Sử dụng mạng nơ-ron nhân tạo dự báo mực nước sông chịu ảnh hưởng của thủy triều
KHOA HỌC
CÔNG NGHỆ
SỬ DỤNG MẠNG NƠ-RON NHÂN TẠO DỰ BÁO MỰC NƯỚC SÔNG
CHỊU ẢNH HƯỞNG CỦA THỦY TRIỀU
Hồ Việt Tuấn
Công ty TNHH Framgia Việt Nam
Hồ Việt Hùng
Trường Đại học Thủy Lợi
Tóm tắt: Mạng nơ-ron hồi quy (Recurrent Neural Network - RNN) được sử dụng rộng rãi trong
nhiều lĩnh vực khác nhau, trong đó có thủy lợi. Các mô hình RNN được ứng dụng để dự báo mực
nước sông, lưu lượng đến hồ chứa… Trong bài báo này, các tác giả đã thiết lập một mô hình Long
Short-Term Memory network (LSTM), một dạng đặc biệt của RNN, để dự báo mực nước ở hạ lưu
cống - âu thuyền Cầu Cất thuộc hệ thống thủy lợi Bắc Hưng Hải. Dữ liệu đầu vào của mô hình
chỉ là mực nước ở hạ lưu cống Cầu Cất trong quá khứ, kết quả dự báo là mực nước ở đó cho 6
giờ, 12 giờ, 18 giờ và 24 giờ trong tương lai. Mô hình mà các tác giả đề xuất cho kết quả có độ
chính xác cao và ổn định, hệ số Nash dao động từ 95.3% đến 91.6% tương ứng với các trường
hợp dự báo. Vì vậy, có thể ứng dụng mô hình này để dự báo mực nước tại các cống vùng triều,
giúp cho việc vận hành cống an toàn, hiệu quả.
Từ khóa: Mạng nơ-ron hồi quy (RNN), LSTM, dự báo mực nước, âu thuyền Cầu Cất.
Summary: Recurrent Neural Network (RNN) is widely used in many different fields, including
irrigation. RNN models have been applied to forecast river water levels, reservoir’s inflow... In
this paper, the authors developed a Long Short-Term Memory Network model (LSTM), a special
type of RNN, to predict water levels downstream of Cau Cat Culvert in the Bac Hung Hai irrigation
system. The input data of the model are just the water levels downstream of Cau Cat Culvert in
the past, the predicted result is the water level there for 6 hours, 12 hours, 18 hours and 24 hours
of lead-time in the future. The model proposed by the authors provides results with high accuracy
and stability, with Nash coefficients ranging from 95.3% to 91.6% corresponding to the predicted
cases. Therefore, it is possible to use this model to forecast the water level in the tidal sluice,
helping to operate the culvert safely and effectively.
Key words: Recurrent Neural Network (RNN), LSTM, forecast river water levels, Cau Cat
Culvert.
1. GIỚI THIỆU CHUNG*
ở các cống tưới tiêu kết hợp nhằm giúp cho quy
trình vận hành cống phù hợp và hiệu quả. Nhằm
Trí tuệ nhân tạo (Artificial Intelligence - AI)
giúp độc giả hiểu rõ hơn các ứng dụng của AI
ngày càng được ứng dụng rộng rãi trong nhiều
trong lĩnh vực tài nguyên nước, bài báo này
lĩnh vực khác nhau của đời sống. AI có thể được
trình bày một mô hình áp dụng mạng nơ-ron
áp dụng trong ngành Thủy lợi để dự báo mực
nhân tạo (Artificial Neural Network - ANN) để
nước hoặc lưu lượng dòng chảy trong sông
dự báo mực nước sông vùng chịu ảnh hưởng
nhằm cảnh báo lũ, góp phần giảm nhẹ và phòng
của thủy triều.
