Tối ưu hóa kiến trúc mạng nơ-ron nhân tạo bằng giải thuật di truyền trong dự báo dữ liệu chuỗi thời gian

Mạng nơ-ron nhân tạo (hay mạng nơ-ron) được biết đến là phương pháp dự báo hiệu quả đối với dữ liệu chuỗi thời gian. Tuy nhiên một thách thức của phương pháp này là làm thế nào xác định được một tập các tham số tối ưu, như số đầu nào, số nơ-ron ẩn, tốc độ học, tập trọng số v.v. để mạng nơ ron có thể đạt được kết quả dự báo chính xác nhất. Với yêu cầu kết hợp nhiều tham số khác nhau khi thiết kế, rõ ràng có một sự bùng nổ về số lượng các kiến trúc mạng nơ-ron khác nhau cần được xem xét, nên việc kết hợp với một kỹ thuật thông minh khác, như giải thuật di truyền, là cần thiết để có thể tìm thấy kiến trúc mạng nơ-ron tốt nhất. Bài báo này sẽ phân tích việc tích hợp mạng nơ-ron với giải thuật di truyền (mô hình GANN) trong đó mỗi kiến trúc mạng nơ ron là một giải pháp ứng viên trong không gian tìm kiếm và giải thuật di truyền cố gắng xác định kiến trúc tốt nhất cho việc dự báo. Dữ liệu chuỗi thời gian về lượng du khách đến Thừa Thiên Huế là được sử dụng để đánh giá hiệu quả của mô hình GANN này. Kết quả nghiên cứu chỉ ra rằng, giải thuật di truyền đã xác định được kiến trúc ANN(12:14:1) là mạng nơ-ron tốt nhất, với lỗi dự báo đạt được MSE = 3,34E+08. Mô hình GANN cũng đã cải thiện được 22,24% so với ANN(12:6:1), là mô hình ANN đơn (không kết hợp) tốt nhất trong một nghiên cứu gần đây.