AI

Chuỗi thời gian (time series) là gì và vì sao nó khác dữ liệu thường: thứ tự thời gian, tự tương quan, không được xáo trộn. Bốn thành phần trend/seasonality/cyclic/noise, mô hình additive vs multiplicative, tần suất & resampling, cùng các ví dụ SQL dựng chuỗi từ dữ liệu giao dịch ngân hàng.

Khám phá dữ liệu chuỗi thời gian: vẽ đường, rolling mean/std, phát hiện trend/seasonality/outlier/khoảng trống. Hiểu tính dừng và vì sao mô hình cần nó, kiểm định ADF/KPSS, biến đổi để đạt dừng (differencing, log/Box-Cox), đọc ACF/PACF và phân rã classical/STL.

Bộ công cụ dự báo cổ điển vẫn thắng nhiều bài toán thực tế: baseline naive/seasonal-naive bắt buộc, họ làm mượt hàm mũ (SES/Holt/Holt-Winters) với alpha/beta/gamma, và họ ARIMA/SARIMA cùng cách đọc ACF/PACF, auto_arima và chẩn đoán phần dư.

Cách biến bài toán dự báo chuỗi thời gian thành hồi quy có giám sát: xây lag features, rolling/expanding statistics, calendar features và Fourier terms mà không rò rỉ tương lai; huấn luyện LightGBM/XGBoost global model; và chọn recursive vs direct cho dự báo nhiều bước.

Các phương pháp dự báo hiện đại: Prophet (mô hình cộng tính trend + seasonality + holiday, thêm được lịch lễ Việt Nam) và deep learning cho chuỗi thời gian (RNN/LSTM/GRU, seq2seq, TCN, Transformer, DeepAR). Bài này chỉ rõ khi nào DL đáng dùng, khi nào cổ điển vẫn thắng, và cách dự báo xác suất bằng quantile.

Đánh giá mô hình dự báo cho đúng: các độ đo sai số (MAE, RMSE, MAPE và bẫy của nó, sMAPE, MASE, bias), chọn độ đo theo chi phí kinh doanh bất đối xứng (pinball loss), tách dữ liệu theo thời gian tuyệt đối không shuffle, backtesting bằng rolling/expanding window và walk-forward, luôn so với baseline naive, đánh giá theo horizon và kiểm tra coverage của khoảng dự báo.

Phát hiện bất thường (anomaly detection) trên chuỗi thời gian: phân loại point/contextual/collective, phương pháp thống kê (3-sigma, IQR, rolling z-score, EWMA/SPC), dựa trên dự báo (residual vượt ngưỡng), phân rã STL, và mô hình chuyên biệt (Isolation Forest, LOF, S-H-ESD, autoencoder). Kèm đánh đổi precision/recall, chống alert fatigue, và ứng dụng ngân hàng: gian lận, giám sát khối lượng, observability, data quality.

Bài tổng kết chuỗi: đưa mô hình dự báo từ notebook vào vận hành thật. Bao gồm pipeline end-to-end (thu thập → feature as-of → retrain → sinh dự báo → phục vụ batch/API), lịch retraining, giám sát sai số và drift, quản lý hàng trăm chuỗi bằng global model, versioning/backfill/dữ liệu trễ, con người trong vòng lặp, và một hệ dự báo tiền mặt ATM đầu-cuối.