ngừa tác hại của lũ lụt, hoặc dự báo mực nước
Ngày nhận bài: 11/10/2018
Ngày duyệt đăng: 05/12/2018
Ngày thông qua phản biện: 30/11/2018
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 52 - 2019
1
KHOA HỌC
CÔNG NGHỆ
Từ trước đến nay, các mô hình thủy lực được áp lượng dòng chảy cho 10 ngày sau đó. Lê Xuân
dụng rộng rãi ở Việt Nam cũng như trên thế giới Hiền, Hồ Việt Hùng (2018) đã ứng dụng mô
để tính toán dòng chảy trong sông vùng chịu hình bộ nhớ gần xa, Long Short-Term Memory
ảnh hưởng của thủy triều, phục vụ cho công tác (LSTM) để dự báo mực nước tại các trạm thủy
quy hoạch phòng chống lũ lụt hay hạn hán, xâm văn ở Hải Phòng, khu vực bị ảnh hưởng của
nhập mặn. Tuy nhiên, các mô hình này thường thủy triều. Các tác giả đã sử dụng dữ liệu là mực
yêu cầu một lượng lớn các dữ liệu đầu vào như nước giờ để dự báo mực nước trong tương lai
địa hình, lượng mưa, các lưu lượng chảy qua từ 1 giờ đến 5 giờ, tại trạm Quang Phục và Cửa
cống lấy nước hay thoát nước... Các thông số Cấm [1]. Hồ Việt Hùng và nnk (2018) đã xây
của mô hình phải được hiệu chỉnh và kiểm định dựng một mô hình toán dựa trên mạng nơ-ron
dựa trên nhiều tài liệu thực đo, do đó không dễ hồi quy (Recurrent Neural Network - RNN),
dàng lựa chọn các thông số phù hợp. Trong một dạng ứng dụng chuyên sâu của mô hình
trường hợp không có đủ tài liệu địa hình, địa ANN, để dự báo lưu lượng lũ sông Đà tại Lai
mạo và tùy theo nhu cầu thực tế, mô hình mạng Châu trước 1 ngày [2] và dự báo lưu lượng dòng
nơ-ron nhân tạo (ANN) có thể được áp dụng để chảy sông Hồng tại trạm Sơn Tây trước 1 ngày,
dự báo các yếu tố thủy văn, thủy lực của dòng 2 ngày và 3 ngày [3]. Mô hình mà các tác giả đề
chảy. Các mô hình ANN dựa trên mối quan hệ xuất không đòi hỏi các dữ liệu về địa hình và
giữa các dữ liệu đầu vào và đầu ra để học các thảm phủ bề mặt lưu vực sông, chỉ cần các dữ
quy luật trong quá khứ từ đó đưa ra các dự báo liệu về lưu lượng dòng chảy. Lê Xuân Hiền và
trong tương lai.
nnk (2018) đã sử dụng mô hình LSTM để dự
báo lưu lượng nước về hồ Hòa Bình trước 6 giờ,
12 giờ và 18 giờ [7]. Những nghiên cứu kể trên
cho thấy rằng, các mô hình dự báo dòng chảy
dựa trên ANN ngày càng phổ biến và có thể ứng
dụng rộng rãi trong ngành Thủy lợi.
Trên thế giới, các mô hình ANN đã được sử
dụng để dự báo lũ từ năm 1990. Sau đó, các nhà
khoa học đã áp dụng và cải tiến các thuật toán
trong mô hình ANN nhằm tăng độ chính xác
trong dự báo (Lê Xuân Hiền, Hồ Việt Hùng,
2018) [1]. Asaad Y. Shamseldin (2010) [5] đã Trong bài báo này, các tác giả xây dựng một mô
khai thác sử dụng mạng nơ-ron nhân tạo để dự hình mạng nơ-ron hồi quy (RNN) để dự báo
báo lưu lượng dòng chảy sông Nile xanh ở mực nước ở hạ lưu cống – âu thuyền Cầu Cất
Sudan. Trong nghiên cứu này, tác giả đã sử thuộc hệ thống thủy lợi Bắc Hưng Hải, với 4
dụng giá trị lưu lượng dòng chảy trung bình trường hợp dự báo: 6 giờ, 12 giờ, 18 giờ và 24
ngày của sông Nile xanh đo tại Eldeim gần biên giờ.
