NLinear giải quyết vấn đề Additive Level Shift trong chuỗi thời gian như thế nào?

Mở đầu – Vì sao khi dự báo chuỗi thời gian lại “tụt mood” vì Level Shift?

Khi bắt đầu làm dự báo chuỗi thời gian, nhiều bạn gặp ngay hiện tượng khó chịu: dữ liệu bỗng nhảy vọt lên một mức mới hoặc tụt xuống thấp hơn hẳn so với giai đoạn trước. Hiện tượng này được gọi là Additive Level Shift – tức chuỗi thời gian đột ngột đổi

mặt bằng giá trị

, không còn giữ độ ổn định như trước.

Một số ví dụ quen thuộc:

Lượng truy cập website tăng đột ngột sau khi chạy chiến dịch.
Doanh số cửa hàng nhảy lên mức mới sau khi mở thêm chi nhánh.
Dữ liệu cảm biến thay đổi hẳn khi thay thiết bị đo mới.

Vấn đề ở đây: Những mô hình tuyến tính truyền thống thường học sai lệch vì nghĩ rằng sự tăng/giảm này là xu hướng dài hạn. Lúc đó, dự báo thường bị kéo lệch lên hoặc xuống, khiến chất lượng mô hình giảm đi đáng kể.

Trong nhóm kiến thức Time Series thuộc các module ML/DL (Module 4–7), đây là lỗi phổ biến khi mô hình giả định chuỗi ổn định nhưng thực tế lại không ổn định.

Vậy NLinear xử lý chuyện này ra sao?

Cốt lõi – NLinear “chuẩn hóa” chuỗi để loại bỏ Level Shift

Điểm đáng chú ý nhất của NLinear là: mô hình không học trực tiếp từ giá trị tuyệt đối của chuỗi, mà học từ phần thay đổi của chuỗi so với điểm đầu của cửa sổ.

Nói đơn giản:

NLinear trừ đi giá trị đầu tiên của mỗi cửa sổ đầu vào, giúp mô hình chỉ học phần
dao động nội bộ
, thay vì bị ảnh hưởng bởi mức độ cao–thấp của chuỗi.

Vì sao cách này hữu ích?

Nếu chuỗi bị dịch mức (level shift), toàn bộ cửa sổ sẽ bị tăng thêm cùng một lượng.
Khi trừ đi giá trị đầu, phần chênh lệch đó biến mất.
Mô hình không bị
nhiễu
bởi sự thay đổi mặt bằng và chỉ tập trung vào dạng sóng (pattern).

Đây là tư duy quen thuộc trong tối ưu và xử lý dữ liệu – nhóm kiến thức nền của nhiều module như Module 3 (tiền xử lý), Module 5 (tư duy tối ưu), Module 7 (regularization và cách mô hình ổn định hơn).

Minh họa thực tế

Giả sử chuỗi có cửa sổ:

[50, 52, 49, 51]

Một thời điểm khác, chuỗi nhảy lên mức mới:

[80, 82, 79, 81]

Nếu học trực tiếp, mô hình sẽ nghĩ rằng hai đoạn này khác nhau rất nhiều.

Nhưng với cơ chế của NLinear:

Cửa sổ 1 → trừ 50 →
[0, 2, -1, 1]
Cửa sổ 2 → trừ 80 →
[0, 2, -1, 1]

Về bản chất, pattern giống hệt nhau → mô hình học tốt hơn → dự báo ổn định hơn.

Nhờ vậy, NLinear xử lý tốt hơn trong các tình huống dữ liệu thay đổi mặt bằng giá trị liên tục.

Góc nhìn khi làm dự án AI/ML

Trong nhiều dự án dự báo:

Dữ liệu kinh doanh thường thay đổi trước–sau khi thay đổi chiến lược,
Dữ liệu thiết bị có thể đổi hẳn mức khi cập nhật firmware,
Dữ liệu cảm biến có thể nhảy bậc khi thay linh kiện,

Nếu dùng mô hình không xử lý Level Shift, kết quả dự báo thường:

Dao động mạnh,
Bị kéo lệch theo mức mới,
Hoặc mất tính ổn định khi triển khai.

NLinear là lựa chọn phù hợp khi:

Dữ liệu có nhiều lần dịch mức,
Chuỗi không ổn định nhưng pattern dao động vẫn lặp lại,
Cần mô hình đơn giản, tốc độ cao, dễ triển khai.

Các nhóm dự án thuộc ML/DL (Module 4–7) thường dùng tư duy

chuẩn hóa trước khi học

để giảm rủi ro mô hình bị nhiễu – và NLinear áp dụng đúng tinh thần này.

Lời khuyên cho người bắt đầu

Bạn có thể thử:

Quan sát dữ liệu sau khi chuẩn hóa theo cách của NLinear,
So sánh dự báo trước và sau khi xử lý Level Shift,
Kiểm tra xem pattern dao động có ổn định hay không.

Những bước thử nghiệm nhỏ như vậy giúp hiểu rõ hơn về đặc điểm của chuỗi và cách mô hình phản ứng với sự thay đổi mặt bằng.

Hỏi đáp nhanh về NLinear

NLinear có loại bỏ hoàn toàn Level Shift không?
Có, bằng cách trừ đi giá trị đầu tiên của mỗi cửa sổ đầu vào.

Cách này có làm mất xu hướng (trend) của chuỗi không?
Không, vì mô hình vẫn học pattern biến thiên, chỉ bỏ phần dịch mức.

NLinear có phù hợp với chuỗi nhiều nhiễu không?
Có, miễn là pattern dao động vẫn có cấu trúc.

NLinear có phải mô hình phi tuyến không?
Không, đây là mô hình tuyến tính có chuẩn hóa đầu vào.

FAQ về AIO

Q: Mình con số 0 thì học nổi không?
A: Chỉ cần có thời gian học mỗi ngày. Kiến thức và tài liệu team admin lo.

Q: Ai dạy AIO?
A: Toàn bộ admin AIO trực tiếp dạy và hỗ trợ trong suốt hành trình.

Q: Admin có “xịn” không?
A: Admin đều là người làm nghề thật. Không dám nói xịn, chỉ dạy bằng hết sức mình.

Q: AIO khác gì trung tâm khác?
A: AIO không phải trung tâm. Đây là dự án học tập cộng đồng với tinh thần

Cùng nhau học – cùng nhau khổ – cùng nhau lớn