Chiến lược vùng đệm thích nghi cho khai thác mẫu tuần tự lợi ích cao đều đặn trên dữ liệu tăng trưởng

Tóm tắt

Khai thác mẫu tuần tự lợi ích cao đều đặn (RHUSP) trên dữ liệu tăng trưởng đối mặt với thách thức lớn trong việc cân bằng giữa hiệu suất tính toán và độ chính xác. Các thuật toán hiện tại sử dụng tỷ lệ vùng đệm cố định (µ) thường gặp hạn chế: giá trị 𝜇 thấp gây lãng phí tài nguyên bộ nhớ, trong khi µ cao dẫn đến rủi ro bỏ sót các mẫu quan trọng. Bài báo này đề xuất thuật toán Adaptive-RIncHusp với chiến lược vùng đệm thích nghi, cho phép tự động điều chỉnh tham số µ tại mỗi lô dữ liệu cập nhật. Phương pháp này tích hợp ba quy tắc suy diễn bổ trợ gồm: tỷ lệ lợi ích, độ khó ngưỡng và tốc độ tăng 
trưởng, kết hợp với hàm rủi ro độ nhạy cao (f (x)=x0.25) để phát hiện sớm các biến động dữ liệu. Thực nghiệm trên 5 tập dữ liệu chuẩn chứng minh Adaptive-RIncHusp nhanh hơn 8-15% và tiết kiệm 20-40% bộ nhớ so với chiến lược cố định an toàn (µ=0.4) mà vẫn duy trì độ phủ trên 97%. Đồng thời, thuật toán đạt tốc độ tương đương với chiến lược cố định tích cực (µ=0.9) nhưng khắc phục hoàn toàn vấn đề mất mẫu, khẳng định tính hiệu quả trong môi trường dữ liệu biến động.