Hướng tiếp cận hồi quy mới cho dự báo tốc độ gió
Vietnam J. Agri. Sci. 2021, Vol. 19, No. 4: 443-451
Tạp chí Khoa học Nông nghiệp Việt Nam 2021, 19(4): 443-451
HƯỚNG TIẾP CẬN HỒI QUY MỚI CHO DỰ BÁO TỐC ĐỘ GIÓ
Nguyễn Hoàng Huy*, Hoàng Thị Thanh Giang
Khoa Công nghệ thông tin, Học viện Nông nghiệp Việt Nam
Ngày nhận bài: 20.07.2020
Ngày chấp nhận đăng: 08.09.2020
TÓM TẮT
Trong bài báo này, chúng tôi giới thiệu một hướng tiếp cận sử dụng hồi quy tuyến tính (Linear Regression - LR)
trong hai bước, được gọi là two-step LR, để dự báo cho dữ liệu có cấu trúc không - thời gian (spatio - temporal data).
Ở bước đầu tiên tất cả các đặc trưng được chia thành các nhóm con và sử dụng hồi quy tuyến tính cho mỗi nhóm
con đặc trưng để có các giá trị hồi quy tương ứng với mỗi nhóm. Bước hai áp dụng hồi quy tuyến tính một lần nữa
cho các giá trị hồi quy thu được ở bước một để tạo ra giá trị hồi quy cuối cùng. Cách tiếp cận sử dụng two-step LR
có hiệu năng tốt nhất khi dự báo tốc độ gió. Dự báo tốc độ gió hữu ích cho tích hợp năng lượng gió vào lưới điện bởi
vì năng lượng gió được sinh bởi tuabin gió, có mối quan hệ mật thiết với tốc độ gió. Sự khó dự đoán trước và thay
đổi liên tục của tốc độ gió là một trong những khó khăn căn bản nhất của việc tích hợp này.
Từ khóa: Dữ liệu không - thời gian, dữ liệu số chiều cao, dự báo tốc độ gió.
A Novel Regression Approach for wind Speed Forecasting
ABSTRACT
The paper presents a spatio-temporal data forecasting approach using Linear Regression (LR) in two steps
called two-step LR. In the first step, all features were divided into subgroups and Linear Regressions was utilized
to obtain a regression value for each feature subgroup. In the second step, Linear Regressions was applied again
to these regression values to generate the final regression value. The approach using two-step LR had state-of-
the-art performance for a wind speed forecasting problem. Wind speed forecasting would be useful for the
integration of wind energy into the power grid because wind power generated by wind turbines has an intimate
relationship with wind speed and unpredictability and variability of wind speed is one of the fundamental difficulties
of this integration system.
Keyworks: spatio-temporal data, high dimensional data, wind speed forecasting.
liệu ổn đðnh hĄn (Nguyen Hoang Huy & cs.,
2014). Tuy nhiên trong các bài toán hồi quy
1. ĐẶT VẤN ĐỀ
thăc tế, vçn đề này sẽ dén đến tình träng là số
lþợng méu dĂ liệu n không đû lĆn so vĆi số
lþợng đặc trþng d (vçn đề dĂ liệu số chiều cao).
Không may, khi n không đû lĆn so vĆi d, vçn đề
hồi quy thống kê trong câ lý thuyết và thăc tế sẽ
khó giâi quyết hĄn (Bai & cs., 2019; Bickel &
Levina, 2008; Cai & Zhang, 2019; Hastie & cs.,
2009; Lei & cs., 2018).
Các hệ thống thu thêp dĂ liệu hiện đäi có
khâ nëng sân sinh lþợng lĆn dĂ liệu, trong đa số
trþąng hợp sẽ cho số lþợng lĆn đặc trþng Āng vĆi
mỗi méu dĂ liệu. Trong một số trþąng hợp, các
méu dĂ liệu đþợc thu thêp trong thąi gian dài có
thể dén đến phân bố không ổn đðnh, hay thêm
chí là dĂ liệu không liên quan, ví dý nhþ EEG
(Nguyen Hoang Huy & cs., 2014), hoặc dĂ liệu
vên tốc gió (Lei & cs., 2009). Trong nhĂng
trþąng hợp này, chúng ta có thể phân tích dĂ
liệu trong khoâng thąi gian ngín hĄn, vĆi số
lþợng méu dĂ liệu ít hĄn, để làm phân bố dĂ
Một số hþĆng tiếp cên đã đþợc đþa ra để
giâi quyết vçn đề hồi quy dĂ liệu số chiều cao
nòi trên (nghïa là khi n lĆn hĄn so vĆi d). Hæu
hết các phþĄng pháp này sā dýng các mô hình
443
Hướng tiếp cận hồi quy mới cho dự báo tốc độ gió
đĄn giân vĆi số tham số ít hĄn, nhþ “naive
Bayes”, hay hồi quy thþa (sparse regression)
(Bickel & Levina, 2004; Hastie & cs., 2009;
Hastie & cs., 2015), để tránh việc phâi þĆc lþợng
quá nhiều tham số trong các mô hình hồi quy.