giới Sudan - Ethiopia và dữ liệu lượng mưa
trung bình ngày trong khu vực cho giai đoạn
bốn năm 1992-1995 để dự báo. Chen, J.F. và
nnk (2014) [6] đã sử dụng thuật toán Cuckoo
2. PHƯƠNG PHÁP NGHIÊN CỨU VÀ DỮ
LIỆU ĐẦU VÀO
2.1. Mạng nơ-ron hồi quy (RNN) và mạng
LSTM
Search để dự báo lưu lượng dòng chảy đến hồ
Hòa Bình, Việt Nam. Ngoài ra, có thể kể đến Mạng nơ-ron nhân tạo được mô phỏng dựa trên
các nghiên cứu ở trong nước như: Trương Xuân hoạt động của hệ thống thần kinh động vật, là
Nam, Nguyễn Thanh Tùng (2016) đã sử dụng mô hình xử lý thông tin nhờ một lượng lớn các
phương pháp Học sâu để dự báo lưu lượng nước nơ-ron được gắn kết với nhau. Cấu trúc cơ bản
đến hồ Hòa Bình [4]. Trong nghiên cứu này, các của một ANN gồm 3 thành phần, được gọi là:
tác giả đã sử dụng dữ liệu đầu vào là lưu lượng lớp dữ liệu đầu vào (Input layer), lớp ẩn
mùa kiệt từ năm 1964 đến 2002 với bước thời (Hidden layer) và lớp dữ liệu đầu ra (Output
gian quan trắc 10 ngày và đưa ra dự báo lưu layer) như Hình 1 [3]. Một ANN có thể có một
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 52 - 2019
2
KHOA HỌC
CÔNG NGHỆ
hoặc nhiều lớp ẩn, phụ thuộc vào kích thước của là một dạng đặc biệt của RNN nhằm giải quyết
tập dữ liệu đầu vào và yêu cầu về độ chính xác các bài toán có sự phụ thuộc dài hạn (long-term
của kết quả dự báo.
dependency). LSTM xuất hiện lần đầu tiên vào
năm 1997, sau đó đã được cải tiến và phổ biến
rộng rãi. Nhiều mô hình dự báo đã cho kết quả
tốt khi sử dụng LSTM vì nó có khả năng học
được các phụ thuộc xa và ghi nhớ thông tin
trong một khoảng thời gian dài [2].
Mạng nơ-ron hồi quy (RNN) khác với mạng
ANN truyền thống là: nó chứa các vòng lặp bên
trong, cho phép thông tin có thể lưu lại được.
Long Short-Term Memory networks (LSTM)
Hình 1: Cấu trúc của một ANN [3]
Hình 2: Cấu trúc của một mô đun LSTM [1]
Trong đó:
Mạng LSTM có kiến trúc dạng chuỗi gồm các
mô đun lặp đi lặp lại, nó không chỉ có 1 tầng
nơ-ron như RNN chuẩn mà có tới 4 tầng tương
tác với nhau một cách đặc biệt (Hình 2) [1]. Mỗi
mô đun LSTM gồm có trạng thái tế bào (cell
state) và các cổng (gate). Trạng thái tế bào chạy
xuyên suốt qua tất cả các mô đun giúp thông tin
được truyền đạt dễ dàng, còn cổng là nơi sàng
lọc thông tin đi qua nó, có 3 cổng và 4 tầng
trong một mô đun LSTM. Đầu tiên là tầng của
cổng quên ft (forget gate layer), nó sẽ quyết định
thông tin nào cần bỏ đi từ trạng thái tế bào. Đầu
vào của tầng này là ht-1 (giá trị đầu ra tại thời
điểm t-1) và xt (dữ liệu đầu vào, hiện tại); đầu
ra của nó là ft, một số trong khoảng từ 0 đến 1
cho mỗi số trong trạng thái tế bào Ct-1.
là hàm sigmoid, Wf và bf
lượt là trọng số và tham số của tầng
quên.
