THUẬT TOÁN TỐI ƯU HÓA THÍCH NGHI THEO CHẾ ĐỘ CHO MÔ HÌNH KẾT HỢP CÂY–HỌC SÂU TRONG DỰ BÁO CHUỖI THỜI GIAN ĐA BIẾN
Từ khóa
DOI:
https://doi.org/10.34238/tnu-jst.14753Tóm tắt
Dự báo chuỗi thời gian trong các môi trường không dừng vẫn là một thách thức lớn đối với các mô hình học máy, đặc biệt khi động lực dữ liệu thay đổi theo các chế độ tiềm ẩn khác nhau. Mặc dù các mô hình kết hợp giữa cây quyết định và học sâu như LightGBM–LSTM đã thể hiện năng lực dự báo mạnh mẽ, quy trình huấn luyện của chúng thường vẫn dựa trên hàm mất mát tĩnh và các chiến lược tối ưu không phân biệt chế độ. Bài báo này đề xuất một thuật toán tối ưu thích ứng theo chế độ trong lĩnh vực thủy văn, trong đó thông tin về chế độ tiềm ẩn được tích hợp trực tiếp vào động lực huấn luyện của các mô hình dự báo lai. Thay vì sửa đổi kiến trúc mô hình, thuật toán đề xuất đưa vào cơ chế lập lịch hàm mất mát phụ thuộc chế độ và tái trọng số gradient, cho phép quá trình học tự thích ứng một cách linh hoạt với các chế độ dữ liệu khác nhau. Thuật toán tối ưu thích ứng theo chế độ được đánh giá trên dữ liệu chuỗi thời gian đa biến đại diện cho các động lực thủy văn phức tạp. Kết quả thực nghiệm cho thấy phương pháp đề xuất liên tục vượt trội so với các mô hình lai truyền thống, đặc biệt trong các giai đoạn chuyển đổi chế độ và điều kiện cực đoan. Những kết quả này nhấn mạnh tầm quan trọng của việc mô hình hóa chế độ gắn với quá trình tối ưu, đồng thời cho thấy rằng cơ chế học, chứ không phải độ phức tạp của kiến trúc mới là yếu tố then chốt giúp cải thiện tính vững chắc của dự báo đối với các chuỗi thời gian không dừng.Lượt tải
Tài liệu tham khảo
H. Han, Z. Liu, M. B. Barrios, J. Li, Z. Zeng, N. Sarhan, and E. M. Awwad, “Time series forecasting model for non-stationary series pattern extraction using deep learning and GARCH modeling,” Journal of Cloud Computing, vol. 13, 2024, Art. no. 2.
W. Rust, J. P. Bloomfield, M. Cuthbert, R. Corstanje, and I. Holman, “The importance of non-stationary multiannual periodicities in the North Atlantic Oscillation index for forecasting water resource drought,” Hydrology and Earth System Sciences, vol. 26, pp. 2449-2467, 2022.
V. S. Khandekar and P. Srinath, “Non-stationary Data Stream Analysis: State-of-the-Art Challenges and Solutions,” in Proc. International Conference on Computational Science and Applications, 2020, pp. 67-80.
H. Hewamalage, C. Bergmeir, and K. Bandara, “Recurrent neural networks for time series forecasting: Current status and future directions,” International Journal of Forecasting, vol. 37, no. 1, pp. 388-427, 2021.
X. Kong, Z. Chen, W. Liu, et al., “Deep learning for time series forecasting: a survey,” International Journal of Machine Learning and Cybernetics, vol. 16, no. 16, pp. 5079-5112, 2025.
M. S. Uddin et al., “Enhancing Supply Chain Management: A Comparative Study of Machine Learning Techniques with Cost–Accuracy and ESG-Based Evaluation for Forecasting and Risk Mitigation,” Sustainability, vol. 17, no. 13, 2025, doi: 10.3390/su17135772.
A. Hong, M. Gao, Q. Gao, and X.-H. Peng, "Non-stationary financial time series forecasting based on meta-learning," Electronics Letters, vol. 58, no. 25, pp. 961-963, Dec. 2022, doi: 10.1049/ell2.12681.
B. Wang and A. B. M. Zain, “A Hybrid XGBoost-LSTM Framework for Supply Chain Demand Forecasting: Empirical Evidence from Retail Multi-Store Data,” Journal of Cultural Analysis and Social Change, vol. 10, no. 4, Dec. 2025, Art. no. 3736.
C. Yu, F. Liu, J. Zhu, et al., “Gradient Boosting Decision Tree with LSTM for Investment Prediction,” in Proc. IEEE Confluence, May 2025, arXiv:2505.23084.
A. Ajder, H. A. A. Hamza, and R. Ayaz, “Wavelet-Enhanced Hybrid LSTM-XGBoost Model for Predicting Time Series Containing Unpredictable Events,” IEEE Access, vol. 13, pp. 58671-58679, 2025.
S. Diaz, M. F. Camargo, J. C. Castiblanco, et al., “A hybrid LSTM–XGBoost model with residual correction for air quality prediction using SSA,” Air Quality, Atmosphere & Health, vol. 18, no. 12, pp. 3991-4008, Nov. 2025.
W. Li, C. Liu, Y. Xu, et al., “An interpretable hybrid deep learning model for flood forecasting based on Transformer and LSTM,” Journal of Hydrology: Regional Studies, vol. 54, Aug. 2024, Art. no. 101873.
G. Bertoli, K. Schröter, R. Arcucci, and E. Caporali, “A Hybrid Machine Learning Framework for Improved Short-Term Peak-Flow Forecasting,” arXiv preprint arXiv:2601.09336, Jan. 2026, doi: 10.48550/arXiv.2601.09336.
Y. Wang, Y. Han, and Y. Guo, “Self-adaptive Extreme Penalized Loss for Imbalanced Time Series Prediction,” in Proc. 33rd International Joint Conference on Artificial Intelligence (IJCAI-24), 2024, pp. 3201-3209.
R. P. Ribeiro and N. Moniz, “Imbalanced regression and extreme value prediction,” Machine Learning, vol. 109, pp. 1803-1835, Sep. 2020.
