Mô hình dự đoán các tham số và kịch bản ra quyết định trong ngôi nhà thông minh sử dụng mạng Nơ-ron kết hợp thuật toán Active Lezi

128 Nguyễn Hữu Phát, Dương Văn Hoàn, Hà Khánh Hợp 
MÔ HÌNH DỰ ĐOÁN CÁC THAM SỐ VÀ KỊCH BẢN RA QUYẾT ĐỊNH 
TRONG NGÔI NHÀ THÔNG MINH SỬ DỤNG MẠNG NƠ-RON KẾT HỢP 
THUẬT TOÁN ACTIVE LEZI 
MODELING OF PREDICTION AND CONTEXT OF DECISION IN SMARTHOME USING 
NEURAL NETWORK COMBINED WITH ACTIVE LEZI ALGORITHM 
Nguyễn Hữu Phát1, Dương Văn Hoàn1, Hà Khánh Hợp2 
1Trường Đại học Bách khoa Hà Nội; phat.nguyenhuu@hust.edu.vn, hoan.set.hut@gmail.com 
2Sở Khoa học và Công nghệ Quảng Ninh; hakhanhhop311087@gmail.com 
Tóm tắt - Trong các hệ thống nhà thông minh, nhu cầu tự động hóa
cho người sử dụng ngày càng tăng. Bài báo thực hiện mô hình dự
đoán các tham số cần giám sát từ ngôi nhà dựa trên cơ sở mạng
nơ-ron nhân tạo trong cả ngắn hạn và dài hạn. Các mô hình này yêu
cầu hỗ trợ việc đưa ra quyết định nhanh chóng cho người sử dụng
thông qua các thuật toán huấn luyện mạng với tốc độ hội tụ cao và
thời gian huấn luyện mạng nhỏ. Vì vậy, bài báo thực hiện khảo sát
và lựa chọn hàm thực hiện huấn luyện dữ liệu dựa trên các tiêu chí
về sai số phép dự đoán. Hơn nữa, bài báo cũng đưa ra một hướng
mới cho vấn đề dự đoán và điều khiển hành vi cho ngôi nhà thông
minh bằng việc kết hợp mô hình mạng nơ-ron và thuật toán Active
Lezi. Các kết quả của bài báo chứng minh việc áp dụng thuật toán
là khả thi và có tính ứng dụng cao trong tương lai. 
 Abstract - Automatic ensors/actuator systems are required more 
and more by users in smarthome applications. In the paper, we 
carry out a short-term and long-term prediction model based on 
artificial neural network for several parameters such as 
temperature, humility, and light intensity. One of the most important 
problems of training the network is to give quick decisions. In order 
to implement a network which has a high convergence and a low 
training time, a survey of training functions for the neural network 
also is carried out. Furthermore, the combination of NARX network 
model and Active Lezi algorithm will bring about a new trend of 
forecasting and controlling behavior for smarthome applications.
The results show that the application of the algorithm is feasible 
and will be more popular in the future. 
Từ khóa - chuỗi thời gian; dự đoán; mạng truyền thẳng đa lớp; mô
hình mạng tự động hồi quy phi tuyến; thuật toán Active Lezi. 
 Key words - time series; prediction; MLP network model; NARX 
network model; Active Lezi algorithm. 
