Comparison of Strategies for Multi-step-ahead Forecasting of Time Series using Machine-Learning based Prediction Models

Assoc. Prof. Dr. Duong Tuan Anh

Trường Đại học Ngoại ngữ - Tin học TP.HCM

If the one-step ahead forecasting of a time series is already a challenging task, performing multi-step ahead forecasting is more difficult. Several approaches that deal with this complex problem have been proposed in literature: recursive (or iterated) strategy, direct strategy,  combination of both the recursive and direct strategies, called DirREC, the Multi-Input Multi-Output (MIMO) strategy, and the last strategy, called DirMO which aims to preserve the advantageous aspects of both the Direct and MIMO strategies. This article aims to review existing strategies for multi-step ahead forecasting using machine-learning-based prediction models and compare their performances empirically. To attain such an objective, we performed several experiments of these different strategies on sevevel benchmark datasets using three different prediction models: k-neareast-neighbors, neural network and deep neural network. The most consistent findings are that the MIMO strategy is better than all the other strategies for multi-step ahead forecasting using machine-learning-based prediction models. 

Sử dụng trí tuệ nhân tạo cho quy trình hiệu chuẩn hóa học (Chemometrics)
Ứng dụng trong đề tài quốc gia Fadoto
(mã số ĐĐTL.CN-33/20 – Bộ khoa học công nghệ)
Lê Thành Nhân – Viện Công Nghệ Quốc Tế DNIIT – Đại Học Đà Nẵng
ltnhan@dniit.udn.vn

Hiệu chuẩn hóa học (Chemometrics) là ngành khoa học sử dụng những phương pháp mô hình hóa toán học và các dữ liệu thử nghiệm, để chuyển đổi một bài toán định tính trong các lĩnh vực khác nhau như hóa học, vật lý, kinh tế, xã hội, … sang một bài toán định lượng, có thể giải quyết bằng các công cụ toán học, thống kê, khoa học dữ liệu, máy tính. Ngành Hiệu chuẩn hóa học đã và đang nhận được sự quan tâm lớn từ các nhà nghiên cứu, nhất là trong các bài toán dự báo, kiểm tra nhanh. Một trong những khó khăn để sử dụng các phương pháp của Hiệu chuẩn hóa học là thiếu công cụ tin học hỗ trợ các nhà nghiên cứu trong việc xử lý dữ liệu cũng như trong thiết lập các mô hình định lượng tối ưu. Trong bài báo cáo này, chúng tôi xin trình bày nền tảng công nghệ thông tin (CNTT) CHAMAN, một giải pháp tin học hóa quá trình xây dựng các mô hình định lượng học máy tối ưu theo quy trình của Hiệu chuẩn hóa học. Nền tảng CNTT này được phát triển và ứng dụng bởi nhóm nghiên cứu của đề tài quốc gia FADOTO (mã số ĐĐTL.CN-33/20 – Bộ khoa học công nghệ) tại Viện Công nghệ Quốc tế DNIIT, Đại học Đà Nẵng (Viện DNIIT). Báo cáo cũng đề cập mô hình hoạt động của Viện DNIIT dựa trên các hợp tác quốc tế giữa Đại học Đà Nẵng và Đại học Côte d’Azur Pháp (UCA).

Xử lý văn bản quy phạm pháp luật tiếng Việt

Từ Minh Phương, Ngô Xuân Bách

Học viện Công nghệ Bưu chính Viễn thông

Văn bản quy phạm pháp luật, còn gọi là văn bản pháp quy, đóng vai trò quan trọng ở mọi quốc gia, là hình thức pháp luật thành văn nhằm điều chỉnh các hành vi trong xã hội. Văn bản pháp quy có nhiều loại, như Hiến pháp do Quốc hội ban hành, các nghị định, thông tư, nghị quyết, quyết định, được soạn thảo bằng ngôn ngữ tự nhiên nhưng tuân theo một số quy tắc nhất định. Xử lý (tự động) văn bản pháp quy bao gồm một số bài toán khác nhau, từ tìm kiếm, xác định tham chiếu, tới hỏi đáp tự động, phát hiện mâu thuẫn v.v. Các bài toán này xuất hiện trong nhiều ngữ cảnh, bao gồm các tình huống đơn giản như tra cứu văn bản luật, hay trong những ứng dụng phức tạp hơn như tư vấn pháp luật tự động, hỗ trợ xây dựng văn bản luật tại cơ quan chuyên trách. Trong báo cáo này, chúng tôi trình bày kết quả giải quyết một số bài toán xử lý văn bản pháp quy tiếng Việt. Cách tiếp cận chủ yếu dựa trên các phương pháp học sâu đang được dùng nhiều trong xử lý ngôn ngữ tự nhiên. Báo cáo cũng giới thiệu bộ dữ liệu văn bản pháp quy tiếng Việt do nhóm nghiên cứu xây dựng và phân tích một số hướng phát triển đối với lĩnh vực xử lý ngôn ngữ tự nhiên quan trọng này.