X ,Y)  xi yi , với xi X, yi Y, i = 1, , n (1.1) i 1 (1.1) Trong đó, p = 2 (Euclid) là độ đo thường được sử dụng. (1.1) Độ đo này có ưu điểm tính toán dễ dàng. Tuy nhiên nó cũng có một số nhược điểm là do phương pháp này tính toán dựa trên các cặp giá trị tương ứng trong hai chuỗi nên đối với các trường hợp tính chất của hai mẫu là giống nhau nhưng giá trị khác nhau (có đường căn bản khác nhau hay có biên độ dao động khác nhau) thì khoảng cách hai mẫu sẽ rất khác nhau. Hình 1.2 minh họa trường hợp này. (a) (b) Hình 1.2 Minh họa hai chuỗi thời gian giống nhau. nhưng (a) đường cơ bản khác nhau và (b) biên độ giao động khác nhau ([26]). 9
13. Để khắc phục trường hợp này trước khi áp dụng các giải thuật ta cần thực hiện chuẩn hóa dữ liệu. Các phương pháp chuẩn hóa thường được dùng là: - Chuẩn hóa trung bình zero (Zero-Mean normalization) [18] Chuỗi Q được biến đổi thành chuỗi Q’ theo công thức Q’[i] = (Q[i]- mean(Q)) / var(Q) (1.2) Với mean(Q) là giá trị trung bình của Q và var(Q) là độ lệch chuẩn của Q. (1.2) - Chuẩn hóa nhỏ nhất-lớn nhất (Min-Max normalization) [18] Chuỗi Q được biến đổi thành chuỗi Q’ theo công thức Q[i] Minold (1.3) Q'[i] (Maxnew Minnew) Minnew Maxold Minold (1.3) Với Minold và Maxold là giá trị nhỏ nhất và lớn nhất của chuỗi ban đầu. Minnew và Maxnew là giá trị nhỏ nhất và lớn nhất của chuỗi sau khi được chuẩn hóa. Độ đo xoắn thời gian động. Trong trường hợp hai mẫu cần so sánh có hai đường biểu diễn không hoàn toàn giống nhau nhưng hình dạng biến đổi rất giống nhau thì khi so sánh độ tương tự giữa hai mẫu bằng cách so sánh từng cặp điểm 1-1 (so điểm thứ i của đường thứ nhất và điểm thứ i của đường thứ hai) là không phù hợp. Hình 1.3 minh họa hai đường biểu diễn rất giống nhau về hình dạng nhưng lệch nhau về thời gian. Trong trường hợp này, nếu tính khoảng cách bằng cách ánh xạ 1-1 giữa hai đường thì kết quả rất khác nhau và có thể dẫn đến kết quả cuối cùng không giống như mong muốn. Vì vậy để khắc phục nhược điểm này, một điểm có thể ánh xạ với nhiều điểm và ánh xạ này không thẳng hàng. Phương pháp này gọi là xoắn thời gian động (Dynamic Time Warping - DTW) [5]. Hình 1.3 Khoảng cách giữa hai đường biểu diễn rất giống nhau về hình dạng nhưng lệch nhau về thời gian. (a) tính theo độ đo Euclid và (b) tính theo độ đo DTW ([26]). 10
14. Cách tính DTW Cách đơn giản nhất để tính DTW của hai đường X và Y là ta xây dựng ma trận Dm x n với m = |X| và n= |Y|. Khi đó, Dij = d(xi , yj ). Sau khi xây dựng ma trận D , ta tìm đường đi từ ô (0,0) đến ô (m,n) thỏa mãn những ràng buộc sau: - Không được đi qua trái hay đi xuống - Đường đi phải liên tục - Ô (i,j) thuộc đường đi phải thỏa |i - j| <= w Giả sử có K ô đi từ ô (0,0) đến ô (m,n) thỏa mãn những điều kiện trên, khi đó: Tuy nhiên, ta có thể dùng quy hoạch động để giải quyết bài toán này. Trong đó, công thức truy hồi để tính D(i, j): Độ đo tương tự DTW có ưu điểm là cho kết quả chính xác hơn so với độ đo Eu- clid và cho phép nhận dạng mẫu có hình dạng giống nhau nhưng chiều dài hình dạng về thời gian có thể khác nhau. Độ đo tương tự này có nhược điểm là thời gian chạy lâu, tuy nhiên gần đây đã có những công trình tăng tốc độ tìm kiếm tương tự dùng độ đo DTW, tiêu biểu nhất là công trình của Keogh và các cộng sự, năm 2002 [27]. Hình 1.4 minh họa cách tính khoảng cách theo DTW. Hình 1.4 Minh họa cách tính khoảng cách theo DTW. 11