1. Đặt vấn đề 
Mạng nơ-ron nhân tạo ra đời đã được ứng dụng rộng rãi 
trong xử lý các bài toán phức tạp trong thực tế, điển hình 
như trong các hệ thống dự báo như các mô hình dự báo thời 
tiết, mô hình dự báo các biến động thị trường [1]. Trong 
giới hạn không gian ngôi nhà, việc biết trước giá trị các 
thông số môi trường trong một khoảng thời gian nhất định 
giúp cho nó trở nên thật sự thông minh với khả năng tự 
động điều chỉnh các cơ chế chấp hành. Các nghiên cứu gần 
đây tập trung vào mô hình chuỗi thời gian, trong đó phổ 
biến nhất là sử dụng mạng nơ-ron truyền thẳng với cửa sổ 
trượt. Trong phạm vi bài báo này, chúng tôi giới thiệu mô 
hình dự đoán các tham số môi trường thu thập được từ 
mạng cảm biến trong nhà. Chúng tôi trình bày hai lựa chọn 
cho người sử dụng bao gồm (1) mạng nơ-ron truyền thẳng 
đa lớp MLP và (2) mô hình mạng nơ-ron tự động hồi quy 
phi tuyến NARX. Mô hình mạng thứ nhất này được biết 
đến như là một mạng học có giám sát vì nó đòi hỏi một đầu 
ra mong muốn để có thể thực hiện việc học. Mô hình mạng 
thứ hai cho việc đưa ra dự báo dài hạn theo bước nhảy theo 
chuỗi thời gian liên tục. Chúng tôi nhận thấy việc thực hiện 
nhiều lần thuật toán dự đoán với mạng nơ-ron gây tiêu tốn 
nhiều năng lượng và thời gian học. Mặt khác, với một số 
mẫu đã được tính toán qua một số lần học nhất định, ta có 
thể thực hiện bằng một số phương pháp học thống kê ít 
phức tạp hơn. Bởi vậy chúng tôi đề xuất một hướng mới 
cho việc dự đoán kết hợp mạng nơ-ron nhân tạo với thuật 
toán Active-Lezi. Như vậy, mô hình khối dự đoán đề xuất 
bao gồm 3 phần chính: 
Phần 1: Dự đoán tham số trong ngôi nhà. 
Phần 2: Xây dựng cây sự kiện ALZ theo mô hình 
Markov bằng thuật toán Active-Lezi. 
Phần 3: Tính toán xác suất các sự kiện theo thuật toán 
PPM. 
CƠ SỞ 
DỮ LIỆU MẠNG NƠRON 2
MẠNG NƠRON 1
MẠNG NƠRON N
Sắp xếp
Chuẩn hóa
Xây dựng cây ALZ 
(Mô hình Markov)
Tính xác suất các sự 
kiện RA QUYẾT ĐỊNH
KHỐI DỰ ĐOÁN
Hình 1. Mô hình đề xuất toàn hệ thống 
2. Mô hình mạng nơ-ron cho dự báo chuỗi thời gian 
2.1. Mô hình chuỗi thời gian 
Chuỗi thời gian là tập các vector tuần tự về mặt thời 
gian ( ), 0,1, ...,x t t = trong đó t là thời gian đã qua xét 
trong một khoảng thời gian nhất định. Khi đó, về mặt lý 
thuyết x là các giá trị được lấy mẫu một cách liên tục theo 
thời gian như nhiệt độ, độ ẩm hay cường độ sáng. Một cách 
tổng quát, mô hình đòi hỏi xác định ánh xạ : NF →  
để tính toán một cách chính xác giá trị thông số x tại thời 
điểm t d+ từ các giá trị của N bước nhảy thời gian trước 
đó, như sau [2]: 
( ) ( ( ), ( 1), ..., ( 1))x t d F x t x t x t N+ = − − + (1) 
ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 3(112).2017-Quyển 1 129 
Khi d=1, giá trị quan sát ở thời điểm t+1 trong chuỗi 
thời gian này sẽ được đại diện bởi N giá trị của đối tượng 
trước đó, như sau: 
( 1) ( ( ), ( 1), ..., ( 1))x t F x t x t x t N+ = + − + (2) 
2.2. Mô hình mạng nơ-ron cho dự báo chuỗi thời gian 
Mạng nơ-ron là mô hình xử lý dữ liệu hiệu quả với khả 
năng ghi nhận và xử lý các quan hệ dữ liệu vào/ra phức tạp. 
Mạng nơ-ron gồm ba phần, là lớp đầu vào, lớp ẩn và lớp 
đầu ra. 
Tiền xử lý dữ liệu: Chuẩn hóa giúp giới hạn các giá trị 
đầu vào và giá trị mục tiêu sao cho chúng nằm trong 
khoảng [0, 1] hoặc [-1, 1]. 
