PROCEEDING of Publishing House for Science and Technology

Trong thời gian gần đây, mô hình chuỗi thời gian mờ đang thu hút sự chú ý của các nhà nghiên cứu và phân tích số liệu. Từ mô hình ban đầu của Song và Chissom, đến nay ngày càng nhiều mô hình chuỗi thời gian mờ được đề xuất để nâng cao độ chính xác trong dự báo. Tuy nhiên, vẫn tồn tại một số vấn đề chưa được giải quyết một cách tối ưu trong mô hình chuỗi thời gian mờ. Ðó là, làm thế nào để phân chia tập nền thành các khoảng có độ dài thích hợp và xây dựng các quan hệ mờ, nhóm quan hệ mờ một cách có hiệu quả. Sự kết hợp của các phương pháp tối ưu như giải thuật di truyền, kỹ thuật mô phỏng tôi luyện, tối ưu đàn kiến hay tối ưu bầy đàn,… nhằm xác định một cách tốt nhất các khoảng chia đã được đề cập đến. Trong bài báo này, mô hình chuỗi thời gian mờ dựa trên một khái niệm mới được đề xuất là nhóm quan hệ mờ phụ thuộc thời gian và kỹ thuật tối ưu bầy đàn được phát triển để điều chỉnh độ dài khoảng chia tập nền nhằm tăng độ chính xác dự báo của mô hình. Kết quả thực nghiệm cho thấy mô hình mới này cho độ chính xác dự báo tốt hơn so với một số phương pháp đã đề xuất trước đây.

Dự báo chuỗi thời gian là bài toán đã được rất nhiều tác giả trong và ngoài nước quan tâm nghiên cứu trong những năm gần đây. Tuy nhiên, việc dự báo trên những dữ liệu có sự biến đổi lớn, những dữ liệu được ghi nhận bằng các nhãn ngôn ngữ đã tạo ra những khó khăn khi giải quyết bằng các phương pháp toán học, thống kê truyền thống. Vì vậy, Q. Song và B.S Chissom đã đề xuất mô hình dự báo chuỗi thời gian mờ. Kể từ đó tới nay đã có nhiều nghiên cứu theo hướng này, nhằm đưa ra những phương pháp mới và cải tiến những phương pháp đã có nhằm tăng độ chính xác của dự báo. Trong nội dung bài báo này, chúng tôi đề xuất một phương pháp mới, sử dụng phép ngữ nghĩa hóa và giải ngữ nghĩa của đại số gia tử trong bài toán dự báo số lượng sinh viên nhập học của Trường Đại học Alabama. Mô hình dự báo, các kết quả và so sánh cũng sẽ được đưa ra thảo luận.

Khai thác luật kết hợp, một trong những kỹ thuật quan trọng nhất và được nghiên cứu nhiều nhất trong khai thác dữ liệu. Khai thác tập phổ biến tối đại là một trong những vấn đề cơ bản nhất trong khai thác luật kết hợp. Hầu hết các thuật toán tìm tập phổ biến tối thiểu trước, từ tập phổ biến tối thiểu suy ra tập phổ biến tối đại. Những phương pháp này tốn nhiều thời gian để tìm tập phổ biến tối đại. Để khắc phục vấn đề này, chúng tôi đề xuất một cách tiếp cận mới để tìm tập phổ biến tối đại trên cơ sở dữ liệu giao dịch lớn: kỹ thuật nén hiệu quả cơ sở dữ liệu giao dịch lớn, dùng cấu trúc dữ liệu lưu trữ dạng bit và tập chỉ mục chứa các item đồng xuất hiện để chiếu tính nhanh tập phổ biến tối đại. Sau cùng, chúng tôi trình bày kết quả thực nghiệm, cho thấy rằng thuật toán đề xuất tốt hơn so với các thuật toán hiện hành.

Trong khai thác dữ liệu, kỹ thuật quan trọng và được nghiên cứu nhiều là khai thác luật kết hợp. Khai thác tập phổ biến là một trong những bước cơ bản và chiếm nhiều thời gian trong khai thác luật kết hợp. Hầu hết các thuật toán tìm tập phổ biến thỏa một ngưỡng phổ biến tối thiểu duy nhất. Trong thực tế, độ phổ biến của từng mục hàng phản ánh bản chất, vai trò của mục hàng trong các giao dịch. Trong bài viết này, chúng tôi đề xuất thuật toán hiệu quả khai thác tập phổ biến với nhiều ngưỡng phổ biến tối thiểu (mỗi mục hàng có một ngưỡng phổ biến tối thiểu riêng). Sau cùng, chúng tôi trình bày kết quả thực nghiệm trên bộ dữ liệu thực và giả lập, cho thấy thuật toán đề xuất hiệu quả hơn so với thuật toán hiện hành.

Dóng hàng toàn cục mạng tương tác protein là một trong những bài toán quan trọng trong tin sinh học và đang được nhiều người quan tâm nghiên cứu. Các mạng được dóng hàng chính xác cho phép ta có thể xác định các orthologous protein. Bài viết này, chúng tôi giới thiệu một thuật toán dóng hàng toàn cục mạng tương tác protein dựa trên phương pháp tối ưu hoá đàn kiến. Các thực nghiệm cho thấy phương pháp đề xuất cho kết quả tốt hơn hẳn các phương pháp mới nhất hiện nay.

Trong những năm gần đây, sự phát triển mạnh mẽ của Internet of Things (IoT) đã và đang góp phần định hình xã hội thông tin tương lai. IoT thay đổi cách tiếp cận và ứng dụng của công nghệ nhưng đồng thời cũng tạo điều kiện phát sinh các nguy cơ mới về an ninh, an toàn và bảo mật thông tin. Có thể thấy rằng với một môi trường đa dạng, phức tạp, đa vật thể cùng các chuẩn kết nối không đồng nhất, việc đầu tư nghiên cứu xây dựng một hệ thống hoàn thiện về an ninh vẫn chưa thực sự thuyết phục được cộng đồng công nghệ. Trong phạm vi bài viết, chúng tôi sẽ nêu ra một cái nhìn tổng quan về môi trường IoT, các vấn đề liên quan đến giải pháp an ninh hiện thời, những thách thức và khó khăn phía trước trong lĩnh vực này. Cuối bài viết chúng tôi cũng đưa ra những đề xuất về định hướng nghiên cứu góp phần hoàn thiện cơ chế an ninh của hệ thống IoT.

Khai thác tập phổ biến để tìm mối quan hệ giữa các item (mục) trong cơ sở dữ liệu (CSDL) là bài toán quan trọng trong khai thác dữ liệu. Bên cạnh khai thác tập phổ biến từ các CSDL truyền thống, khai thác tập phổ biến trên CSDL trọng số và CSDL số lượng đã nhận được nhiều quan tâm từ các nhóm nghiên cứu. Tuy nhiên, các nghiên cứu này mới chỉ khai thác trên các CSDL mà các mục không có mối quan hệ nào với nhau. Trong bài báo này, chúng tôi đề xuất bài toán khai thác tập phổ biến trên CSDL số lượng có sự phân cấp item, đồng thời đề xuất thuật toán để giải quyết bài toán này và áp dụng kĩ thuật diffset hai cấu trúc MByS, MBiS trong lưu trữ tidset của các itemset. Kết quả thực nghiệm cho thấy thuật toán sử dụng cấu trúc MBiS hiệu quả nhất về mặt thời gian xử lý.