15. 1.2.2 Thu giảm số chiều chuỗi thời gian. Thu giảm số chiều là phương pháp biểu diễn chuỗi thời gian n chiều X = {x1, x2, , xn} thành chuỗi thời gian có N chiều Y = {y1, y2, , yN} với N << n, nhưng vẫn phải giữ được các đặc trưng của chuỗi thời gian ban đầu. Với N càng lớn thì sự khôi phục càng chính xác. Dữ liệu chuỗi thời gian thường rất lớn nên việc tìm kiếm trực tiếp trên dữ liệu chuỗi thời gian gốc sẽ không hiệu quả. Để khắc phục vấn đề này, cách tiếp cận chung thường được sử dụng bao gồm các bước sau: 1. Áp dụng một số phương pháp biến đổi xấp xỉ để thu giảm độ lớn của dữ liệu sao cho vẫn giữ được các đặc trưng của dữ liệu. Các phương pháp biến đổi xấp xỉ này thường được gọi là những phương pháp thu giảm số chiều (dimensionality reduc- tion). 2. Thực hiện bài toán trên dữ liệu xấp xỉ, ta thu được tập kết quả xấp xỉ. 3. Dựa trên tập kết quả xấp xỉ này, thực hiện truy cập đĩa để thực hiện hậu kiểm trên dữ liệu gốc nhằm loại bỏ các chuỗi tìm sai trong tập kết quả xấp xỉ. Điều kiện chặn dưới. Do khi xấp xỉ dữ liệu sẽ gây ra mất mát thông tin, nên khi thực hiện trên dữ liệu xấp xỉ có thể xảy ra lỗi tìm sót (false dismissal) và/hoặc tìm sai (false alarm). Để đảm bảo có kết quả chính xác, lỗi tìm sót không được phép xảy ra. Mặt khác, lỗi tìm sai cũng nên thấp để giảm chi phí trong quá trình hậu kiểm. Một kết quả quan trọng đã được Faloutsos và các cộng sự chứng minh là để không xảy ra lỗi tìm sót thì độ đo khoảng cách sử dụng trong không gian xấp xỉ (đặc trưng) phải là chặn dưới của độ đo khoảng cách sử dụng trong không gian gốc [11]. Nghĩa là, dfeature (X’, Y’) ≤ d(X, Y) với dfeature (X’, Y’) là độ đo khoảng cách giữa hai chuỗi xấp xỉ của hai chuỗi ban đầu X, Y và d(X, Y) là độ đo khoảng cách giữa hai chuỗi X, Y. Điều kiện này được gọi là bổ đề chặn dưới (lower bounding lemma). 1.2.3 Các phương pháp thu giảm số chiều dựa vào rút trích đặc trưng. Có nhiều phương pháp thu giảm số chiều đã được đề xuất. Dưới đây chúng tôi sẽ trình bày một số phương pháp tiêu biểu. 12
16. Phương pháp biến đổi Fourier rời rạc. Kỹ thuật thu giảm số chiều áp dụng phương pháp DFT do Agrawal và các cộng sự đề xuất đầu tiên năm 1993 [1]. Ý tưởng cơ bản của phương pháp này là để thu giảm số chiều một chuỗi thời gian X có chiều dài n vào không gian đặc trưng N chiều (N << n), chuỗi thời gian ban đầu được biến đổi thành tập các hệ số (gọi là hệ số Fourier), các hệ số này có dạng sóng hình sin (và/hoặc cosin) và được tính theo công thức sau: n 1 1 j2 kt Ck  xte (1.4) n t 0 (1.4) Trong đó, Ck là số phức với k = 0, , n-1, xt là giá trị thứ t của chuỗi thời gian, t = 0, , n-1 và j 1. Hình 1.5 Minh họa phương pháp DFT ([28]). Sau đó tổ hợp tuyến tính các sóng này ta có được dạng biểu diễn mong muốn (Hình 1.5). Một chuỗi thời gian được