Mô hình hóa mạng: Bao gồm khởi tạo các tham số, như 
số nơ-ron lớp đầu vào, lớp đầu ra, lớp ẩn. 
Hàm kích hoạt của một nơ-ron, hay còn gọi là hàm 
chuyển, cho biết khả năng kích hoạt của nó và có tác động 
lớn đến kết quả của mạng. Hàm chuyển phi tuyến phổ biến 
trong mạng nơ-ron là hàm tangent và hàm sigmoid [3]. Các 
kỹ thuật huấn luyện thực hiện lặp đi lặp lại việc điều chỉnh 
trọng số, giá trị thiên lệch (bias) và xác định lại tổ hợp lỗi 
bình phương trung bình cho đến khi tối thiểu hóa tổ hợp lỗi 
này. Chúng ta chia các kỹ thuật này làm hai hướng chính: 
nhóm các kỹ thuật phỏng đoán và nhóm các kỹ thuật tối ưu 
hóa trị số [4]. 
Trong bài báo này chúng tôi khảo sát hai kiểu mô hình 
mạng đó là mạng đa lớp MLP (Multilayer Perceptron) và 
mô hình mạng tự động hồi quy phi tuyến với đầu vào ngoại 
sinh NARX (Nonlinear AutoRegressive model with 
eXogeneous inputs). 
3. Kịch bản dự đoán với mạng nơ-ron 
3.1. Mạng truyền thẳng đa lớp MLP 
Mô hình mạng MLP là mô hình mạng nơ-ron truyền 
thẳng được trình bày trong [5]. Mạng MLP với ba lớp: lớp 
đầu vào, một hoặc một vài lớp ẩn, và một lớp đầu ra. Mô 
hình này có hai đặc trưng [6] là: (1) mô hình xử lý sử dụng 
các phần tử phi tuyến, (2) phần lớn các kết nối nội xác định 
mối quan hệ chặt chẽ giữa các lớp. 
Giả sử mô hình có m nơ-ron lớp ẩn và n nơ-ron lớp đầu 
vào. Hàm thể hiện mối quan hệ giữa đầu ra của mạng với 
đầu vào như sau [7]: 
1 1
( , w)= w w
m n
j ij i
j i
y y x f x
= =
⎡ ⎤⎛ ⎞= ⎢ ⎥⎜ ⎟⎝ ⎠⎣ ⎦∑ ∑ (3) 
Trong đó, w ij là các trọng số liên kết giữa các nơ-ron 
đầu vào với các nơ-ron lớp ẩn, wj là trọng số liên kết các 
nơ-ron lớp ẩn với nơ-ron duy nhất ở lớp đầu ra. ix là các 
giá trị đầu vào. Hàm f là hàm kích hoạt của các nơ-ron 
lớp ẩn, trong mô hình này chúng tôi sử dụng hàm sigmoid. 
3.2. 3.2. Mô hình dự đoán dài hạn sử dụng mạng nơ-ron 
hồi quy tự động NARX 
Mạng nơ-ron hồi quy được sử dụng để xây dựng mô 
hình dự đoán gồm có thêm các kết nối hồi tiếp từ các nơ-
ron đầu ra tới lớp đầu vào mà đã ghi nhớ các giá trị dự đoán 
trước đó. Trong trường hợp này, các tham số của mô hình 
dự đoán được xác định để tối thiểu hóa lỗi gây ra bởi 
khoảng[ 1, 1]t t h+ + + . Trong đó h là độ dài của phép 
dự đoán. Theo đó, mô hình tự động hồi quy phi tuyến với 
đầu vào ngoại sinh NARX được cho bởi [8]: 
( ),..., ( 1)
( )
( ),..., ( 1)
u
y
x n d x n
y n f
y n d y n
− −⎡ ⎤= ⎢ ⎥− −⎣ ⎦
 (4) 
x(n)
x(n-Du+1)
yo(n+1)
y(n)
y(n-Du+1)
: Là một phần tử trễ
x(n)
x(n-Du+1)
yo(n+1)
y(n)
y(n-Du+1)
: Là một phần tử trễ 
(a) (b) 
Hình 2. Mô hình NARX sử dụng chế độ (a) chuỗi song song 
tuần tự (b) và song song 
Trong đó ( )y n và ( )x n là đầu ra và đầu vào của mô 
hình mạng này, f là hàm phi tuyến cần được tính xấp xỉ. 