Tuy nhiên, trong thăc tế dĂ liệu không phâi lúc
nào cüng thóa mãn các giâ thiết cûa phþĄng
pháp này. Ví dý nhþ trong nhiều tình huống dĂ
liệu không thóa mãn giâ thiết thþa, thêm chí
ngay câ khi giâ thiết này đþợc thóa mãn thì
phþĄng pháp hồi quy dăa trên giâ thiết thþa,
cüng không đâm bâo sẽ hoät động tốt do vçn đề
tþĄng tác giĂa các đặc trþng (Cai & Liu, 2011).
hþĆng dén cách nhòm các đặc trþng trong bþĆc
đæu tiên cûa two-step LDA.
Trong khi two-step LDA đþợc thiết kế để
giâi quyết bài toán phân loäi dĂ liệu số chiều
cao có tính khâ tách, nhþ trong dĂ liệu không -
thąi gian EEG và vén là câu hói mć, nếu phþĄng
pháp này có thể đþợc mć rộng cho bài toán hồi
quy. Trong bài này, chúng tôi mć rộng two-step
LDA thành two-step LR để xā lý dĂ liệu không
- thąi gian khâ tách số chiều cao. Giống nhþ
two-step LDA khi phân loäi dĂ liệu EEG, chúng
tôi chî ra bìng thăc nghiệm rìng two-step LR
hiệu quâ vĆi bài toán dă báo tốc độ gió (dĂ liệu
không - thąi gian), cho kết quâ tốt hĄn phþĄng
pháp mĆi nhçt dăa vào hþĆng tiếp cên học sâu
(Deep Learning).
Khi dĂ liệu không thóa mãn giâ thiết thþa,
một tính chçt quan trọng khác cûa dĂ liệu số
chiều cao thþąng thóa mãn trong thăc tế và
đþợc khai thác đò là tính khâ tách (trong dĂ liệu
không - thąi gian) (Bai & cs., 2019; Genton,
2007). Loäi dĂ liệu này có ma trên hiệp phþĄng
sai phån tách đþợc, nghïa là cò thể viết thành
tích tensor cûa ma trên hiệp phþĄng sai không
gian và ma trên hiệp phþĄng sai thąi gian. Cho
đến nay, chî có một vài phþĄng pháp sā dýng
tính chçt này để giâi quyết các bài toán phân
loäi hoặc hồi quy đối vĆi dĂ liệu số chiều cao,
tuy nhiên nhĂng phþĄng pháp này yêu cæu
thêm các giâ thiết nhþ mô hình trung bình cộng
tính (Huizenga & cs., 2002; Leiva & Roy, 2014).
Cæn lþu ý rìng, dă báo tốc độ gió là một
trong nhĂng bài toán quan trọng trong khoa học
khí tþợng (Lei & cs., 2009). Gæn đåy đã cò nhiều
hþĆng tiếp cên dăa vào dĂ liệu để giâi quyết bài
toán này tÿ các phþĄng pháp phån tích thống kê
theo chuỗi thąi gian nhþ Persistence Forecasting,
Autoregressive Model cho đến sā dýng mäng
thæn kinh nhân täo nhþ Wavelet Transform-
Based Artificial Neural Networks (WT-ANN),
ANN-based ST và LS-based ST (Bali & cs., 2019;
Sanandaji & cs., 2015; Tascikaraoglu & cs.,
2016). Trong khi ANN-based ST, LS-based ST là
nhĂng phþĄng pháp khai thác cçu trúc không -
thąi gian (ST) cûa dĂ liệu tốc độ gió, sā dýng
mäng thæn kinh nhân täo, bình phþĄng tối thiểu
(LS). Gæn đåy thì các tác giâ trong bài báo
Ghaderi & cs. (2017) đã đþa mô hình học sâu
LTSM cho toàn bộ dĂ liệu để dă báo tốc độ gió,
mà bó qua việc xem xét cçu trúc không - thąi
gian. Nò đþợc coi là phþĄng pháp tốt nhçt hiện
nay để giâi quyết bài toán dă báo tốc độ gió (Bali
& cs., 2019; Ghaderi & cs., 2017).
Hoang & cs. (2014) đã đề xuçt phþĄng pháp
two-step LDA để tránh việc phâi þĆc lþợng đồng
thąi nhiều tham số khi áp dýng mô hình phân
tích khác biệt tuyến tính (LDA). Two-step LDA
áp dýng LDA trong hai bþĆc thay vì một læn
duy nhçt cho tçt câ các thuộc tính. Đæu tiên,
LDA đþợc áp dýng cho các têp con đặc trþng.