lần
cổng
Hai tầng tiếp theo sẽ quyết định thông tin lưu
vào trạng thái tế bào và cập nhật giá trị cho trạng
thái này, đó là tầng cổng vào it (input gate layer)
và một tầng tanh Nt (tanh layer).
i (W.[h ,x ]b )
(2)
(3)
(4)
t
i
t1
t
i
N tanh(W .[h ,x ]b )
t
C
t1
t
C
C ft *C i *N
t
t1
t
t
Trong đó: Ct-1 và Ct là trạng thái tế bào lần lượt
ở thời điểm t-1 và t; Wi và bi lần lượt là trọng
số và tham số của tầng cổng vào. WC và bC là
trọng số và tham số của trạng thái tế bào; tanh
là hàm hyperbolic tangent.
ft (W .[h ,x ]bf )
f
t1
t
(1)
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 52 - 2019
3
KHOA HỌC
CÔNG NGHỆ
n
Cuối cùng là tầng cổng ra ot (output gate), giá
trị đầu ra (ht) sẽ được quyết định bởi trạng thái
tế bào muốn xuất ra.
1
2
(7)
(8)
RMSE
O P
i
n
i
i1
n
2
O P
i
i1
n
i
o (W .[h ,x ]b )
t
o
t1
t
o
(5)
(6)
NSE 1
2
O Oi
h o *tanh(C )
i
t
t
t
i1
Trong đó: Wo và bo lần lượt là trọng số và tham
số của tầng cổng ra.
Trong đó: O , và Pi lần lượt là giá trị thực đo,
Oi
i
giá trị thực đo trung bình và giá trị dự báo của
mẫu thứ i. Mô hình dự báo có độ chính xác cao
khi giá trị của RMSE nhỏ và NSE lớn.
Trong nghiên cứu này, thư viện phần mềm mã
nguồn mở TensorFlow của Google, các thư
viện Numpy, Pandas, Keras cùng với ngôn ngữ
lập trình Python 3.6 đã được sử dụng để thiết
lập một mô hình LSTM.
2.3. Dữ liệu đầu vào của mô hình
Mô hình LSTM được xây dựng để dự báo mực
nước ở hạ lưu cống – âu thuyền Cầu Cất, nối
sông Bắc Hưng Hải với sông Thái Bình (Hình
3). Đây là một trong các cống chính của hệ
thống thủy lợi Bắc Hưng Hải, cống – âu thuyền
kết hợp lấy nước hoặc tiêu nước ra sông Thái
Bình, có hệ thống đo mực nước 6 giờ một lần,
vào lúc 1h, 7h, 13h, 19h. Cống có 1 cửa với kích
thước B x H= 6.0 x 6.45 m; Cao trình đáy cống
là -1.50 m [8].
2.2. Phương pháp đánh giá
Để đánh giá mức độ chính xác của kết quả mô
hình, các tác giả sử dụng hai trị số, đó là RMSE
(Root Mean Squared Error – sai số căn quân
phương) và NSE (Nash Sutcliffe Efficiency –
hệ số Nash), được tính toán bằng các công thức
(7) và (8) [1].
Hình 3: Vị trí cống Cầu Cất trong sơ đồ hệ thống Bắc Hưng Hải
Dự liệu đầu vào của mô hình là mực nước hạ số liệu) từ 01h ngày 01/01/2000 đến 19h ngày
lưu cống Cầu Cất, phía sông Thái Bình, 6 giờ 31/10/2017 dùng để hiệu chỉnh (training) mô
đo một lần, từ 01h ngày 01/01/2000 đến 19h hình và lựa chọn các thông số tốt nhất cho mô
ngày 10/11/2018 (27559 số liệu). Tập dữ liệu hình LSTM. Phần thứ hai là chuỗi số liệu thực
này được chia thành 3 phần. Phần thứ nhất là đo trong 1 năm (1460 số liệu), từ 01h ngày
chuỗi số liệu được đo đạc trong 18 năm (26059 01/11/2017 đến 19h ngày 31/10/2018, dùng để
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 52 - 2019
4
KHOA HỌC
CÔNG NGHỆ
kiểm định (test) các thông số mô hình. Phần thứ fitting) trong quá trình hiệu chỉnh mô hình, kỹ
ba là các số liệu thực đo trong 10 ngày đầu thuật dừng lại sớm (Early stopping) đã được sử
tháng 11/2018 dùng để dự báo thử mực nước hạ dụng. Do đó, số lần lặp (Epoch) là do mô hình
lưu cống Cầu Cất và so sánh kết quả dự báo với tự động chọn và nó tự dừng tính toán khi có kết
mực nước thực đo tại cống này.