Mạng NARX có thể được sử dụng trong hai chế độ cho 
bởi hình 2. Chế độ thứ nhất là chuỗi song song - tuần tự 
được mô tả bởi [8]: 
( 1),..., ( )ˆˆ( 1) .
( 1),..., ( )
u
y
x n d x n
y n f
y n d y n
− +⎡ ⎤+ = ⎢ ⎥− +⎣ ⎦
 (5) 
Trong đó yˆ và fˆ là đầu ra hàm được tính xấp xỉ. 
Mô hình thứ hai là chế độ chuỗi song song. Trong chế 
độ này, chúng tôi sử dụng vòng lặp đóng để các đầu ra đã 
được dự đoán sẽ quay trở lại đầu vào của mạng để được 
huấn luyện lại. Mô hình loại này được mô tả bởi [8]: 
( 1),..., ( 1),ˆˆ( 1)
ˆ ˆ( 1),..., ( 1)
u
y
x n d x n
y n f
y n d y n
− + −⎡ ⎤+ = ⎢ ⎥− + −⎣ ⎦
 (6) 
Mô hình này phù hợp cho các mô hình biến đổi phi 
tuyến, đặc biệt là các hệ thống biến đổi theo chuỗi thời gian 
và điểu khiển hệ thống. 
4. Mô hình đề xuất 
Họ thuật toán Lezi dựa trên cơ sở từ điển mà thực hiện 
việc phân tích chuỗi đầu vào 1 2" , , ...., "ix x x thành các 
chuỗi con ( )c i : 1 2 ( )"w ,w ,....,w "c i sao cho với mọi 0j > , 
tiền tố của chuỗi con wj (tất cả các ký tự trừ ký tự cuối 
cùng) bằng chuỗi con w i với 1 i j< < . Thuật toán được 
đề xuất bởi Gopalratnam [11] quan tâm đến việc chia nhỏ 
luồng sự kiện trong một dãy đối tượng được quan sát bằng 
việc xây dựng cây ALZ. Do số lượng trạng thái đầu vào 
càng lớn, thông tin bị mất càng nhanh. Tác giả đã đưa ra 
giải pháp sử dụng cửa sổ trượt với một biến với chiều dài 
cửa sổ ở mỗi trạng thái bằng độ dài pha dài nhất k, được 
130 Nguyễn Hữu Phát, Dương Văn Hoàn, Hà Khánh Hợp 
xác định trong phân tích LZ78 [11] do cần thiết phải xây 
dựng cây theo mô hình Markov bậc k-1. Thuật toán xây 
dựng cây ALZ theo mô hình Markov được cho bởi hình 3. 
Để dự đoán sự kiện tiếp theo chúng ta thực hiện dựa trên 
cơ sở thuật toán dự đoán PPM (Prediction by Partial 
Match) [9]. Trong phương pháp này thu thập thông tin từ 
các mô hình bậc 1 đến bậc k để gán cho ký tự tiếp theo một 
giá trị xác suất. Cửa sổ ALZ đại diện cho tập các ngữ cảnh 
ALZ sử dụng để tính toán xác suất của ký tự tiếp theo. 