Sau đò LDA đþợc áp dýng vào các giá trð kết
quâ thu đþợc tÿ bþĆc thĀ nhçt. Two-step LDA
yêu cæu tính toán ít hĄn bći vì nó không cæn trâi
qua các quy trình tối þu các tham số nhþ tham
số chînh hóa trong phân tích khác biệt tuyến
tính chînh hóa (regularized LDA), và có hiệu
nëng tốt nhçt trong phân loäi EGG. Đối vĆi dĂ
liệu có tính chçt khâ tách (dĂ liệu thóa mãn giâ
thiết ma trên hiệp phþĄng sai khâ tách), chúng
tôi đã chĀng minh đþợc tỷ lệ lỗi lý thuyết cûa
two-step LDA tþĄng đþĄng vĆi phþĄng pháp
Bayes vĆi tî lệ lỗi tối þu nhçt, đồng thąi đþa ra
2. PHƯƠNG PHÁP NGHIÊN CỨU
Trong nghiên cĀu này, chúng tôi phân tích,
tổng hợp läi cĄ sć lý thuyết cûa hồi quy tuyến
tính, rồi trên cĄ sć đò chúng tôi đề xuçt phþĄng
pháp hồi quy mĆi two-step LR. Trong mô hình
hồi quy tuyến tính, giâ sā có các méu huçn luyện
độc lêp {(xs, ys) ∈ Rd x R, s = 1, „, n} tÿ một đám
444
Nguyễn Hoàng Huy, Hoàng Thị Thanh Giang
đông chþa xác đðnh có phân bố P(x, y) nào đò.
là vector lỗi ngéu nhiên kích thþĆc n × 1 vĆi các
phæn tā ϵ1, „, ϵn là các biến ngéu nhiên độc lêp
có cùng phân bố và E[ϵi] = 0, Var (ϵi) = 2 < ∞, d
có thể lĆn hĄn n (d = 0(n)). Để đĄn giân hóa và
không mçt tính tổng quát, chúng ta có thể giâ
sā hệ số tă do cûa hàm hồi quy và giá trð trung
bình cûa tçt câ các biến đều bìng 0. Giâ thiết
này có thể đät đþợc bìng cách trung tâm hóa bći
trung bình méu. Hệ số cûa mô hình hồi quy
tuyến tính (LR) có thể đþợc xác đðnh bìng
phþĄng pháp bình phþĄng tối tiểu, nghïa là tìm
β làm tối tiểu lỗi
Cho một méu mĆi x cûa đám đông trên, chúng ta
cæn tìm hàm hồi quy
cho vector đặc
y f
trþng x, để có thể dă đoán giá trð y chþa biết Āng
vĆi quan sát mĆi x càng chính xác càng tốt. Trong
nghiên cĀu này, chúng tôi mć rộng two-step LDA
(Hoang & cs., 2014) thành two-step LR để xác
f
đðnh hàm hồi quy tuyến tính
. TþĄng tă
nhþ two-step LDA, two-step LR áp dýng hồi quy
tuyến tính trong hai bþĆc.
n
y xT 2
2.1. Hồi quy tuyến tính
argmin
i
i
Rd
i1
Hồi quy tuyến tính đã chĀng minh hiệu quâ
cao cho nhiều têp dĂ liệu khác nhau nếu đû
Để tối tiểu lỗi này, lçy đäo hàm tþĄng Āng
vĆi β để đþợc hệ phþĄng trình gồm n phþĄng
trình, d èn. Nếu d n, giâi hệ phþĄng trình này
ta đþợc:
d logd
nhiều méu huçn luyện, sao cho
0,
n
xem Bickel & Levina (2008) và Hastie & cs.
(2009). Tuy nhiên nếu n không đû lĆn so vĆi d
thì phþĄng pháp này cò hiệu nëng không tốt,
thêm chí ngay câ khi phân bố dĂ liệu xçp xî hay
là phân bố chuèn. Chính xác hĄn, khi n < d +1
XTX 1XTy 1
n
d
Khi d + 2 > n, XTX là một ma trên kích
thþĆc d × d, nhþng häng cûa nó thçp hĄn n. Nếu
, ma trên XTX không khâ nghðch, thêm
n
chí điều kiện xçu (ill-conditioned) vĆi hæu hết
các giá trð riêng bìng 0. Xây dăng mô hình hồi
quy tuyến tính sā dýng phþĄng pháp bình
phþĄng tối tiểu trong trþąng hợp này hoàn toàn
thçt bäi. Cách đĄn giân nhçt để xā lý trþąng
hợp này là thay thế ma trên nghðch đâo bìng
ma trên giâ nghðch đâo Moore-Penrose. Một vài
hþĆng tiếp cên khác là dăa trên kỹ thuêt chînh
hòa nhþ hồi quy Ridge, hồi quy Lasso cüng đã
đþợc đþa ra. Chúng tôi đề xuçt hþĆng tiếp cên
mĆi, đþợc gọi là two-step LR.
ma trên hiệp phþĄng sai méu là ma trên kỳ
dð, và hồi quy tuyến tính méu là không xác
đðnh. Một số phþĄng pháp đã đþợc đþa ra để
giâi quyết vçn đề này nhþ Hastie & cs. (2009)
và Lei & cs. (2018). Các phþĄng pháp phổ biến
thþąng dăa vào kỹ thuêt chînh hòa, nhþ hồi quy
Ridge và hồi quy tuyến tính Lasso. Các phþĄng
pháp Lasso dăa trên giâi thiết thþa. Tuy nhiên,
có nhĂng thuộc tính có thể làm giâm tî lệ lỗi cûa
hồi quy tuyến tính Lasso hoặc phân tích khác
biệt Lasso thông qua mối tþĄng quan vĆi nhĂng
đặc trþng khác mặc dù mỗi thuộc tính đò không
có ânh hþćng gì lên hàm phân biệt hoặc hồi quy.