biến đổi theo cách này gọi là biến đổi vào miền tần số. Độ phức tạp của phép biến đổi Fourier nhanh (Fast Fourier Transform-FFT) là O(nlogn) với n là số lượng điểm và phương pháp này thích hợp với các loại đường biểu diễn dữ liệu khác nhau, tuy nhiên chúng cũng có nhược điểm là khó giải quyết khi các chuỗi có chiều dài khác nhau. Phương pháp biến đổi Wavelet rời rạc. Phương pháp DWT do Chan và Fu đề xuất năm 1999 [7]. Phương pháp này giống như DFT, tuy nhiên trong khi hàm cơ sở của phương pháp DFT có dạng hình sin và các hệ số Fourier luôn biểu diễn sự phân bố toàn cục của dữ liệu, thì hàm cơ sở thường được dùng trong phương pháp DWT là hàm Haar như trong Hình 1.6 và các hệ số Wavelet là những đoạn con cục bộ theo thời gian của dữ liệu được nghiên cứu. 13
17. Ngoài sử dụng hàm Haar, phương pháp DWT có thể sử dụng các hàm cơ sở khác như Daubechies, Coiflet, Symmlet, . Tuy nhiên, Haar Wavalet đã được sử dụng rất nhiều trong khai phá dữ liệu chuỗi thời gian [40]. Hình 1.6 Minh họa phương pháp Haar Wavelet ([28]). Phương pháp DWT rất hiệu quả vì nó mã hóa đơn giản và nhanh. Phương pháp này cũng thích hợp với những dữ liệu tĩnh ít thay đổi do đường Haar không thay đổi liên tục. Độ phức tạp của phép biến đổi DWT là O(n), với n là chiều dài của chuỗi thời gian. Nhược điểm của phương pháp này là chiều dài chuỗi dữ liệu ban đầu phải là một số lũy thừa 2. Phương pháp xấp xỉ gộp từng đoạn. Phương pháp xấp xỉ gộp từng đoạn (PAA) do Keogh và cộng sự đề xuất năm 2000 [28]. Theo phương pháp này, chuỗi thời gian ban đầu được chia thành N đoạn con có kích thước bằng nhau, sau đó tính trung bình của các điểm dữ liệu nằm trong mỗi đoạn con. Như vậy, chuỗi thời gian được xấp xỉ bằng N giá trị trung bình đó. Kết quả cuối cùng là đường thẳng có dạng bậc thang. Cho chuỗi dữ liệu thời gian X = (x1, x2, , xn ), phương pháp PAA sẽ biến đổi chuỗi này thành chuỗi X ( x 1 , x 2 , , x N ) với (N<<n) theo công thức sau: n i N N (1.5) xxij  n n ji ( 1) 1 N (1.5) Ưu điểm của phương pháp này là đơn giản, thời gian tính toán rất nhanh và cách biểu diễn của nó hỗ trợ nhiều phương pháp tính khoảng cách (Euclid, DTW). Nhưng nhược điểm của nó là phương pháp có thể bỏ qua những điểm đặc biệt trong từng đoạn 14
18. xấp xỉ của chuỗi thời gian. Vì vậy, trong nhiều trường hợp các đoạn có giá trị trung bình bằng nhau nhưng về khoảng cách Euclid rất khác nhau. Hình 1.7 minh họa phương pháp này. Hình 1.7 Minh họa phương pháp PAA ([28]). Hình 1.8 là hai ví dụ minh họa cho các trường hợp này. Nhược điểm này làm cho PAA không thích hợp với một số dữ liệu chuỗi thời gian trong lĩnh vực tài chính [33]. Ngoài ra, chặn dưới của phương pháp PAA cũng chưa thật sự chặt. Đường trung bình Đường trung bình (b) (a) Hình 1.8 Các trường hợp hai đoạn có cùng giá trị trung bình nhưng khoảng cách Euclid khác nhau. Năm 2001, Keogh và các cộng sự đưa ra một cách tiếp cận tổng quát hơn so với PAA. Phương pháp này được gọi là xấp xỉ hằng số từng đoạn thích nghi (APCA – Adaptive Piecewise Constant Approximation) [29], nó cho phép các đoạn con có chiều dài khác nhau nhằm xấp xỉ tốt hơn chuỗi thời gian. Phương pháp điểm cực trị. Năm 2003, Fink and Pratt đã đề xuất một kỹ thuật thu giảm số chiều dựa trên việc trích các điểm quan trọng trong chuỗi thời gian [12]. Các điểm quan trọng được lấy là các điểm cực đại và cực tiểu quan trọng và bỏ qua các điểm biến đổi nhỏ. Tỉ số nén được kiểm soát bằng tham số R > 1. Khi tăng R sẽ có ít điểm được lấy hơn. Các điểm cực trị quan trọng được định nghĩa như sau: 15