Trong mỗi pha, các ngữ cảnh được sử dụng tất cả các tiền 
tố của pha ngoại trừ chính cửa sổ đó. 
w.v trong 
từ điển
Max_LZ_length = 
length(w.v)
w := null 
w := w.v
Bắt đầu 
length(w.v) > 
Max_LZ_length
Thêm (w.v) 
vào từ điển 
YES
NO
Từ điển := null 
Cửa sổ := null 
Max_LZ_length = 0 
Thêm v vào 
cửa sổ 
length(window)> 
Max_LZ_length
YES
Cập nhật tần suất của tất 
cả các ngữ cảnh có thể 
trong cửa sổ mà chứa v 
window[0]YES
NO
NO
Hình 3. Biểu đồ đề xuất thuật toán ALZ 
5. Các kết quả đạt được 
Nghiên cứu này mô tả sự so sánh giữa mô hình MLP và 
NARX, sử dụng MATLAB. Dữ liệu từ thu thập được bao 
gồm các tham số: nhiệt độ không khí, nhiệt độ nước, độ 
ẩm, và cường độ sáng. Giả sử, cứ 15 phút ta thu thập một 
mẫu giá trị cho mỗi tham số, như vậy trong 10 ngày, dữ 
liệu đầu vào gồm có 960 mẫu với mỗi đối tượng. Trong đó 
sử dụng 70% dữ liệu để huấn luyện 15% còn lại lấy làm dữ 
liệu thực tế để đánh giá và 15% để kiểm tra. Với mô hình 
NARX chúng tôi sử dụng đầu vào ngoại sinh, vì vậy chúng 
tôi lấy các mẫu ngoại sinh có tính chất theo mùa. Nếu sử 
dụng tập mẫu lấy từ 10 ngày thì phần tập mẫu trong 10 
ngày tương ứng của năm trước được sử dụng như đầu vào 
ngoại sinh dùng để huấn luyện. Ngôi nhà thông minh dự 
đoán nơ-ron kết hợp sử dụng thuật toán chuỗi tuần tự được 
chia làm hai giai đoạn. Giai đoạn thứ nhất thực hiện dự 
đoán chuỗi thời gian sử dụng mạng nơ-ron cho một khoảng 
thời gian nhất định. Giai đoạn thứ hai, tập hợp các thông 
tin đã dự đoán được tại cùng một thời điểm trong ngày để 
thực hiện dự đoán sự kiện tiếp theo. Trong bài báo này, 
chúng tôi đưa ra một số tiêu chuẩn để quyết định lựa chọn 
phương pháp huấn luyện cũng như lựa chọn tham số khởi 
tạo cho các kịch bản huấn luyện. Trong đó, tf , ty lần lượt 
là kết quả dự đoán và giá trị thực tế đo được tại thời điểm 
t, t t te y f= − là lỗi dự đoán tại thời điểm t, n là kích thước 
tập kiểm tra. 
Lỗi tuyệt đối trung bình MAE: 
1
1 n
t
t
MAE e
n =
= ∑ . (7) 
Sai số bình phương trung bình MSE: 
2
1
1 .
n
t
t
MSE e
n =
= ∑ (8) 
(a) (b) 
(c) (d) 
Hình 4. Bảng so sánh các tham số đánh giá khi huấn luyện hai 
mô hình (a) MAE, (b) MSE, (c) SAE và (d) SSE 
5.1. Kết quả huấn luyện sử mạng MLP và NARX 
Theo [15], nếu các tham số MAE và MSE dùng để đánh 
giá sai số trung bình của các kết quả đầu ra thì tổng sai số 
bình phương (SSE) và tổng sai số tuyệt đối (SAE) cho bởi 
(9) và (10) sẽ cho cái nhìn toàn cục về sai số của hệ thống: 
Hình 5. So sánh sai số MSE trong hai mô hình NARX 10 bước 
thời gian 
8.61
0.09
8.21
0.14
8.25
0.11
23.55
0.65
9.05
0.34
0.00
5.00
10.00
15.00
20.00
25.00
MLP NARX
So sánh MSE hai mô hình MLP và NARX 
Levenberg-Marquardt
Conjugate Gradient
Quasi-Newton
Variable Learning Rate Backpropagation
Resilient Backpropagation
1.86E+03
203.0496
1.94E+03
255.6415
1.89E+03
233.1399
3.51E+03
583.1468
2.00E+03
415.0173
0.00E+00
5.00E+02
1.00E+03
1.50E+03
2.00E+03
2.50E+03
3.00E+03
3.50E+03
4.00E+03
MLP NARX
So sánh SAE hai mô hình MLP và NARX 
Levenberg-Marquardt
Conjugate Gradient
Quasi-Newton
Variable Learning Rate Backpropagation
Resilient Backpropagation
8.26E+03
8.46E+01
7.87E+03
1.32E+02
7.91E+03
1.07E+02
2.26E+04
6.24E+02
8.68E+03
3.28E+02
0.00E+00
5.00E+03
1.00E+04
1.50E+04
2.00E+04
2.50E+04
MLP NARX
So sánh SSE hai mô hình MLP và NARX 
Levenberg-Marquardt
Conjugate Gradient
Quasi-Newton
Variable Learning Rate Backpropagation
Resilient Backpropagation
ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 3(112).2017-Quyển 1 131 
2
1
.