2.2. Phương pháp two-step LR
TþĄng tă nhþ two-step LDA (Nguyen
Hoang Huy & cs., 2014), two-step LR cüng xā lý
trong hai bþĆc. Ở bþĆc đæu tiên two-step LR
phân chia tçt câ các đặc trþng thành q các têp
con rąi nhau xg, xsg ∈ Rpg, g = 1, „, q, s = 1,„, n,
Trọng tâm cûa nghiên cĀu này là đþa ra
hþĆng tiếp cên mĆi cho xây dăng hàm hồi quy
cho các mô hình tuyến tính trong không gian số
chiều trung bình:
y = Xβ + ϵ
T T
T
T
T
T
x x1 ,...,xq
,
xs xs1,...,xsq
,
p1 + „ + pq =
trong đò y = (y1, „, yn)T, X là ma trên thiết
kế Gaussian kích thþĆc n × d, vĆi mỗi hàng độc
lêp sinh tÿ cùng một phân bố x ~ N(0, ), β là
d. Cách xác đðnh các têp con đặc trþng là rçt
quan trọng và chúng tôi kế thÿa tÿ two-step
LDA. Để đĄn giân hóa, trong bài báo này chúng
i
vector tham số thăc să vĆi kích thþĆc d × 1, và ϵ
445
Hướng tiếp cận hồi quy mới cho dự báo tốc độ gió
tôi thiết lêp p1 = „ = pq và d = pq. Sau đò hồi quy
tuyến tính đþợc áp dýng cho mỗi têp con đặc
Huy & cs., 2014), khi áp dýng two-step LR cho
dĂ liệu không - thąi gian, chúng tôi sā dýng dĂ
liệu tÿ tçt câ các đða điểm täi tÿng thąi điểm để
dă báo täi một thąi điểm cý thể ć bþĆc đæu tiên.
Sau đò tçt câ kết quâ dă đoán ć bþĆc đæu tiên
đþợc kết hợp để täo ra kết quâ dă báo cuối cùng
täi một thąi điểm xác đðnh. Trong phæn này
chúng tôi đþa ra quy trình áp dýng two-step LR
để dă báo dĂ liệu täi các đða điểm khác nhau,
täi h thąi điểm tiếp theo sā dýng dĂ liệu ć l thąi
điểm trþĆc đò. Chúng tôi thăc hiện điều đò bìng
h bþĆc sau:
trþng xg để đþợc hàm hồi quy tuyến tính
f
g
T
g
g
g
trong đò, g đþợc xác đðnh bìng cách áp
dýng phþĄng pháp bình phþĄng tối thiểu trên
các méu huçn luyện:
{xsg Rp, g = 1,„, q; s = 1,„, n}
Trong trþąng hợp p + 2 > n, ma trên nghðch
đâo ć công thĀc (1) đþợc thay thế bći ma trên giâ
nghðch đâo Moore-Penrose để xác đðnh βg. Trong
bþĆc hai, hồi quy tuyến tính đþợc áp dýng một
læn nĂa vĆi điểm kết quâ tính ć bþĆc một:
BþĆc 1: Dă báo dĂ liệu ć mỗi đða điểm, täi
thąi điểm t + 1 bìng cách áp dýng two-step LR
cho khối dĂ liệu täi l thąi điểm, tÿ thąi điểm
t – l + 1 đến t, ć tçt câ các đða điểm.
z
1
s1
q
sq
BþĆc 2: Dă báo dĂ liệu ć mỗi đða điểm, täi
thąi điểm t + 2 bìng cách áp dýng two-step LR
cho khối dĂ liệu bao gồm dĂ liệu thăc täi l – 1
thąi điểm tÿ t – l + 2 đến t, ć tçt câ các đða điểm,
gộp vĆi dĂ liệu đþợc dă báo täi thąi điểm t + 1,
đåy là kết quâ tÿ bþĆc 1.
vĆi s = 1,„, n để đþợc hàm hồi quy two-step
f*(x) cuối cùng. Điều đò cò nghïa f*(x) xác đðnh
nhþ sau:
f
1
q
trong đò là hàm hồi quy tuyến tính. Hình
2 mô tâ lþợc đồ cûa quá trình thăc hiện two-
step LR.
f
BþĆc 3: Dă báo dĂ liệu ć mỗi đða điểm, täi
thąi điểm t + 3 bìng cách áp dýng two-step LR
cho khối dĂ liệu bao gồm dĂ liệu thăc täi l – 2
thąi điểm tÿ thąi điểm t – l + 3 đến t, ć tçt
câ các đða điểm, gộp vĆi dĂ liệu dă báo täi 2
thąi điểm tÿ t + 1 đến t + 2, đåy là kết quâ tÿ
bþĆc 1, 2.
