Khoa Công nghệ số ứng dụng trân trọng giới thiệu công bố quốc tế mới nhất với tiêu đề: "A Complex Fuzzy LSTM Network for Temporal-Related Forecasting Problems" trên Computers, Materials & Continua. Bài báo được thực hiện bởi Tiến sĩ Cù Nguyên Giáp (Giảng viên Khoa Công nghệ số ứng dụng) và cộng sự.

Bối cảnh và chủ đề nghiên cứu

Trong các hệ thống thông tin và kinh tế hiện đại, các bài toán dự báo có chuỗi thời gian (Temporal-Related Forecasting Problems) đóng vai trò cực kỳ quan trọng trong việc ra quyết định chiến lược. Tuy nhiên, dữ liệu thực tế thường mang tính bất định cao, chứa đựng cả sự mơ hồ (fuzziness) lẫn các biến động phức tạp theo thời gian. Nghiên cứu tập trung giải quyết bài toán dự báo chuỗi thời gian bằng cách tích hợp logic mờ vào không gian số phức để xử lý triệt để các đặc trưng bất định và quan hệ phụ thuộc thời gian dài.

Phương pháp nghiên cứu

Nghiên cứu đề xuất mô hình mạng thần kinh tiên tiến mang tên Mạng LSTM mờ phức (Complex Fuzzy LSTM Network):

• Kết hợp không gian số phức với lý thuyết tập mờ để biểu diễn và xử lý các thông tin đầu vào mang tính biến động, không chắc chắn.

• Phát triển kiến trúc mạng LSTM (Long Short-Term Memory) thích ứng để khai thác tối đa các mối quan hệ phụ thuộc thời gian dài trong chuỗi dữ liệu phức hợp.

Các phát hiện chính

Kết quả thực nghiệm trên các tập dữ liệu benchmark mang lại những điểm nhấn cốt lõi:

• Khả năng biểu diễn vượt trội: Mô hình mới giải quyết xuất sắc bài toán nắm bắt đồng thời độ bất định mờ và các xu hướng biến động theo thời gian mà các mạng LSTM truyền thống gặp khó khăn.

• Độ chính xác dự báo cao: Cải thiện rõ rệt các chỉ số sai số dự báo, chứng minh tính ưu việt và độ ổn định của kiến trúc mạng đề xuất.

Ý nghĩa thực tiễn

Từ kết quả nghiên cứu, nhóm tác giả đóng góp các hàm ý ứng dụng thiết thực:

• Đối với dự báo kinh tế - kỹ thuật: Cung cấp công cụ dự báo mạnh mẽ cho các lĩnh vực đòi hỏi độ chính xác cao trước các biến động phức tạp như tài chính, năng lượng, và giao thông vận tải.

• Đối với nghiên cứu trí tuệ nhân tạo: Đóng góp một hướng tiếp cận toán học và kiến trúc mạng mới trong việc mở rộng mạng học sâu (Deep Learning) sang không gian số phức và logic mờ.

Tổng kết

Công bố trên tạp chí quốc tế uy tín Computers, Materials & Continua (SCIE/Scopus) tiếp tục khẳng định năng lực nghiên cứu khoa học chuyên sâu của đội ngũ giảng viên Khoa Công nghệ số ứng dụng, Trường Đại học Thương mại trong lĩnh vực học sâu và hệ thống thông tin thông minh.

Chi tiết bài báo xem tại: Link