n
t
t
SSE e
=
=∑ (9) 
1
n
t
t
SAE e
=
=∑ (10) 
Để đánh giá hai mô hình, chúng tôi thực hiện khảo sát 
việc huấn luyện cả hai mô hình này trên tập mẫu về nhiệt 
độ không khí. Các tham sô đánh giá độ chính xác của phép 
dự đoán được cho bởi hình 4. 
5.2. Kết quả dự đoán dài hạn với mạng NARX 
Mô hình NARX với thuật toán huấn luyện Levenberg-
Marquardt. Kết quả thực hiện sử dụng mô hình NARX với 
10 bước thời gian được cho bởi hình 5. Và kết quả các tham 
số lỗi trong trường hợp N bước thời gian cho bởi bảng 1. 
So sánh sự thay đổi của các tham số lỗi theo số bước thời 
gian dự đoán trong trong hai mô hình NARX có vòng lặp 
và không có vòng lặp. Mô hình NARX sử dụng vòng lặp 
luôn đem lại kết quả tốt hơn trong một số xác định bước 
thời gian, trước khi nó bắt đầu đem lại những kết quả kém 
chính xác hơn so với mô hình NARX không sử dụng vòng 
lặp khi dự đoán số bước thời gian lớn hơn. Kết quả trên cho 
thấy ngưỡng dự đoán phân biệt độ chính xác của hai mô 
hình tính từ lúc nó bắt đầu đảo chiều là N = 4. 
Bảng 1. So sánh kết quả khi thực hiện dự đoán với mô hình 
NARX song song - nối tiếp 
Số bước MAE MSE 
N=2 0,2125 0,0882 
N=4 0,2087 0,0917 
N=6 0,2113 0,0958 
N=8 0,2151 0,0915 
N=10 0,2132 0,0966 
N=15 0,2084 0,0837 
N=30 0,2044 0,0868 
N=45 0,2072 0,0878 
5.3. Kết quả mô hình đề xuất 
5.3.1. Chuẩn hóa các sự kiện 
^
f(6) c(1)
a(1)
a(3)
e(4)g(1) f(1) a(1)
g(2) b(4)e(7)
e(1)g(1)f(2) e(1) b(2) f(1) b(2) a(1)
e(1) f(1)g(1) f(1)
Hình 6. Cây Markov cho kịch bản 1 
Chúng tôi thiết lập hai kịch bản dự đoán trong mô hình 
đề xuất như sau, các kết quả dự đoán đều được tính toán 
dựa trên mô hình NARX sử dụng thuật toán Levenberg-
Marquardt cho N = 3 bước thời gian và thời gian đảm bảo 
các cơ chế chấp hành thực hiện được nhiệm vụ của nó nhằm 
đáp ứng yêu cầu của người sử dụng. Giá trị các kết quả dự 
đoán đã được chuẩn hóa thành các ký tự theo các khoảng 
giá trị của mỗi đối tượng riêng biệt. Quy ước chuẩn hóa các 
giá trị của hai kịch bản được cho bởi bảng 2. 