2.3. Dự báo dữ liệu không - thời gian dựa
trên two-step LR
TþĄng tă two-step LDA (Nguyen Hoang
Hình 2. Lược đồ của two-step LR
446
Nguyễn Hoàng Huy, Hoàng Thị Thanh Giang
CĀ tiếp týc lặp läi nhþ vêy cho đến bþĆc h
thông dýng trong dă báo tốc độ gió (Lei & cs.,
2009). Chúng đþợc xem là các mô hình chuỗi
thąi gian đĄn giân nhçt nhþng cò thể vþợt trội
nhiều mô hình phĀc täp khác trong dă báo tốc
độ gió ngín hän (Sanandaji & cs., 2015;
Tascikaraoglu & cs., 2016). Để câi tiến độ chính
xác dă đoán, nhiều mô hình tþĄng quan không
gian đþợc đþa ra để khai thác mối quan hệ tốc
độ gió ć nhĂng vð trí khác nhau. Tuy nhiên
chúng chî gæn nhþ áp dýng các phþĄng pháp
học máy nhþ mäng nĄron nhån täo (ANN-based
ST), phþĄng pháp bình phþĄng tối tiểu (LS-
based ST) đối vĆi tçt câ dĂ liệu không - thąi
gian hoặc vĆi dĂ liệu đã đþợc biến đổi thông qua
biến đổi Wavelet (WT-ANN),„ (Lei & cs., 2009;
BþĆc h: Dă đoán dĂ liệu ć mỗi đða điểm, täi
thąi điểm t + h bìng cách áp dýng two-step LR
cho khối dĂ liệu bao gồm dĂ thăc täi l – h + 1
thąi điểm tÿ thąi điểm t – l + h đến t, ć tçt câ
các träm, gộp vĆi dĂ liệu dă báo täi h – 1 thąi
điểm tÿ t + 1 đến t + h - 1, đåy là kết quâ tÿ các
bþĆc 1, 2,„, h – 1. Quá trình dă báo trong h bþĆc
cho h thąi điểm sau thąi điểm t, sā dýng dĂ liệu
täi l thąi điểm trþĆc đò đþợc mô tâ nhþ sau:
TwoStepLD
sd
,...,sd ,sdt1,...,sdti1 sdti
tli
t
i = 1, 2,„, h
trong đò h, l là nhĂng tham số cho trþĆc,
sdt,
læn lþợt là khối dĂ liệu thăc và dă đoán
Sanandaji
&
cs., 2015; Tascikaraoglu
&
sdt
Uzunoglu, 2014; Tascikaraoglu & cs., 2016).
täi tçt câ các đða điểm (spatial data) vào thąi
điểm t.
Gæn đåy các thuêt toán học såu nhþ Deep
Learning-based Spatio-Temporal Forecasting
(DL-STF) đþợc sā dýng để dă báo tốc độ gió
(Ghaderi & cs., 2017; Yu & cs., 2019; Wu & cs.,
2019). TþĄng tă nhĂng phþĄng pháp trên, nò
khai thác toàn bộ dĂ liệu không - thąi gian nhþ
dĂ liệu đæu vào cho thuêt toán dă đoán, sā dýng
Recurrent Neural Networks (RNN) và Long
Short Term Memory (LSTM) (Ghaderi & cs.,
2017). PhþĄng pháp này vþợt trội các kết quâ
dă báo tốc độ gió gæn đåy. Tuy nhiên, tçt câ các
phþĄng pháp trên đều không dăa vào cçu trúc
không - thąi gian bên trong cûa dĂ liệu tốc
độ giò, nhþ tính khâ tách cûa ma trên hiệp
phþĄng sai.
3. KẾT QUẢ VÀ THẢO LUẬN
3.1. Bài toán dự báo tốc độ gió
Nëng lþợng giò đã đþợc phát triển nhanh
chóng và ngày càng trć thành nëng lþợng tái
täo quan trọng ć nhiều vùng trên thế giĆi, đặc
biệt ć nhĂng nþĆc châu Âu (Lei & cs., 2009).
Tích hợp nëng lþợng giò vào lþĆi điện trên diện
rộng là thiết yếu và nhiều thách thĀc do bân
chçt ngéu nhiên cûa gió. Să tích hợp sẽ thuên
tiện hĄn nếu dă báo chính xác đþợc nëng lþợng
gió trong ngín hän (Ghaderi, 2017). Có nhiều
hþĆng tiếp cên để dă đoán nëng lþợng gió, tuy
nhiên hþĆng tiếp cên dăa vào dă đoán tốc độ gió
vén đþợc xem là hþĆng tiếp cên nổi bêt nhçt
(Tascikaraoglu & cs., 2016).