19. Điểm am trong chuỗi a1, , an được gọi là một cực tiểu quan trọng nếu có một cặp chỉ số i, j sao cho i m j, mà: am là cực tiểu trong đoạn ai aj và ai /am R và aj /am R. Tương tự, điểm am trong chuỗi a1, , an được gọi là một cực đại quan trọng nếu có một cặp chỉ số i, j sao cho i m j, mà: am là cực đại trong đoạn ai aj và am /ai R và am /aj R. Fink và Gandhi [13] đã đề xuất giải thuật trích ra những điểm cực trị quan trọng, giải thuật này có độ phức tạp O(n). Nó quét qua chuỗi thời gian một lần và không cần qua giai đoạn tiền xử lý. Phương pháp PIP. Năm 2001, Chung và các cộng sự đưa ra kỹ thuật thu giảm số chiều dựa vào các điểm PIP (Perceptually Important Points) [8]. Giải thuật xác định các điểm PIP như sau: Với một chuỗi thời gian T đã được chuẩn hóa, hai điểm PIP đầu tiên được chọn là điểm đầu tiên và điểm cuối cùng của chuỗi T. Điểm PIP thứ ba được chọn là điểm trong T có khoảng cách lớn nhất so với hai điểm PIP đầu tiên. Điểm PIP thứ tư được chọn là điểm trong T có khoảng cách lớn nhất so với hai điểm PIP kế cận đã chọn (có thể là điểm đầu và điểm thứ ba hoặc điểm thứ ba và điểm cuối). Tiến trình xác định các điểm PIP tiếp tục cho đến khi số điểm PIP đạt được số điểm yêu cầu. Khoảng cách giữa một điểm trong T với hai điểm PIP kế cận đã chọn là khoảng cách thẳng đứng (Vertical Distance) từ điểm cần tính tới đường nối hai điểm PIP kế cận đã chọn. Những ưu điểm của phương pháp thu giảm số chiều dựa vào điểm quan trọng là (1) phù hợp với trực giác, (2) các chuỗi thời gian có chiều dài khác nhau có thể so trùng và (3) có thể thu giảm số chiều ở nhiều mức phân giải khác nhau. Thông qua thực nghiệm các tác giả cho thấy rằng cách tiếp cận dựa vào các điểm quan trọng là hiệu quả. Tuy nhiên, họ chưa chứng minh về mặt lý thuyết tính chính xác của phương pháp này, tức là thỏa được điều kiện chặn dưới. Ngoài ra, các phương pháp thu giảm số chiều dựa vào điểm quan trọng còn có một nhược điểm khác là không đề xuất được cấu trúc chỉ mục đa chiều nào hỗ trợ. Hình 1.9 minh họa quá trình nhận dạng các điểm PIP trên một chuỗi thời gian. 16
20. Hình 1.9 Minh họa quá trình nhận dạng các điểm PIP ([8]). Phương pháp xén dữ liệu. Phương pháp xén dữ liệu (Clipping) do Ratanamahatana và các cộng sự đề xuất năm 2005 [42]. Xén dữ liệu là một tiến trình biến đổi các giá trị số thực của một chuỗi thời gian C = (c1, , cn) thành một chuỗi bit b tùy thuộc giá trị đó nằm trên hay dưới đường trung bình của chuỗi. Quá trình biến đổi được thực hiện theo công thức sau: 1 nếu ct >  (1.6) bt 0 ngược lại (1.6) trong đó,  là giá trị trung bình của chuỗi. Không mất tính tổng quát, tác giả giả