quả tốt. Như vậy, các thông số cũng như cấu
trúc của mô hình được chọn thông qua quá trình
thử dần và được đánh giá dựa trên các trị số
RMSE và NSE.
2.4. Thiết kế mô hình
Mô hình LSTM được xây dựng để dự báo mực
nước lần lượt cho từng trường hợp: 6 giờ, 12
giờ, 18 giờ và 24 giờ. Với mỗi trường hợp, các
thông số của mô hình có thể được điều chỉnh
bằng cách thử dần cho đến khi đạt kết quả tốt
nhất. Mô hình cũng được lập trình để tự động
tính các trị số của RMSE và NSE theo công
thức (7) và (8). Sau quá trình hiệu chỉnh và kiểm
định, các thông số phù hợp nhất của mô hình
cho mỗi trường hợp đã được lựa chọn để phục
vụ việc dự báo. Dữ liệu đầu vào của mô hình
LSTM là mực nước thực đo trong 12 bước thời
gian gần nhất (từ t-11, t-10,… đến t-0), tức
trong 72 giờ gần nhất trước thời điểm t, để dự
báo cho 6 giờ, 12 giờ, 18 giờ hoặc 24 giờ trong
tương lai sau thời điểm t (tức t+1, t+2, t+3, t+4).
Chiều dài chuỗi là 12 bước thời gian (time step)
vì 72 giờ gần nhất tác động tới kết quả dự báo
nhiều nhất, các số liệu trong quá khứ xa hơn chỉ
bổ sung thêm thông tin. Số lượng mô đun
(LSTM cells) cũng được lựa chọn dựa trên kết
quả tính thử dần của từng trường hợp, với 42
hoặc 43 mô đun, NSE có trị số cao nhất. Để
tránh hiện tượng quá khớp với thực đo (Over
3. KẾT QUẢ NGHIÊN CỨU
3.1. Kết quả kiểm định mô hình
Sử dụng cấu trúc mô hình đã được lựa chọn như
trên, các tác giả tiến hành kiểm định mô hình cho
tất cả 4 trường hợp, với thời gian dự báo là 6 giờ,
12 giờ, 18 giờ và 24 giờ, bằng cách so sánh kết
quả dự báo với số liệu thực đo mực nước tại hạ
lưu cống Cầu Cất trong thời gian 1 năm, từ ngày
01/11/2017 đến ngày 31/10/2018. Kết quả kiểm
định mô hình được thể hiện trên các đồ thị từ
Hình 4 đến Hình 8 và Bảng 1. Có thể thấy rằng,
kết quả kiểm định có độ chính xác cao, hệ số
NSE dao động từ 95.3% đến 91.6%. Khi có lũ
trên sông Thái Bình, đỉnh lũ kết hợp với đỉnh
triều làm mực nước dâng cao nhưng mô hình vẫn
dự báo đúng thời gian xuất hiện đỉnh lũ. Tuy
nhiên, mực nước dự báo chân triều có xu hướng
cao hơn thực đo khi dự báo 12 giờ và xa hơn. Dự
báo 6 giờ cho kết quả tốt nhất với sai số RMSE
chỉ có 13cm. Khi dự báo xa hơn cho tương lai,
độ chính xác (hệ số NSE) giảm xuống.
