Đồ án tốt nghiệp - Dự báo chuỗi thời gian bằng mô hình lai ghép Feedforward Neural Nextork và KN

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HỒ CHÍ MINH
KHOA CÔNG NGHỆ THÔNG TIN
BỘ MÔN KỸ THUẬT DỮ LIỆU

LÝ QUỐC DŨNG - 19133015
BÙI THỊ NGÂN TUYỀN - 19133066

Đề Tài:
DỰ BÁO CHUỖI THỜI GIAN BẰNG MÔ HÌNH LAI GHÉP
FEEDFORWARD NEURAL NETWORK VÀ K-NEAREST NEIGHBORS
LUẬN VĂN TỐT NGHIỆP

GIÁO VIÊN HƯỚNG DẪN
TS. NGUYỄN THÀNH SƠN
KHÓA 2019 – 2023

TP. Hồ Chí Minh, tháng 07 năm 2023

1

ĐH SƯ PHẠM KỸ THUẬT TP.HCM
KHOA CÔNG NGHỆ THÔNG TIN
******

CỘNG HÒA XHCN VIỆT NAM
Độc lập – Tự do – Hạnh phúc
******

PHIẾU NHẬN XÉT CỦA GIẢNG VIÊN HƯỚNG DẪN
Họ và tên Sinh viên 1: Lý Quốc Dũng

MSSV 1: 19133015

Họ và tên Sinh viên 2: Bùi Thị Ngân Tuyền

MSSV 2: 19133066

Chuyên ngành: Kỹ thuật dữ liệu
Tên đề tài: Dự báo chuỗi thời gian bằng mô hình lai ghép FFNN và KNN.
Họ và tên giảng viên hướng dẫn: TS. Nguyễn Thành Sơn
NHẬN XÉT
1. Về nội dung đề tài và khối lượng thực hiện:

2. Ưu điểm:

3. Khuyết điểm:

4. Đề nghị cho bảo vệ hay không?
5.

Đánh giá loại:

6. Điểm:
TP. Hồ Chí Minh, tháng 07 năm 2023
Giảng viên hướng dẫn
(Ký &amp ghi rõ họ tên)

3

ĐH SƯ PHẠM KỸ THUẬT TP.HCM
KHOA CÔNG NGHỆ THÔNG TIN
******

CỘNG HÒA XHCN VIỆT NAM
Độc lập – Tự do – Hạnh phúc
******

PHIẾU NHẬN XÉT CỦA GIẢNG VIÊN PHẢN BIỆN
Họ và tên Sinh viên 1: Lý Quốc Dũng

MSSV 1: 19133015

Họ và tên Sinh viên 2: Bùi Thị Ngân Tuyền

MSSV 2: 19133066

Chuyên ngành: Kỹ thuật dữ liệu
Tên đề tài: Dự báo chuỗi thời gian bằng mô hình lai ghép FFNN và KNN.
Họ và tên giảng viên phản biện: ThS. Lê Thị Minh Châu
NHẬN XÉT
1. Về nội dung đề tài và khối lượng thực hiện:

2. Ưu điểm:

3. Khuyết điểm:

4. Đề nghị cho bảo vệ hay không?
5. Đánh giá loại:
6. Điểm:
TP. Hồ Chí Minh, tháng 07 năm 2023
Giảng viên phản biện
(Ký &amp ghi rõ họ tên)

4

LỜI CẢM ƠN
Lời đầu tiên nhóm xin phép được gửi lời cảm ơn sâu sắc nhất đến với Khoa Công
Nghệ Thông Tin – Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh đã tạo
điều kiện cho nhóm chúng em được học tập, phát triển nền tảng kiến thức thực hiện đề
tài này.
Bên cạnh đó nhóm chúng em xin gửi đến thầy Nguyễn Thành Sơn lời cảm ơn
chân thành nhất, nhóm chúng em rất biết ơn khi thầy đã nhận lời hướng dẫn và giúp đỡ
nhóm chúng em trong suốt quá trình thực hiện luận văn tốt nghiệp của mình. Trong quá
trình thực hiện thầy đã tận tâm chỉ bảo, cho nhóm những lời khuyên hữu ích nhất từ lúc
bắt đầu cũng như kết thúc đề tài này.
Với kinh nghiệm chuyên môn cao cũng như với những kinh nghiệm thực tế của
các thầy cô Khoa Công Nghệ Thông Tin đặc biệt là thầy Nguyễn Thành Sơn đã
...

...
hiện app với các chức năng và phát triển các tiện ích (thống kê có filter, các
hiệu ứng, …) để tăng trải nghiệm và hiệu suất cho người dùng.

87

DANH SÁCH TÀI LIỆU THAM KHẢO
[1] Oleh Onyshchak (April 2020), Stock market dataset, Kaggle.com.
[2] P. G. Zhang, Time series foreing using a hybrid ARIMA and neural network model,
Neurocomputing 50 (2003) 159–175.
[3] Nguyen Thanh Son (2018), ‘Hybridising neural network and pattern matching under dynamic time
series prediction’, Int.J.Business Intelligence and Data Mining, Vol.17, No.1, 2020.Pp54-75 (Scopus
Journal, RG Journal Impact: 0.67)
[4] Jason Brownlee (2020), Introduction to Time Series Foreing with Python, All Rights Reserved.
[5] Roya Asadi and Sameem Abdul Kareem (2014), Review of Feed Forward Neural Network
classification preprocessung techniques, Department of Artificial Intelligence, Faculty of Computer
Science and Information Technology, University of Malaya,50603, Malaysia
[6] Jason Brownlee on December 5, 2016 Time Series Foreing as Supervised Learning in Time
Series
[7] Michael Steinbach and Pang-Ning Tan (2009), The top Ten Algorithmsin Data Mining, Chapter 8:
kNN: k-Nearest Neighbors., by taylor &amp Francis Froup, LLC.
[8] Ivan Svetunkov 2023 Foreing and Analytics with ADAM Arne Niklas Jansson
[9] KE-LIN DU and M. N. S. SWAMY (April 28, 2013), Neural networks and Statistical Learning,
Chapter 11: Recurrent Neural Network, Enjoyor Labs, Enjoyor Inc., China, Concordia University,
Canada.
[10] Ralf C. Staudemeyer, Erics Rothstein Morris, Understanding LSTM, A tutorial into Long ShortTerm Memory, Recurrent Neural Networks, Echamlkaden University, Singapore University, September
23, 2019.
[11] Nguyễn Thành Sơn (6/2014- 10/2015). Dự báo dữ liệu chuỗi thời gian có tính xu hướng hoặc mùa
sử dụng giải thuật k lân cận gần nhất, Công trình nghiên cứu khoa học cấp trường, Trường Đại học Sư
Phạm Kỹ Thuật Hồ Chí Minh.
[12] Damodar Gujarati Chapter 13 (2011), Econometrics by example, Bloomsbury.
[13] RomainTavenard (Sakoe &amp Chiba, 1978), An introduction to Dynamic Time Warping,
[14] Vaibhav Verbhan (October 2020), Supervised Learning with Python: Concepts and Practical
Implementation Using Python, Apress.
[15] Fabio Manganiello (February 2021), Computer Vision with Maker Tech: Detecting People With a
Raspberry Pi, a Themal Camera, and Meaching Learning, Apress.
[16] Xue Ying (2019),An Overview of Overfitting and its Solutions ,Journal of Physics: Conference
Series

88