3.2. Mô tả dữ liệu
3.2.1. Tập dữ liệu NCHMF
Nhiều phþĄng pháp dă báo tốc độ giò đþợc
đþa ra, cò thể chia làm 2 loäi: phþĄng pháp vêt
lý, và phþĄng pháp thống kê (Lei & cs., 2009).
PhþĄng pháp vêt lý khai thác nhiều thuộc tính
vêt lý nhþ đða hình, áp suçt, nhiệt độ, có lợi thế
trong dă báo tốc độ gió dài hän. PhþĄng pháp
thống kê thþąng dăa vào giá trð lðch sā, nhþ mô
hình ARMA, và thþąng cho kết quâ tốt trong dă
báo tốc độ gió ngín hän. Bài báo này têp trung
vào dă báo tốc độ gió ngín hän dăa vào dĂ liệu
tốc độ gió lðch sā.
Têp dĂ liệu gió NCHMF tÿ trung tâm dă
báo khí tþợng thûy vën quốc gia Việt Nam đþợc
đo ć 13 träm thąi tiết Hà Giang, Cao Bìng,
Tuyên Quang, Hña Bình, Nam Đðnh, Hà Đông,
Phú Liễn, Läng SĄn, Bãi Cháy, Tiên Yên, Mòng
Cái, Bäch Long Vï, Hội Xuân. NhĂng träm này
ć miền bíc Việt Nam vĆi kinh độ tÿ 104.044220
đến 107.848208, vï độ tÿ 20.020846 đến
22.401052, nhþ trong hình 3. Tốc độ gió ć träm
Bäch Long Vï thay đổi nhanh và không ổn đðnh
nhþ các träm khác khác. DĂ liệu quan sát tÿ
ngày 01/10/2016 đến 01/01/2019. Tốc độ giò đþợc
đo ba gią một læn.
Mô hình ARMA và một số trþąng hợp đặc
biệt nhþ mô hình AR, mô hình Persistence rçt
447
Hướng tiếp cận hồi quy mới cho dự báo tốc độ gió
Hình 3. Vị trí trạm khí tượng đo tốc độ gió
của Trung tâm Dự báo khí tượng thủy văn quốc gia Việt Nam
Hình 4. Vị trí trạm đo dữ liệu tốc độ gió METAR
3.2.2. Tập dữ liệu METAR
3.3. Kết quả ứng dụng two-step LR
Têp dĂ liệu tốc độ gió hàng gią METAR
đþợc thu thêp tÿ các báo cáo thąi tiết täi 57
câng sân bay ć bą biển phía đông Hoa Kỳ, bao
gồm Massachusetts, Connecticut, New York,
New Hampshire. Hình 4 cho thçy vð trí cûa các
câng sân bay này. Dçu đó là sân bay ACK, nìm
trên một hñn đâo. Tốc độ gió ć đâo đò thay đổi
rçt nhanh, tþĄng tă nhþ nhĂng gì ć träm thąi
tiết Bäch Long Vï cûa Việt Nam, một trong 13
träm thąi tiết ć hình 3. Tốc độ gió tÿ 06/01/2014
đến 20/02/2014 đþợc sā dýng để kiểm tra hiệu
nëng cûa các phþĄng pháp học máy đþợc nghiên
cĀu. Đåy là thąi điểm, tốc độ gió không ổn đðnh
hĄn tçt câ các khoâng thąi gian khác.
TþĄng tă two-step LDA (Nguyen Hoang
Huy & cs., 2014), two-step LR xác đðnh các
nhòm con đặc trþng gồm tçt câ các đặc trþng täi
mỗi thąi điểm. Chúng tôi cüng không áp dýng
bçt kỳ kỹ thuêt học máy nào nhþ chînh hòa để
nâng cao hiệu nëng cûa hồi quy tuyến tính đþợc
thăc hiện ć mỗi bþĆc. Do đò không cò să thiết
lêp siêu tham số nào khác cûa two-step LR. HĄn
nĂa độ phĀc täp tính toán cûa two-step LR
giâm đi do chî áp dýng hồi quy tuyến tính trên
mỗi nhòm con đặc trþng.
Bâng 1 so sánh hiệu suçt cûa phþĄng pháp
đþợc chúng tôi đþa ra vĆi các phþĄng pháp khác
trên têp dĂ liệu METAR. Để so sánh sai số cûa
448
Nguyễn Hoàng Huy, Hoàng Thị Thanh Giang
có thể thçy hiệu nëng dă đoán trên ACK hoặc
tçt câ các träm cûa two-step LR trội hĄn DL-
STF, phþĄng pháp tốt nhçt hiện nay.
các phþĄng pháp, chúng tôi sā dýng ba độ đo
thông dýng là MAE, RMSE và NRMSE. Trong
thā nghiệm này chúng tôi chọn l = 12, h = 6 theo
Ghaderi (2017), đåy là tham số cho hiệu nëng
tốt nhçt cûa DL-STF trên têp dĂ liệu METAR.