Bảng 2. Bảng chuẩn hóa sự kiện các khoảng nhiệt độ đo được 
STT 
Ngưỡng tham số 
Ký tự Nhiệt độ 
phòng Nhiệt độ nước 
1 20 20.5T< ≤ 25 30T< ≤ a 
2 20,5 21T< ≤ 30 35T< ≤ b 
3 21,5 22T< ≤ 35 40T< ≤ c 
4 22,5 23T< ≤ 40 45T< ≤ d 
5 23 23,5T< ≤ 45 50T< ≤ e 
6 24 24,5T< ≤ 50 55T< ≤ f 
7 24,5 25T< ≤ 55 60T< ≤ g 
8 25 25,5T< ≤ 60 65T< ≤ h 
9 25,5 26T< ≤ 65 70T< ≤ i 
10 26 26,5T< ≤ 70 75T< ≤ j 
11 75 80T< ≤ k 
12 80 85T< ≤ l 
13 85 90T< ≤ m 
14 90 95T< ≤ n 
15 95 100T< ≤ o 
Kết quả vẽ cây sự kiện Markov cho hai kịch bản được 
cho bởi hình 6 và 7. 
Kết quả gán xác suất sử dụng thuật toán PPM cho bởi 
bảng 3. 
Bảng 3. Kết quả gán xác suất cho các sự kiện bằng thuật toán 
PPM 
STT Kịch bản 1 Kịch bản 2 
 Ký tự Xác suất Ký tự Xác suất 
1 g 0,5906 m 0,9236 
2 f 0,1051 l 0,0208 
3 e 0,1087 k 0,0278 
4 c 0,0036 c 0,0069 
5 a 0,0942 b 0,0069 
6 b 0,0145 n 0,0139 
Như vậy dựa vào bảng kết quả trên ta dễ dàng đưa ra 
dự đoán về sự kiện trong mẫu thời gian tiếp theo bằng cách 
quy đổi ký tự dự đoán được theo khoảng chuẩn hóa. Chúng 
tôi đã thực hiện đánh giá năng lượng thuật toán, sử dụng 
công cụ Joule meter, và thời gian thực hiện. Kết quả được 
132 Nguyễn Hữu Phát, Dương Văn Hoàn, Hà Khánh Hợp 
thể hiện như hình 8. Kết quả này có ý nghĩa quan trọng 
trong việc thực hiện lựa chọn mô hình thuật toán khi đưa 
lên các hệ thống thực tế. 
5.4. Bàn luận 
Trong ngữ cảnh thực hiện việc dự đoán các tham số trong 
phạm vi một ngôi nhà, các kết quả đạt được cho ta thấy mô 
hình NARX áp dụng trên lý thuyết chuỗi thời gian cho ta 
các kết quả chính xác một cách vượt trội so với mô hình 
mạng truyển thẳng truyền thống. Đặc biệt, với mô hình này, 
chúng ta có thể cải thiện độ chính xác của dự đoán bằng 
cách sử dụng nhóm các thuật toán huấn luyện tối ưu hóa trị 
số. Bên cạnh đó, việc lựa chọn chính xác thuật toán huấn 
luyện nào trong nhóm phụ thuộc vào các yếu tố như tính 
chất của tập mẫu, nhiễu do các thông số biến đổi bất 
thường. 
Hình 8. So sánh (a) năng lượng tiêu thụ và (b) thời gian thực 
hiện hai phương pháp 
Mô hình NARX chúng tôi sử dụng cho ngôi nhà thông 
minh có một lợi thế là điều khiển chính xác số bước thời 
gian cần thiết phải dự đoán với các lựa chọn khác nhau của 
người dùng. 
Với việc sử dụng thuật toán Active Lezi xây dựng cây 
sự kiện chuẩn hóa Markov, chúng ta tránh được việc xử lý 
một lượng cơ sở dữ liệu lớn trong ngôi nhà mà đã được thu 
thập từ mạng cảm biến không dây. Độ phức tạp của thuật 
toán này là nhỏ hơn nhiều so với việc xử lý trên mạng nơ-
ron. Qua đó, thời gian xử lý cũng như năng lượng cần phải 
tiêu tốn cho việc thực hiện dự đoán cũng giảm một cách 
đáng kể so với mạng nơ-ron. Hơn nữa, việc sử dụng chuỗi 
sự kiện có điểm tương đồng về tính chất thời gian trong 
một số ngữ cảnh của ngôi nhà để học thói quen của con 
người đôi khi đem lại kết quả chính xác hơn. 