định rằng  = 0. Hình 1.10 minh họa kỹ thuật xén dữ liệu một chuỗi thời gian. Ưu điểm của kỹ thuật xén dữ liệu là (1) giữ được đặc trưng về hình dạng xấp xỉ của chuỗi thời gian, (2) có tỉ số nén cao tối thiểu là 32:1, (3) cho phép so sánh trực tiếp giữa chuỗi truy vấn gốc và biễu diễn xấp xỉ đồng thời vẫn thỏa điều kiện chặn dưới, (4) có thể sử dụng các phép toán chuyên dụng trên chuỗi bit. Tuy nhiên, kỹ thuật này có một số nhược điểm là (1) không hỗ trợ người dùng tùy chọn tỉ lệ thu giảm số chiều, (2) không có cấu trúc chỉ mục đa chiều hỗ trợ cho bài toán tìm kiếm tương tự trong cơ sở dữ liệu chuỗi thời gian lớn. Hình 1.10 Minh họa kỹ thuật xén dữ liệu một chuỗi thời gian có chiều dài 64 ([42]). 17
21. Phương pháp MP_C (Middle points_clipping). Phương pháp MP_C do Sơn và Anh đề xuất năm 2011 [44]. Phương pháp này dựa trên việc chia chuỗi có chiều dài n thành N đoạn (segment) với N << n. Một số điểm trong mỗi đoạn sẽ được chọn. Việc chọn các điểm này nhằm mục đích tăng độ chặt chặn dưới của phương pháp đề xuất so với phương pháp thông dụng PAA đồng thời có thể lưu trữ hình dạng xấp xỉ của chuỗi. Số đoạn càng lớn và số điểm trong mỗi đoạn được chọn càng nhiều thì độ chặt chặn dưới càng cao. Để tiết kiệm không gian lưu trữ, các điểm được chọn này được biến đổi thành chuỗi nhị phân, trong đó mỗi bit được lưu trữ là 0 hay 1 tùy thuộc giá trị của điểm nằm trên hay dưới đường trung bình của đoạn chứa điểm đó. Chuỗi bit cùng với giá trị trung bình của các đoạn sẽ được lưu giữ làm đặc trưng của chuỗi. Các điểm trong mỗi đoạn có thể được chọn theo một qui luật nào đó theo trục thời gian, chẳng hạn để lấy l điểm trong mỗi đoạn, ta có thể lấy l điểm đầu hoặc cuối mỗi đoạn hoặc chọn l điểm quan trọng (như của phương pháp PIP) hay chia đoạn thành l đoạn con rồi chọn điểm giữa của mỗi đoạn con. Nếu chọn l điểm đầu hay cuối trong mỗi đoạn tuy làm cho tăng độ chặt chặn dưới nhưng vì các điểm dữ liệu được chọn không phân bố đều trên đoạn nên không thể hiện được hình dạng xấp xỉ của đoạn đó. Nếu chọn theo l điểm PIP, tuy có thể thể hiện hình dạng xấp xỉ của đoạn nhưng phí tổn về thời gian sẽ tăng cao khi số điểm được chọn tăng (thu giảm số chiều theo cách này có độ phức tạp là O(nlog2k), với n là chiều dài chuỗi thời gian và k là số điểm quan trọng được chọn trong mỗi đoạn). Nếu chọn theo điểm giữa của l đoạn con, ngoài việc tăng độ chặt của chặn dưới ta có thể lưu được hình dạng xấp xỉ của đoạn, nhưng độ phức tạp tính toán vẫn là O(n), tương đương với độ phức tạp tính toán của phương pháp PAA hay xén dữ liệu. Trong đề tài này, chúng tôi thực hiện theo cách chọn điểm giữa của l đoạn con. Với phương pháp MP_C, khi xem xét độ tương tự giữa hai chuỗi, ta có thể xem xét độ tương tự về mặt giá trị kết hợp với tương tự về mặt hình dạng bằng cách tịnh tiến cho hai đường trung bình của các đoạn tương ứng trùng nhau rồi so sánh các điểm được chọn dựa trên các bit biểu diễn và cộng thêm khoảng cách giữa các trung bình đoạn. Để biểu diễn chuỗi thời gian dựa vào phương pháp MP_C ta thực hiện như sau: 18
22. S K L 0 0 2 1 5 4