Bảng 1: Thông số mô hình và kết quả kiểm định cho 4 trường hợp
Dự báo
(h)
Chiều dài
chuỗi (số)
Số trạm
đo MN
LSTM
cells
Số lần
lặp
RMSE (m) NSE (%)
6
12
12
12
12
1
1
1
1
42
43
42
43
1200
940
0.131
0.174
0.171
0.176
95.3%
91.7%
92.0%
91.6%
12
18
24
1349
1281
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 52 - 2019
5
KHOA HỌC
CÔNG NGHỆ
Hình 4: So sánh số liệu thực đo với mực nước dự báo 6 giờ
Hình 5: So sánh số liệu thực đo với mực nước dự báo 12 giờ
Hình 6: So sánh số liệu thực đo với mực nước dự báo 18 giờ
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 52 - 2019
6
KHOA HỌC
CÔNG NGHỆ
Hình 7: So sánh số liệu thực đo với mực nước dự báo 24 giờ
Hình 8: So sánh mực nước thực đo với dự báo 6 giờ (trái) và 24 giờ (phải)
Phần dữ liệu thứ ba gồm 5 ngày, từ ngày
01/11/2018 đến 05/11/2018 đã được sử dụng,
trong đó: 72 giờ của 4 ngày đầu được dùng như
dữ liệu đầu vào của mô hình để đưa ra kết quả
dự báo mực nước, 24 giờ của ngày cuối cùng
dùng để đánh giá kết quả dự báo. Đây là tập dữ
liệu độc lập và chưa được sử dụng trước đây
nhằm đảm bảo tính khách quan của kết quả dự
báo. Kết quả dự báo được so sánh với số liệu
thực đo trong ngày 4/11 và ngày 5/11/2018. Các
Sau quá trình hiệu chỉnh và kiểm định, các
thông số của mô hình đã được chọn cho từng
trường hợp. Sau đó, tất cả các số liệu của phần
1 và phần 2 trong tập dữ liệu đầu vào đã được
tập hợp để hoàn thành (Finalize) 4 mô hình dự
báo. Các mô hình này được ghi lại thành 4 files
dưới định dạng *.h5 phục vụ việc dự báo.
3.1. Kết quả dự báo mực nước trong tương
lai gần
Để tiến hành dự báo thử nghiệm cho từng trường thông số mô hình và kết quả dự báo mực nước
hợp, chúng tôi cho chạy các file định dạng *.h5 ở hạ lưu cống Cầu Cất với 4 trường hợp khác
trong môitrường Python 3.6 sửdụng TensorFlow nhau được thể hiện trong Bảng 2.
backend, keras, numpy, pandas, sklearn
.
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 52 - 2019
7
KHOA HỌC
CÔNG NGHỆ
Có thể thấy rằng, chênh lệch giữa kết quả dự và 3cm). Rõ ràng việc đo mực nước 6 giờ một
báo và thực đo là nhỏ, từ 1cm đến 13cm. Lúc lần cũng ảnh hưởng đến kết quả dự báo. Nếu
19h ngày 4/11/2018 xuất hiện đỉnh triều nên mực nước được đo 3 giờ một lần, hoặc mỗi 2
sai số dự báo lên tới 13cm (8.5%), mặc dù chỉ giờ thì kết quả dự báo sẽ tốt hơn, độ chính xác
dự báo 6 giờ. Dự báo xa nhất, 24 giờ, cũng có sẽ tăng lên, vì đây là vùng chịu ảnh hưởng của
sai số 13cm (11.2%), đây là sai số lớn nhất. thủy triều, mực nước thay đổi nhanh theo từng
Vào các thời điểm còn lại sai số nhỏ hơn (1cm giờ.
Bảng 2: Thông số mô hình và kết quả dự báo thử nghiệm
Chiều dài
MN
thực đo
(m)
MN dự Chênh Sai
Ngày,
Dự báo
(h)
LSTM Số lần
Giờ
chuỗi SL
báo
(m)
lệch
(m)
số
Tháng, Năm
cells
lặp
(số)
12
(%)
4-Nov-2018 19:00
5-Nov-2018 1:00
5-Nov-2018 7:00
5-Nov-2018 13:00
6
42
43
42
43
4000
2135
2657
2628
1.53
1.40
0.93
0.68
1.29
-0.13 -8.5
-0.03 -3.1
12
18
24
12
0.96
12
0.67
0.01
1.5
12
1.16
0.13 11.2
điểm kể trên 6 giờ, 12 giờ, 18 giờ và 24 giờ.
