AI_Application_Time_Series_Forecasting_Slides.pptx

AI Application Time Series Forecasting Slides

1. Dự Báo Chuỗi Thời Gian Sử Dụng AI Giới thiệu về AI và cách xây dựng ứng dụng AI dự báo chuỗi thời gian

2. Giới thiệu về AI và ứng dụng trong dự báo chuỗi thời gian AI (Trí tuệ nhân tạo) là một lĩnh vực trong khoa học máy tính nghiên cứu về việc tạo ra các hệ thống có khả năng học hỏi và thực hiện các nhiệm vụ thông minh như con người. Ứng dụng AI trong dự báo chuỗi thời gian: - Dự báo giá cổ phiếu, nhiệt độ, lưu lượng giao thông. - Ứng dụng trong kinh tế, y tế, năng lượng.

3. Các mô hình AI phổ biến trong dự báo chuỗi thời gian 1. ARIMA (AutoRegressive Integrated Moving Average): Mô hình thống kê truyền thống. 2. LSTM (Long Short-Term Memory): Mạng nơ-ron hồi tiếp, hiệu quả trong việc học các mẫu dài hạn. 3. Prophet: Mô hình của Facebook, dễ sử dụng cho dữ liệu có mùa vụ rõ rệt. 4. XGBoost: Mô hình cây quyết định, mạnh mẽ trong việc xử lý dữ liệu phức tạp.

4. Quy trình xây dựng ứng dụng AI dự báo chuỗi thời gian 1. Thu thập dữ liệu - Sử dụng API như yfinance để lấy dữ liệu cổ phiếu. - Dữ liệu có thể ở dạng CSV hoặc từ cơ sở dữ liệu. 2. Tiền xử lý dữ liệu: - Điền giá trị thiếu. - Chuẩn hóa dữ liệu. - Chuyển đổi dữ liệu thành dạng phù hợp với mô hình. 3. Xây dựng mô hình: - Chọn mô hình phù hợp (ARIMA, LSTM, Prophet, XGBoost). - Huấn luyện mô hình trên dữ liệu huấn luyện. - Đánh giá mô hình trên dữ liệu kiểm tra. 4. Triển khai ứng dụng: - Sử dụng Streamlit để xây dựng giao diện người dùng. - Cho phép người dùng tải lên dữ liệu và nhận dự báo.

5. Giới thiệu về dự án GitHub 1. [Time-Series-Forecasting-LSTM-Streamlit](https://github.com/harshitv804/Time-Series-Forecasting-LSTM-Streamlit) - Mô tả: Ứng dụng dự báo chuỗi thời gian sử dụng LSTM và Streamlit. - Tính năng: Hỗ trợ dự báo một bước và nhiều bước, hiển thị đồ thị tương tác. - Cài đặt: ```bash pip install -r requirements.txt streamlit run app.py ``` 2. [Multi-step Time Series Forecasting](https://github.com/00ber/multi-step-time-series-forecasting) - Mô tả: Dự báo thời tiết theo giờ tại Washington DC. - Mô hình: Sử dụng LSTM cho dự báo nhiều bước. - Cài đặt: ```bash pip install -r requirements.txt python train.py ```

6. Ví dụ mã nguồn Tiền xử lý dữ liệu: ```python import pandas as pd # Đọc dữ liệu data = pd.read_csv('data.csv') # Điền giá trị thiếu data.fillna(method='ffill', inplace=True) # Chuẩn hóa dữ liệu from sklearn.preprocessing import MinMaxScaler scaler = MinMaxScaler() data_scaled = scaler.fit_transform(data[['value']]) ``` Xây dựng mô hình LSTM: ```python from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense # Xây dựng mô hình model = Sequential() model.add(LSTM(50, activation='relu', input_shape=(X_train.shape[1], X_train.shape[2]))) model.add(Dense(1)) model.compile(optimizer='adam', loss='mean_squared_error') # Huấn luyện mô hình model.fit(X_train, y_train, epochs=100, batch_size=32) ```

7. Triển khai ứng dụng với Streamlit ```python import streamlit as st import matplotlib.pyplot as plt # Tải dữ liệu uploaded_file = st.file_uploader("Tải lên tệp CSV", type="csv") if uploaded_file is not None: data = pd.read_csv(uploaded_file) st.write(data) # Dự báo forecast = model.predict(data) # Hiển thị đồ thị plt.plot(forecast) st.pyplot() ```

8. Đánh giá mô hình - Đánh giá mô hình: - Sử dụng các chỉ số như MAE, RMSE để đánh giá hiệu suất mô hình. - So sánh giữa các mô hình để chọn mô hình tốt nhất. - Tối ưu hóa mô hình: - Điều chỉnh siêu tham số như số lớp LSTM, số epoch, kích thước batch. - Sử dụng kỹ thuật như Grid Search hoặc Random Search để tìm kiếm siêu tham số tối ưu.

9. Hướng phát triển tiếp theo - Mở rộng ứng dụng: - Hỗ trợ nhiều loại dữ liệu khác nhau (ví dụ: dữ liệu bán hàng, lưu lượng giao thông). - Tích hợp với các dịch vụ đám mây để triển khai ứng dụng. - Nâng cao mô hình: - Sử dụng các mô hình tiên tiến như Transformer, N-BEATS. - Kết hợp với các kỹ thuật học sâu khác để cải thiện hiệu suất.