Tóm tắt Luận án Tiến sĩ Hệ thống thông tin: Nghiên cứu phương pháp giảm chiều biến dựa trên hàm nhân và ứng dụng trong bài toán dự báo kim ngạch xuất khẩu

Mục đích nghiên cứu của tóm tắt luận án "Nghiên cứu phương pháp giảm chiều biến dựa trên hàm nhân và ứng dụng trong bài toán dự báo kim ngạch xuất khẩu" là nghiên cứu đề xuất phương pháp giảm chiều biến hiệu quả trên các tập dữ liệu chuỗi thời gian lớn và ứng dụng của chúng trong dự báo trong lĩnh vực kinh tế - tài chính. Mời các bạn cùng tham khảo!
Nội dung trích xuất từ tài liệu:
Tóm tắt Luận án Tiến sĩ Hệ thống thông tin: Nghiên cứu phương pháp giảm chiều biến dựa trên hàm nhân và ứng dụng trong bài toán dự báo kim ngạch xuất khẩu BỘ GIÁO DỤC VIỆN HÀN LÂM KHOA HỌC VÀ ĐÀO TẠO VÀ CÔNG NGHỆ VIỆT NAM HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ Nguyễn Minh HảiNGHIÊN CỨU PHƯƠNG PHÁP GIẢM CHIỀU BIẾN DỰA TRÊNHÀM NHÂN VÀ ỨNG DỤNG TRONG BÀI TOÁN DỰ BÁO KIM NGẠCH XUẤT KHẨUTÓM TẮT LUẬN ÁN TIẾN SĨ NGÀNH HỆ THỐNG THÔNG TIN Mã số: 9 48 01 04 Hà Nội - 2024Công trình được hoàn thành tại: Học viện Khoa học và Công nghệ,Viện Hàn lâm Khoa học và Công nghệ Việt NamNgười hướng dẫn khoa học:Người hướng dẫn 1: PGS.TS. Đỗ Văn Thành, Khoa CNTT, Đại Học Duy TânNgười hướng dẫn 2: PGS.TS. Nguyễn Đức Dũng, Viện Công nghệ thông tin Phản biện 1: PGS.TS. Phản biện 2: PGS.TS. Phản biện 3: PGS.TS.Luận án được bảo vệ trước Hội đồng đánh giá luận án tiến sĩ cấp Học viện họp tạiHọc viện Khoa học và Công nghệ, Viện Hàn lâm Khoa học và Công nghệ ViệtNam vào hồi … giờ …, ngày … tháng … năm 2024.Có thể tìm hiểu luận án tại:1. Thư viện Học viện Khoa học và Công nghệ2. Thư viện Quốc gia Việt Nam DANH MỤC CÁC BÀI BÁO ĐÃ XUẤT BẢN LIÊN QUAN ĐẾN LUẬN ÁN1. Thanh, D. Van, Hai, N. M., & Hieu, D. D. Building unconditional forecast model of Stock Market Indexes using combined leading indicators and principal components: application to Vietnamese Stock Market. Indian Journal of Science & Technology, 11(2), 2018. https://doi. org/10.17485/ijst/2018/v11i2/104908.2. Hai, N. M., Thanh, D. Van, & Dung, N. D. Building Export Forecast Model Using a Kernel-based Dimension Reduction Method. Economic Computation and Economic Cybernetics Studies and Research, 56(1), pp.91–106, 2022. https://doi.org/10.24818/18423264/56.1.22.06.3. Thanh, D. Van, & Hai, N. M. The performance of a kernel-based variable dimension reduction method. In Nature of Computation and Communication: 8th EAI International Conference, ICTCC 2022, Cham: Springer Nature Switzerland, 2023. https://doi.org/10.1007/978-3-031- 28790-9_4.4. Nguyễn Minh Hải, Đỗ Văn Thành và Nguyễn Đức Dũng. Xây Dựng Mô Hình Dự Báo Không Điều Kiện Sử Dụng Phương Pháp Giảm Chiều Biến Dựa Vào Thủ Thuật Kernel, Proceedings of the 15th National Conference on Fundamental and Applied Information Technology, pp. 211-218, 2022. https://doi.org/ 10.15625/vap.2022.02265. Thanh, D. Van, & Hai, N. M. Forecast of the VN30 Index by Day Using a Variable Dimension Reduction Method Based on Kernel Tricks. In Nature of Computation and Communication: 7th EAI International Conference, ICTCC 2021, Virtual Event, October 28–29, 2021, Proceedings 7, pp. 83- 94. Springer International Publishing, 2021. https://doi.org/10.1007/978-3- 030-92942-8_86. Đỗ Văn Thành và Nguyễn Minh Hải. Dự báo trên tập dữ liệu chuỗi thời gian lớn sử dụng phương pháp giảm chiều dựa vào hàm kernel và ứng dụng. Hội thảo quốc gia lần thứ 25: Một số vấn đề chọn lọc của công nghệ thông tin và truyền thông, pp. 48-54, 2022. MỞ ĐẦU1. Cơ sở và động lực nghiên cứu Các tập dữ liệu thế giới thực trong lĩnh vực kinh tế - tài chính thường là dữ liệu chuỗi thờigian ở đó số lượng các biến nói chung là lớn, thậm chí lớn hơn nhiều số quan sát, và người ta khôngthể xây dựng được mô hình dự báo và thực hiện dự báo trên các tập dữ liệu như vậy bằng các kỹthuật thống kê. Để vượt qua thách thức này hiện có hai cách tiếp cận chủ yếu nhất là học sâu vàgiảm chiều dữ liệu. Cách tiếp cận học sâu được xem là phù hợp nhất trên tập dữ liệu chuỗi thời gian là sử dụngmô hình học sâu mạng nơtron bộ nhớ ngắn dài (LSTM) (C. Zhang et al., 2024), (Sako et al., 2022),(Zaheer et al., 2023), (Hopp, 2022), mô hình mạng các đơn vị định kỳ kiểm soát (GRU) (Torres etal., 2021), và mô hình transformer chuỗi thời gian (Ahmed et al., 2023), (Wen et al., 2022). Các môhình học sâu LSTM và GRU bị hạn chế trong việc xử lý dữ liệu tuần tự đầu vào có sự phụ thuộc lâudài, trong liên kết các công thức lan truyền ngược theo thời gian, trong xử lý tính mùa vụ và gặpvấn đề về số biến lớn và độ dốc (gradient) (Vaswani et al., 2017). Theo nghiên cứu (Kapetanios etal., 2018), các mô hình LSTM và GRU phù hợp với những bài toán dự báo trên tập dữ liệu ở đó sốlượng quan sát lớn nhưng số lượng các biến không quá lớn. Mô hình học sâu Transformers có ưuđiểm nắm bắt được sự phụ thuộc và tương tác ở phạm vi dài giữa các biến nên đang thu hút nghiêncứu sử dụng mô hình này trong dự báo chuỗi thời gian. Các kết quả đạt được của mô hìnhtransformer chuỗi thời gian mới ở mức ban đầu (Wen et al., 2022). Thông qua nghiên cứu thựcnghiệm, nghiên cứu (Zeng et al., 2023) cho thấy mô hình dựa trên mạng nơtron đa lớp đơn giản vẫncó thể đạt ...