Sản phẩm của nghiên cứu này là 4 files, người
sử dụng có thể chạy các file này để dự báo mực
nước ở hạ lưu cống Cầu Cất cho 6 giờ, 12 giờ,
18 giờ và 24 giờ tương lai, sau khi nhập các số
liệu mực nước của 72 giờ trước đó. Mô hình
mà các tác giả đề xuất cho kết quả có độ chính
xác cao và ổn định, nó có thể dự báo mực nước
tại các cống vùng triều, giúp cho việc quản lý,
vận hành cống an toàn, hiệu quả.
4. KẾT LUẬN
Trong bài báo này, các tác giả đã trình bày
phương pháp nghiên cứu để xây dựng một mô
hình LSTM và sử dụng nó để dự báo mực nước
ở hạ lưu cống Cầu Cất thuộc hệ thống thủy lợi
Bắc Hưng Hải. Dữ liệu đầu vào chỉ là mực
nước ở hạ lưu cống Cầu Cất trong quá khứ, từ
ngày 01/01/2000 đến ngày 31/10/2018. Kết
quả dự báo là mực nước tại cống này sau thời
TÀI LIỆU THAM KHẢO
[1] Lê Xuân Hiền, Hồ Việt Hùng (2018). “Ứng dụng mạng Long Short-Term Memory (LSTM)
để dự báo mực nước tại trạm Quang Phục và Cửa Cấm, Hải Phòng, Việt Nam”. Tạp chí
Thủy lợi và môi trường số 62 (tháng 9/2018), Đại học Thủy lợi.
[2] Hồ Việt Hùng, Lê Xuân Hiền, Giha Lee (2018). “xây dựng mô hình mạng nơ-ron hồi quy
dựa trên phần mềm mã nguồn mở để dự báo lưu lượng dòng chảy”. Tuyển tập Hội nghị Khoa
học thường niên năm 2018, Đại học Thủy lợi.
[3] Hồ Việt Hùng, Lê Xuân Hiền, Giha Lee (2018). “Ứng dụng mạng thần kinh nhân tạo dự báo
lưu lượng dòng chảy sông Hồng tại Sơn Tây dựa trên dữ liệu ở thượng lưu”. Hội nghị Khoa
học thường niên năm 2018, Hội Cơ học Thủy khí.
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 52 - 2019
8
CHUYỂN GIAO
CÔNG NGHỆ
[4] Trương Xuân Nam, Nguyễn Thanh Tùng (2016). “Deep learning: Ứng dụng cho dự báo lưu
lượng nước đến hồ chứa Hòa Bình”. Tuyển tập Hội nghị Khoa học thường niên năm 2016,
Đại học Thủy lợi.
[5] Asaad Y. Shamseldin (2010). “Artificial neural network model for river flow forecasting in
a developing country”. Journal of Hydroinformatics, 12.1.
[6] Chen, J.F., Hsieh, H.N., and Do, Q.H. (2014). “Forecasting Hoabinh Reservoir’s Incoming
Flow: An Application of Neural Networks with the Cuckoo Search Algorithm”. Information.
5, 570-586.
[7] Le, X.H., Ho, V.H., Lee, G.H., and Jung, S.H. (2018) “A Deep Neural Network Application
for Forecasting the Inflow into the Hoabinh Reservoir in Vietnam”. Proceeding of
International Symposium on Lowland Technology.
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 52 - 2019
9
Bạn đang xem tài liệu "Sử dụng mạng nơ-ron nhân tạo dự báo mực nước sông chịu ảnh hưởng của thủy triều", để tải tài liệu gốc về máy hãy click vào nút Download ở trên
File đính kèm:
- su_dung_mang_no_ron_nhan_tao_du_bao_muc_nuoc_song_chiu_anh_h.pdf