zunia.vn

Tuyển sinh 2024 dành cho Gen-Z

zunia.vn

» Khoa Học Tự Nhiên

» Môi trường

Dự báo mực nước sông bằng mô hình mạng nơ ron hồi tiếp

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:3

Báo xấu

10
lượt xem 2
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Mực nước sông có liên quan mật thiết đến cấp độ lũ. Việc dự báo sớm mực nước sông giúp dự đoán cấp độ lũ và hỗ trợ con người trong việc xây dựng phương án phòng chống lũ, hạn chế các tác hại do lũ gây ra. Ngày nay, nhiều phương pháp học máy đã được ứng dụng trong bài toán dự báo mực nước.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Dự báo mực nước sông bằng mô hình mạng nơ ron hồi tiếp

Tuyển tập Hội nghị Khoa học thường niên năm 2023. ISBN: 978-604-82-7522-8 DỰ BÁO MỰC NƯỚC SÔNG BẰNG MÔ HÌNH MẠNG NƠ-RON HỒI TIẾP Nguyễn Thị Kim Ngân, Đinh Văn Linh, Nguyễn Quang Thái, Nguyễn Duy Anh Trường Đại học Thủy lợi, email: ngannguyen@tlu.edu.vn 1. GIỚI THIỆU CHUNG 2. PHƯƠNG PHÁP NGHIÊN CỨU Mực nước sông có liên quan mật thiết đến Mạng nơ‐ron hồi tiếp được thiết kế để xử lý cấp độ lũ. Việc dự báo sớm mực nước sông thông tin tuần tự. Các mạng này sử dụng các giúp dự đoán cấp độ lũ và hỗ trợ con người biến trạng thái để lưu trữ thông tin trong quá trong việc xây dựng phương án phòng chống khứ, sau đó dựa vào chúng và các đầu vào lũ, hạn chế các tác hại do lũ gây ra. Ngày nay, hiện tại để xác định các đầu ra hiện tại. Hình 1 nhiều phương pháp học máy đã được ứng minh họa cách xử lý thông tin trong mạng nơ- dụng trong bài toán dự báo mực nước. Ahmed ron hồi tiếp. Trong hình này, A là mạng nơ- đã sử dụng mô hình Gaussian Process ron hồi tiếp. Nó nhận một đầu vào xt, tiến Regression (GPR) để dự đoán mực nước trên hành xử lý và đưa ra đầu ra ht. Điểm đặc biệt sông Durian Tunggal, Malaysia [1]. Kusudo so của A là nó sẽ lưu lại giá trị của ht để sử dụng sánh hiệu quả của hai mô hình Single-output cho đầu vào tiếp theo. Trong bài báo này, long short-term memory (LSTM SO) và chúng tôi quan tâm đến 3 kiểu mạng nơ-ron Encoder-decoder long short-term memory hồi tiếp: RNN, GRU và LSTM. (LSTM ED) trong bài toán dự báo mực nước của hồ chứa Takayama (Nara Prefecture, Japan) [2]. Tác giả Hồ Việt Tuấn nghiên cứu sử dụng phương pháp long short-term memory (LSTM) để dự báo mực nước ở hạ lưu cống - âu thuyền Cầu Cất, nối sông Bắc Hưng Hải Hình 1. Mô hình mạng nơ-ron hồi tiếp với sông Thái Bình [3]. Tác giả Đỗ Văn Đỉnh đã sử dụng kết hợp mô hình Singular Value 2.1. Mạng nơ-ron hồi tiếp có một trạng Decomposition (SVD) và Support Vector thái ẩn (RNN) Machine (SVM) để ước lượng mực nước sông cao nhất và thấp nhất trong ngày [4]. Trong bài báo này, chúng tôi sử dụng một số phương pháp mạng nơ-ron hồi tiếp (Recurrent Neural Network - RNN, Gated Recurrent Unit - GRU và Long Short Term Memory - LSTM) để dự báo mực nước tại trạm Lệ Thủy trên sông Kiến Giang, tỉnh Quảng Bình. Hình 2. Một RNN với một trạng thái ẩn Phần còn lại của bài báo được trình bày Cho một chuỗi dữ liệu, giả sử, Xt là đầu như sau: phần 2 trình bày phương pháp vào tại bước thời gian t của chuỗi, Ht là biến nghiên cứu, phần 3 trình bày kết quả thực ẩn tại bước thời gian t của chuỗi, Ht-1 là biến nghiệm và phần 4 là kết luận. ẩn ở bước thời gian trước đó. Hình 2 minh 75
Tuyển tập Hội nghị Khoa học thường niên năm 2023. ISBN: 978-604-82-7522-8 họa cách tính toán của ba bước thời gian liền 3. KẾT QUẢ NGHIÊN CỨU kề trong mạng RNN [5]. 