Nhược điểm của phương pháp này khi thay thế việc xử 
lý trong mạng nơ-ron, đó là tập các sự kiện bị giới hạn trong 
tập mẫu sự kiện đã diễn ra và đã được chuẩn hóa. 
6. Kết luận và hướng phát triển 
Bài báo lựa chọn sử dụng mạng nơ-ron với mô hình 
mạng NARX cho lý thuyết chuỗi thời gian cho ngôi nhà 
thông minh. Mô hình thuật toán chuỗi sự kiện sử dụng thuật 
toán Active Lezi đã được chúng tôi đề xuất như một hướng 
mới cho các bài toán dạng này. Trong bước tiếp theo chúng 
tôi sẽ cải tiến phương pháp cũng như khảo sát các ngữ cảnh 
phù hợp nhất cho ngôi nhà thông minh. 
TÀI LIỆU THAM KHẢO 
[1] P. Piccinini, S. Calderara, and R. Cucchiara, “Reliable smoke 
detection system in the domains of image energy and color”, 15th 
International Conf. Image Processing, 2008, pp.1376-1379. 
[2] M. D. Nemes, A. Butoi, “Data Mining on Romanian Stock Market 
Using Neural Networks for Price Prediction”, Infor. Econom. 17(3), 
(2013) 125-136. 
[3] R. J. Frank, N. Davey, S. P. Hunt, “Time Series Prediction and Neural 
Networks”, J. Intelligent and Robotic Syst., 31(1-3), (2001) 99-103. 
[4] T. Chen, H. Chen, “Universal approximation to nonlinear operators by 
neural networks with arbitrary activation functions and its application to 
dynamical systems”, IEEE Trans. Neural Netw., 6(4), (1995) 911–917. 
[5] M. F. Moller, “A Scaled Conjugate Gradient Algorithm for Fast 
Supervised Learning”, Neural Netw., 6 (1993) 525-533. 
[6] A. K. Jain, J. Mao, K. M. Mohiuddin, “Artificial neural networks: A 
tutorial”, IEEE Comput., (1996) 31-44. 
[7] G. K. Erkam, “Using artificial neural network models in stock 
market index prediction”, Expert Syst. with Applications, 38(8), 
(2011) 10389-10397. 
[8] A. Kémajou, L. Mba, P. Meukam, “Application of Artificial Neural 
Network for Predicting the Indoor Air Temperature in Modern 
Building in Humid Region”, British J. Applied Scie. & Technol., 
2(1), (2012) 23-34. 
[9] J. M. P. Menezes, G. A. Barreto, “On recurrent neural networks for 
auto-similar trafic prediction: A performance evaluation”, 2006 
Interl’ Telecom. Symp., (2006) 534-539. 
[10] M. Feder, N. Merhav, and M. Gutman, “Universal Prediction of 
Individual Sequences”, IEEE Trans. Infor. Theory, 38(4), (1992) 
1258-1270. 
[11] D. J. Cook, M. Huber, K. Gopalratnam, and E. Heierman, “Learning 
to Control a Smart Home Environment”, Innovative Applications of 
Artificial Intelligence, (2003). 
[12] M. B. Ersin, “Improving forecasts of GARCH family models with 
the artificial neural networks: An application to the daily returns in 
Istanbul Stock Exchange”, Expert Syst. with Applications, 36(4), 
(2009) 7355-7362. 
(BBT nhận bài: 22/12/2016, hoàn tất thủ tục phản biện: 27/02/2017) 
0
5
10
15
Mạng 
Nơron
Active
Lezi+PPM
Năng lượng tiêu thụ (J)
0.0000
1.0000
2.0000
3.0000
Mạng 
Nơron
Active
Lezi+PPM
Thời gian thực hiện (giây)