Lăa chọn l = 12, h = 6 cò nghïa là two-step LR
và các phþĄng pháp khác sā dýng d = 684 = 57 ×
12 giá trð quan tríc (đặc trþng) tÿ 57 träm và 12
thąi điểm (gią) trþĆc đò để dă đoán giá trð tốc độ
gió trong 6 gią tiếp theo. Chúng tôi sā dýng dĂ
liệu tốc độ gió tÿ 6.012 gią liên tiếp (250,5 ngày),
hình thành 6.000 méu huçn luyện để học mô
hình dă báo và các méu kiểm tra là tốc độ gió
trong giai đoän không ổn đðnh nhçt tÿ
06/01/2014 đến 20/02/2014 nhþ đã nêu trong bài
báo cûa Ghaderi & cs. (2017). Cý thể hĄn về các
phþĄng pháp khác đþợc trình bày cý thể trong
các bài báo cûa Sanandaji & cs. (2015) và
Tascikaraoglu & cs. (2016).
Hình 5 biểu diễn dĂ liệu tốc độ gió thăc tế
(đþąng màu xanh) và tốc độ gió dă đoán (đþąng
màu đó) tÿ dĂ liệu kiểm tra trên 16 träm quan
sát. Đồ thð đæu tiên trong hình Āng vĆi träm
quan sát ć câng sân bay ACK.
Trong têp dĂ liệu NCHMF, có 3 giá trð tốc
độ gió bð thiếu và chúng tôi đã thay thế chúng
bìng giá trð tốc độ giò đo täi thąi điểm trþĆc đò
(3 tiếng trþĆc), ć cùng träm. Bâng 3 biểu diễn
hiệu nëng cûa DL-STF và two-step LR khi sā
dýng tçt câ dĂ liệu tÿ 13 träm thąi tiết vĆi
l = 12, h = 6. Bìng cách này thì DL-STF và two-
step LR có thể khai thác tçt câ các thông tin
tþĄng tác èn giĂa các träm. Qua bâng 3, chúng
ta có thể thçy two-step LR có hiệu nëng dă báo
tốc độ gió tốt hĄn hoặc bìng phþĄng pháp đang
cho kết quâ tốt nhçt hiện nay là DL-STF, xem
bài báo Ghaderi & cs. (2017).
Bâng 2 trình bày 3 sai số trung bình cûa tçt
câ các träm trên têp dĂ liệu METAR. Chúng ta
Bảng 1. Sai số của các phương pháp khác nhau trên trạm ACK
Method
MAE (m/s)
2,14
RMSE (m/s)
2,83
NRMSE (%)
Persistence Forecasting
AR of order 1
AR of order 3
WT-ANN
16,86
16,44
16,40
14,68
13,69
13,08
13,08
11,48
2,07
2,07
1,82
1,80
1,72
1,63
1,40
2,76
2,76
2,47
2,30
2,20
2,19
1,93
ANN-based ST
LS-based ST
DL-STF
Two-Step LR
Bảng 2. Sai số trung bình trên tất cả các trạm sử dụng DL-STF, two-step LR
Method
DL-STF
Two-Step LR
MAE (m/s)
1,18
RMSE (m/s)
1,62
NRMSE (%)
16,28
1,09
1,44
14,32
Bảng 3. Sai số trung bình của DL-STF và Two-Step LR trên trạm Bạch Long Vĩ và cả 13 trạm
Method
DL-STF
Locations
Bach Long Vi
All Stations
Bach Long Vi
All Stations
MAE (m/s)
1,70
RMSE (m/s)
2,36
NRMSE (%)
13,86
0,82
1,16
19,09
Two-Step LR
1,67
2,27
13,34
0,82
1,07
18,04
449
Hướng tiếp cận hồi quy mới cho dự báo tốc độ gió
Hình 5. So sánh giữa tốc độ gió thực tế và dự báo trên dữ liệu kiểm tra
Bickel P.J. & Levina E. (2004). Some theory for
Fisher’s linear discriminant function, ‘naive
Bayes’, and some alternatives when there are many
more variables than observations. Bernoulli.
10(6): 989-1010.
4. KẾT LUẬN
Hiệu suçt cûa hồi quy tuyến tính bð ânh
hþćng bći số chiều. Để giâi quyết vçn đề này,
chúng tôi giĆi thiệu phþĄng pháp áp dýng hồi
quy tuyến tính trong hai bþĆc, đþợc gọi là two-
step LR. HþĆng tiếp cên này đþợc gợi ý tÿ two-
step LDA và tính khâ tách cûa ma trên hiệp
phþĄng sai cûa dĂ liệu tốc độ gió. VĆi dĂ liệu tốc
độ gió có số chiều cao trung bình, hiệu nëng cûa
cách tiếp cên này tốt hĄn các phþĄng pháp mĆi
nhçt. Ngày nay, có nhiều phþĄng pháp điều
chînh hồi quy tuyến tính cho dĂ liệu có số chiều
cao nhþ là hồi quy Lasso và các câi tiến cûa nó.