3.1. Tập dữ liệu 2.2. Nút hồi tiếp có cổng (GRU) Tập dữ liệu gồm thông tin về lượng mưa Trong GRU, mô hình sẽ học cách bỏ qua và mực nước tại các trạm đo Kiến Giang, Lệ những quan sát tạm thời không liên quan, Thủy và Đồng Hới (thuộc lưu vực sông Kiến cũng như cách xóa trạng thái ẩn khi cần thiết. Giang, tỉnh Quảng Bình), được thu thập theo Với đầu vào ở bước thời gian hiện tại là Xt và từng giờ trong mùa mưa (tháng 9 - tháng 12) trạng thái ẩn ở thời gian trước đó là Ht-1, ʘ là từ năm 2005 đến năm 2022. Tập dữ liệu này biểu thị phép nhân theo từng phần tử giữa các gồm 25020 mẫu, mỗi mẫu là thông tin về tensor, cổng xóa Rt, cổng cập nhật Zt và trạng lượng mưa, mực nước tại 3 trạm được đo  thái ẩn tiềm năng H t , Hình 3 minh họa các theo từng giờ, được chia thành 2 tập: tập phép tính của một nút hồi tiếp trong GRU [5]. huấn luyện gồm các dữ liệu từ năm 2005 đến năm 2019, tập dữ liệu kiểm tra gồm các dữ liệu từ năm 2020 đến năm 2022. 3.2. Bài toán Trong công tác cảnh báo lũ, trung tâm dự báo cần dự báo mực nước với khoảng thời gian là 6 giờ, 12 giờ và 24 giờ. Do giới hạn trình bày của bài báo, chúng tôi trình bày chi tiết nghiên cứu xây dựng mô hình dự báo mực nước với khoảng thời gian là 6 (với hai Hình 3. Tính toán trạng thái ẩn trong GRU mốc thời gian 12 giờ và 24 giờ, chúng tôi chỉ 2.3. Bộ nhớ Ngắn hạn dài (LSTM) trình bày kết quả thực nghiệm trong Bảng 1). Bài toán đặt ra là cho một chuỗi dữ liệu đầu Một nút hồi tiếp (ô nhớ) trong LSTM có 3 vào gồm lượng mưa, mực nước ở các trạm cổng: cổng đầu ra (output gate, Ot) để đọc thủy lợi trong t giờ liên tục, cần dự báo mực thông tin từ ô nhớ, cổng đầu vào (input gate, nước tại trạm Lệ Thủy 6 giờ sau. It) để quyết định khi nào cần ghi dữ liệu vào ô nhớ, cổng quên (forget gate, Ft) để thiết lập 3.3. Xây dựng mô hình lại nội dung chứa trong ô nhớ. Với đầu vào ở Với mỗi phương pháp học máy, chúng tôi bước thời gian hiện tại là Xt và trạng thái ẩn ở tiến hành thiết kế và thử nghiệm nhiều mô thời gian trước đó là Ht-1, ʘ là biểu thị phép hình khác nhau để lựa chọn mô hình phù hợp nhân theo từng phần tử giữa các tensor và ô nhất cho bài toán. Sau đây, là các thiết kế của  nhớ tiềm năng C t , Hình 4 minh họa các phép các mô hình có hiệu quả dự đoán tốt nhất trên tính của một nút hồi tiếp trong LSTM [5]. tập dữ liệu kiểm tra. Thiết kế của mô hình RNN: SimpleRNN(128, activation=’relu’) Dense(50, activation=’relu’) Dense(25, activation=’relu’) Dense(1) Thiết kế của mô hình GRU: GRU(145, activation=’tanh’) Dense(1) Thiết kế của mô hình LSTM: Hình 4. Các phép tính của LSTM(145, activation=’relu’) một nút hồi tiếp trong LSTM Dense(1) 76
Tuyển tập Hội nghị Khoa học thường niên năm 2023. ISBN: 978-604-82-7522-8 3.4. Kết quả thực nghiệm Bảng 1 trình bày chất lượng của các mô hình được đánh giá dựa trên sự phù hợp của giá trị dự báo so với giá trị thực tế (độ đo Nash-Sutcliffe efficiency - NSE, Coefficient of determination-R2) và sự sai khác giữa giá Hình 5. Biểu đồ dự báo mực nước trị dự báo so với giá trị thực tế (độ đo Mean Absolute Error - MAE, Root Mean Square 4. KẾT LUẬN Error - RMSE). Các độ đo NSE và R2 càng Chúng tôi đã sử dụng một số phương pháp gần 1 thì hiệu quả dự báo của mô hình càng mạng nơ-ron hồi tiếp để xây dựng mô hình tốt, các độ đo MAE và RMSE càng thấp thì dự báo mực nước. Thực nghiệm chỉ ra rằng, sự sai lệch giữa giá trị dự báo và giá trị thực các mô hình có thể dự báo tốt mực nước tế càng nhỏ. Khi dự báo mực nước 6 giờ sau, trong những ngày không phải đỉnh lũ. Nhưng các số liệu trong bảng 1 chỉ ra rằng hiệu quả các mô hình này dự báo không tốt trong dự báo của các mô hình là tốt (độ phù hợp những ngày có đỉnh lũ. NSE và R2 khá cao, ~ 0.9) và sai số dự báo Một hướng mở rộng của bài báo này là của mô hình là nhỏ (MAE và RMSE nhỏ, nghiên cứu phương pháp để có thể dự báo tốt

CÓ THỂ BẠN MUỐN DOWNLOAD

THÔNG TIN

TRỢ GIÚP

HỖ TRỢ KHÁCH HÀNG

Theo dõi chúng tôi

Chịu trách nhiệm nội dung:

Nguyễn Công Hà - Giám đốc Công ty TNHH TÀI LIỆU TRỰC TUYẾN VI NA

LIÊN HỆ

Địa chỉ: P402, 54A Nơ Trang Long, Phường 14, Q.Bình Thạnh, TP.HCM

Hotline: 093 303 0098

Email: support@tailieu.vn

Giấy phép Mạng Xã Hội số: 670/GP-BTTTT cấp ngày 30/11/2015 Copyright © 2022-2032 TaiLieu.VN. All rights reserved.