MÔ HÌNH LAI SARIMA-SVR TỐI ƯU BẰNG THUẬT TOÁN FIREFLY VỚI KỸ THUẬT NỘI SUY NÂNG CAO CHO DỰ BÁO TIÊU THỤ NĂNG LƯỢNG TÒA NHÀ
DOI:
https://doi.org/10.59266/houjs.2026.1162Từ khóa:
dự báo tiêu thụ năng lượng, mô hình lai SARIMA-SVR, thuật toán Firefly, nội suy dữ liệu nâng cao, xử lý dữ liệu lỗiTóm tắt
Nghiên cứu đề xuất một khung phương pháp toàn diện nhằm nâng cao độ chính xác dự báo tiêu thụ năng lượng từ dữ liệu thực tế chứa nhiều lỗi. Trọng tâm là mô hình lai SARIMA-SVR (Seasonal AutoRegressive Integrated Moving Average - Support Vector Regression) được tối ưu hóa siêu tham số bằng thuật toán Firefly (FA). Phương pháp có ba đóng góp chính: (1) Kỹ thuật nội suy dựa trên mẫu hình thời vụ (theo giờ, ngày, mùa) để khôi phục dữ liệu lỗi, đảm bảo chất lượng đầu vào; (2) Kiến trúc lai chặt chẽ, sử dụng đầu ra dự báo xu hướng và thời vụ từ mô hình SARIMA làm một đặc trưng ưu tiên cho mô hình SVR, cho phép SVR tập trung học các thành phần phi tuyến phức tạp; (3) Ứng dụng FA để tự động tìm bộ tham số tối ưu cho SVR, hiệu quả hơn các phương pháp truyền thống. Kết quả thực nghiệm trên tập dữ liệu thực tế chứng minh mô hình lai đề xuất đạt độ chính xác vượt trội một cách có ý nghĩa so với các mô hình cơ sở như SARIMA, SVR thuần túy, LSTM (Long Short-Term Memory). Nghiên cứu không chỉ cung cấp một công cụ dự báo khả thi cho các hệ thống năng lượng mà còn đóng góp một phương pháp luận tích hợp giữa tiền xử lý dữ liệu, mô hình hóa lai và tối ưu hóa. Hướng phát triển tương lai bao gồm tích hợp biến ngoại cảnh và thử nghiệm trên các bộ dữ liệu đa lĩnh vực.
Tài liệu tham khảo
Chicco, D., Warrens, M. J., & Jurman, G. (2021). The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation. PeerJ Computer Science, 7, e623.
Cleveland, R. B., Cleveland, W. S., McRae, J. E., & Terpenning, I. (1990). STL: A seasonal-trend decomposition procedure based on loess. Journal of Official Statistics, 6(1), 3-33.
Díaz, S., de la Fuente, D., & Prada, M. A. (2019). A new method for time series forecasting based on intelligent hybridization of neural networks and ARIMA models. Applied Intelligence, 49(8), 3007-3024.
Hamilton, J. D. (2020). Time series analysis. Princeton University Press.
Han, J., & Moraga, C. (1995). The influence of the sigmoid function parameters on the speed of backpropagation learning. In International Workshop on Artificial Neural Networks (pp. 195-201). Springer.
Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735-1780.
Hsu, C. W., Chang, C. C., & Lin, C. J. (2003). A practical guide to support vector classification. National Taiwan University.
Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and practice (2nd ed.). OTexts.
Hyndman, R. J., & Koehler, A. B. (2006). Another look at measures of forecast accuracy. International Journal of Forecasting, 22(4), 679-688.
Junninen, H., Niska, H., Tuppurainen, K., Ruuskanen, J., & Kolehmainen, M. (2004). Methods for imputation of missing values in air quality data sets. Atmospheric Environment, 38(18), 2895-2907.
Khashei, M., & Bijari, M. (2011). A novel hybridization of artificial neural networks and ARIMA models for time series forecasting. Applied Soft Computing, 11(2), 2664-2675.
Little, R. J. A., & Rubin, D. B. (2019). Statistical analysis with missing data (3rd ed.). John Wiley & Sons.
Shepard, D. (1968). A two-dimensional interpolation function for irregularly- spaced data. In Proceedings of the 1968 ACM National Conference (pp. 517- 524).
Shumway, R. H., & Stoffer, D. S. (2017). Time series analysis and its applications: With R examples (4th ed.). Springer.
Smola, A. J., & Schölkopf, B. (2004). A tutorial on support vector regression. Statistics and Computing, 14(3), 199-222.
Yang, X. S. (2009). Firefly algorithms for multimodal optimization. In International Symposium on Stochastic Algorithms (pp. 169-178). Springer.
Yang, X. S. (2010). Firefly algorithm. Nature- Inspired Metaheuristic Algorithms.
Zhang, G. P. (2003). Time series forecasting using hybrid ARIMA and neural networks. Neurocomputing.
