Page 107 - Tạp chí Giao thông Vận Tải - Số Tết Dương Lịch

KHOA HỌC CÔNG NGHỆ Tập 64
Tập
6
4
Số 12/2024 (748)
tại Trạm Thủy văn Hà Nội. Tuy nhiên, các mô hình này vẫn Tài liệu tham khảo
2
có xuất hiện overfittings, mặc dù ở mức thấp do R trong [1]. Le XH, Ho HV, Lee G, Jung S. (2019), Application
tập huấn luyện cao hơn tập kiểm tra (Bảng 3.1). of long short-term memory (LSTM) neural network for flood
forecasting, Water, https://doi.org/10.3390/w11071387.
[2]. Ross AC, Stock CA. (2019), An assessment of
the predictability of column minimum dissolved oxygen
concentrations in Chesapeake Bay using a machine learning
model, https://doi.org/10.1016/j.ecss.2019.03.007.
[3]. Lin K, Lu P, Xu CY, Yu X, Lan T, Chen X. (2019),
Modeling saltwater intrusion using an integrated Bayesian
model averaging method in the Pearl River Delta, Journal of
Hydroinformatics, https://doi.org/10.2166/hydro.2019.073.
[4]. Palani S, Liong SY, Tkalich P. (2008), An ANN
application for water quality forecasting, Marine Pollution
Bulletin, https://doi.org/10.1016/j.marpolbul.2008.05.021.
[5]. Hunter JM, Maier HR, Gibbs MS, Foale ER,
Grosvenor NA, Harders NP, Kikuchi-Miller T C. (2018),
Framework for developing hybrid process-driven, artificial
neural network and regression models for salinity prediction
in river systems, Hydrology and Earth System Sciences,
https://doi.org/10.5194/hess-22-2987-2018.
[6]. Liu H, Sun GX, Cao RX. (2008), The application of
GM (1, 1) dynamic model in the forecast of groundwater
Hình 3.4: Quá trình lưu lượng thực đo và dự báo bằng mô hình LSTM level in Wujiang city, Journal of Geological Hazards and
với số lượng nơ-ron khác nhau ở thời gian t+1 Environment Preservation.
Nhìn chung, độ chính xác trong dự báo của mô hình [7]. Yang CH, Wu CH, Hsieh CM., Long short-term
LSTM với số lượng nơ-ron 1 không cao, vì mạng không đủ memory recurrent neural network for tidal level forecasting,
nơ-ron để học và nhận diện quy luật của chuỗi số liệu thời IEEE Access, https://doi.org/10.1109/ACCESS.2020.3017089.
gian, đặc biệt là với các chuỗi dữ liệu lớn. Chuỗi dữ liệu [8]. Hochreiter S, Schmidhuber J. (1997), Long short-
về lưu lượng nước của trạm thủy văn Hà Nội với 3.285x11 term memory, Neural Computation, https://doi.org/10.1162/
giá trị, là tập dữ liệu tương đối lớn, do đó mạng LSTM đơn neco.1997.9.8.1735.
giản với 1 nơ-ron không thể đáp ứng yêu cầu dự báo tốt. [9]. Long NT. (2018), Giai thích chi tiết về mạng Long
Tuy nhiên, chỉ cần thêm 1 nơ-ron vào mạng, kết quả đã cải Short Term Memory (LSTM), https://nguyentruonglong.net/
thiện rõ rệt tính chính xác của mô hình. Độ tin cậy của mô giai-thich-chi-tiet-ve-mang-longshort-term-memory-lstm.
hình với 2, 3 và 4 nơ-ron là khá cao và không có sự khác htmlon2021-09-09.
biệt lớn. Mô hình LSTM với 4 nơ-ron là thích hợp nhất vì giá [10]. Barzegar R, Aalami MT, Adamowski J. (2020),
trị loss của mạng này ít overfitting nhất, giá trị dự báo và Short-term water quality variable prediction using a hybrid
CNN-LSTM deep learning model, https://doi.org/10.1007/
thực tế gần như trùng nhau. Trong quá trình huấn luyện và
2
kiểm tra, R của mô hình này đạt giá trị cao nhất và trong s00477-020-01776-2.
[11]. Liang C, Li H, Lei M, Du Q. (2018), Dongting lake
khi RMSE thấp nhất (ngoại trừ RMSE giai đoạn huấn luyện).
2
Ở thời gian dự báo t+1, R ở mạng 2, 3, 4 nơ-ron rất water level forecast and its relationship with the three gorges
cao, từ 0,9335 đến 0,938 ở tập huấn luyện, từ 0,915 đến dam based on a Long Short-Term Memory network, Water,
0,927 ở tập kiểm tra. Nhìn chung, nghiên cứu xác định số https://doi.org/10.3390/w10101389.
[12]. Tu Z, Gao X, Xu J, Sun W, Sun Y, Su D. (2021), A
nơ-ron = 3, thời gian dự báo t+1 là tối ưu với bộ dữ liệu lưu
lượng nước trung bình ngày ở trạm Hà Nội. novel method for regional short-term forecasting of water
level, Water, https://doi.org/10.3390/w13060820.
[13]. Nguyen HQ, Ha NT, Pham TL., Inland harmful
4. KẾT LUẬN cyanobacterial bloom prediction in the eutrophic Tri An
Nghiên cứu đánh giá khả năng của mô hình LSTM
trong việc dự báo lưu lượng nước tại trạm thủy văn Hà Nội Reservoir using satellite band ratio and machine learning
approaches, Environmental Science and Pollution
trên sông Hồng, với độ chính xác của mô hình được xác
định dựa vào các chỉ số như R , RMSE, NASH. Từ dữ liệu hiện Research, https://doi.org/10.1007/s11356-019-07519-3.
2
[14]. Zhu S, Hrnjica B, Ptak M, Choiński A, Sivakumar
có và các kết quả đạt được, nghiên cứu rút ra một số kết
luận sau: (i) Mô hình LSTM dự báo lưu lượng nước trạm Hà B. (2020), Forecasting of water level in multiple temperate
lakes using machine learning models, Journal of Hydrology,
Nội có độ chính xác cao nhất ở thời gian dự báo t+1; (ii) Mặc
dù không có khác biệt lớn giữa các mô hình có 2, 3 và 4 nơ- https://doi.org/10.1016/j.jhydrol.2020.124819.
ron, nhưng kết quả nghiên cứu cho thấy mô hình tối ưu là
với 3 nơ-ron và dự báo cho t+1; (iii) Kết quả dự báo rất khả Ngày nhận bài: 22/10/2024
quan cho thấy tiềm năng ứng dụng mô hình LSTM vào các Ngày nhận bài sửa: 15/11/2024
nghiên cứu dự báo, mô phỏng tại Việt Nam, đặc biệt là các Ngày chấp nhận đăng: 25/11/2024
quá trình thủy văn và biến động môi trường.

106