Tuy nhiên, vĆi hiểu biết cûa tôi, các thuêt toán đò
chþa đþợc thā nghiệm cho dă báo tốc độ gió.
Trong tþĄng lai, hþĆng tiếp cên hai bþĆc sā dýng
nhĂng thuêt toán này nên đþợc khâo sát tî mî.
Bickel P.J.
&
Levina E. (2008). Covariance
regularization by thresholding. The Annals of
Statistics. 36: 2577-2604.
Cai T. & Liu W. (2011). A direct estimation approach
to sparse linear discriminant analysis. Journal
of the American Statistical Association.
106(496): 1566-1577.
Cai T. & Zhang L. (2019). High dimensional linear
discriminant analysis: optimality, adaptive
algorithm and missing data. Journal of the Royal
Statistical
Society:
Series
B
(Statistical
Methodology). 81(4): 675-705.
Genton M.G. (2007). Separable approximation of
space-time covariance matrices. Environmetrics.
18: 681-695.
Ghaderi A., Sanandaji B. M. & Ghaderi F. (2017).
Deep forecast: Deep learning-based spatio-
temporal forecasting. 34th ICML Time Series
Workshop. Sydney, Australia.
TÀI LIỆU THAM KHẢO
Bali V., Kumar A. & Gangwar S. (2019). Deep
Learning based Wind Speed Forecasting-A
Review. 9th International Conference on Cloud
Hastie T., Tibshirani R. & Friedman J. (2009). The
Elements of Statistical Learning: DataMining,
Inference, and Prediction. Springer Series in
Statistics, Springer-Verlag.
Computing, Data Science
(Confluence). India. pp. 426-431.
&
Engineering
Bai Z., Li H. & Pan G. (2019). Central limit theorem
for linear spectral statistics of large dimensional
separable sample covariance matrices. Bernoulli.
25(3): 1838-1869.
Hastie T., Tibshirani R. & Wainwright M. (2015).
Statistical Learning with Sparsity: The Lasso and
Generalizations. Chapman & Hall/CRC Press.
450
Nguyễn Hoàng Huy, Hoàng Thị Thanh Giang
Huizenga H.M., De Munck J.C., Waldorp L.J. &
Grasman R.P.P.P. (2002). Spatiotemporal
Sanandaji B.M., Tascikaraoglu A., Poolla K. &
Varaiya P. (2015). Low dimensional models in
EEG/MEG source analysis based on a parametric
noise covariance model. IEEE Transactions on
Biomedical Engineering. 49: 533-539.
spatio-temporal
American Control Conference. Chicago, USA.
pp. 4485-4490.
wind
speed
forecasting.
Huy N.H., Frenzel S. & Bandt C. (2014). Two-step
linear discriminant analysis for classification of
eeg data. In M. Spiliopoulou, L. Schmidt-Thieme
and R. Janning, editors, Data Analysis, Machine
Learning and Knowledge Discovery. Springer,
Cham. pp. 41-50.
Tascikaraoglu A. & Uzunoglu M. (2014). A review of
combined approaches for prediction of short-term
wind speed and power. Renewable and Sustainable
Energy Reviews. 34: 243-254.
Tascikaraoglu A., Sanandaji B. M., Poolla K. &
Varaiya P. (2016). Exploiting sparsity of inter-
connections in spatio-temporal wind speed
forecasting using wavelet transform. Applied
Energy. 165 (1): 735-747.
Lei M., Shiyan L., Chuanwen J., Hongling L. & Yan Z.
(2009). A review on the forecasting of wind speed
and generated power. Renewable and Sustainable
Energy Reviews. 13: 915-920.
Yu R., Gao J., Yu M., Lu W., Xu T., Zhao M., Zhang
J., Zhang R. & Zhang Z. (2019). LSTM-EFG for
wind power forecasting based on sequential
correlation features. Future Generation Computer
Systems. 93: 33-42.
Lei L., Bickel P.J., Karoui N.E. (2018). Asymptotics
for high dimensional regression M-estimates: fixed
design results. Probability Theory and Related
Fields. 172 (3-4): 983-1079.
Leiva R. & Roy A. (2014). Classification of Higher-
order Data with Separable Covariance and
Structured Multiplicative or Additive Mean
Models. Communications in Statistics - Theory
and Methods. 43(5): 989-1012.
Wu Y.X., Wu Q. B. & Zhu J.Q. (2019). Data-driven
wind speed forecasting using deep feature
extraction and LSTM. IET Renewable Power
Generation. 13(12): 2062-2069.
451
9 trang
21980
Free
Bạn đang xem tài liệu "Hướng tiếp cận hồi quy mới cho dự báo tốc độ gió", để tải tài liệu gốc về máy hãy click vào nút Download ở trên
File đính kèm:
- huong_tiep_can_hoi_quy_moi_cho_du_bao_toc_do_gio.pdf
