Sử dụng mô hình học máy trong hỗ trợ diễn đoán thủy lực, thủy văn trên hệ thống Bắc Hưng Hải

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:6

Thêm vào BST

Báo xấu

53
lượt xem 4
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài toán diễn đoán thủy văn, thủy lực cũng đã được nhiều nhà khoa học trong các lĩnh vực thủy lợi, toán học, tin học tập trong nghiên cứu và phần nào đã thu được các kết quả. Tuy nhiên, tại các trạm thủy lợi thuộc hệ thống thủy lợi Bắc Hưng Hải, việc áp dụng các công cụ hỗ trợ để diễn đoán thủy văn, thủy lực từ các hệ thống máy chưa thực sự được quan tâm nhiều.

Chủ đề:

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

Lưu

Nội dung Text: Sử dụng mô hình học máy trong hỗ trợ diễn đoán thủy lực, thủy văn trên hệ thống Bắc Hưng Hải

Kỷ yếu Hội nghị KHCN Quốc gia lần thứ XII về Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR); Huế, ngày 07-08/6/2019 DOI: 10.15625/vap.2019.00055 SỬ DỤNG MÔ HÌNH HỌC MÁY TRONG HỖ TRỢ DIỄN ĐOÁN THỦY LỰC, THỦY VĂN TRÊN HỆ THỐNG BẮC HƯNG HẢI Nguyễn Văn Nam, Trần Mạnh Tuấn, Đặng Thị Thu Hiền, Nguyễn Huy Đức, Kiều Tuấn Dũng, Đỗ Oanh Cường, Nguyễn Tu Trung DS Lab, Khoa Công nghệ thông tin, Trường Đại học Thủy Lợi namnv@tlu.edu.vn, tmtuan@tlu.edu.vn, hiendt@tlu.edu.vn, dungkt@tlu.edu.vn, cuongdo@tlu.edu.vn, trungnt@tlu.edu.vn TÓM TẮT: Bài toán diễn đoán thủy văn, thủy lực cũng đã được nhiều nhà khoa học trong các lĩnh vực thủy lợi, toán học, tin học tập trong nghiên cứu và phần nào đã thu được các kết quả. Tuy nhiên, tại các trạm thủy lợi thuộc hệ thống thủy lợi Bắc Hưng Hải, việc áp dụng các công cụ hỗ trợ để diễn đoán thủy văn, thủy lực từ các hệ thống máy chưa thực sự được quan tâm nhiều. Trong bài báo này, chúng tôi tập trung vào việc xây dựng mô hình học máy làm công cụ mô phỏng trên máy tính để hỗ trợ giải quyết bài toán diễn đoán thủy văn, thủy lực tại một trạm thủy lợi trong hệ thống thủy lợi Bắc Hưng Hải dựa trên các số liệu thu thập từ trạm này để hỗ trợ việc vận hành hệ thống thủy lợi tại trạm. Từ khóa: học máy, diễn đoán, thủy lực, thủy văn, Bắc Hưng Hải. I. GIỚI THIỆU Ngày nay, cùng với sự phát triển nhanh chóng của công nghệ thông tin, lượng dữ liệu được tạo ra và lưu trữ trên các thiết bị điện tử không ngừng tăng lên. Dữ liệu được tích lũy với tốc độ bùng nổ từ rất nhiều lĩnh vực trong cuộc sống hàng ngày như: khoa học, kinh doanh, giao dịch, thương mại, chứng khoán, v.v. Để tổng hợp phân tích, khai thác các thông tin và dự báo trong tương lai là một trong những vấn đề phức tạp. Dự báo là một khoa học hết sức rộng lớn. Như trong tài chính doanh nghiệp thì dự báo là quá trình xem xét quá khứ, nhìn nhận hiện tại và dự đoán tình hình tài chính của doanh nghiệp ở tương lai trong một viễn cảnh nhất định. Khi đó dự báo giúp doanh nghiệp chủ động hoạch định các chiến lược phát triển trong tương lai và giảm khả năng rủi do đến với doanh nghiệp [1]. Như trong tự nhiên thì việc phân tích và xem xét các số liệu địa chất để dự báo khả năng thiên tai có thể xảy ra [2]. Việc dự báo chính xác mực nước ở các hệ thống thủy lợi là một trong những yêu cầu cấp bách nhằm trợ giúp việc giảm thiểu các rủi ro do lũ gây ra và có ý nghĩa quan trọng trong việc xây dựng phương án phòng, chống lũ. Một số mô hình số về thủy lực và thủy văn truyền thống đang được sử dụng để dự báo ở Việt Nam cũng như trên thế giới. Các mô hình này yêu cầu một số lượng lớn các dữ liệu đầu vào như: đặc điểm lưu vực, quan hệ mưa - dòng chảy, địa hình, dự báo lượng mưa, quan hệ lưu lượng - mực nước theo thời gian tại một số vị trí. Để khắc phục điều này các nhà khoa học trong thời gian gần đây đã nghiên cứu các phương pháp học máy để giải quyết bài toán dự báo mực nước tại các hệ thống thủy lợi. Các mô hình học máy đang được coi là công cụ chính trong việc phân tích dữ liệu lớn, dự báo các bài toán trong thực tế đang phải đối mặt như: thiên tai, tài chính, y tế, giáo dục,…. Việc giải quyết các bài toán dự báo cũng đã được các nhà khoa học nghiên cứu, trong thời gian gần đây đã có một số công trình nghiên cứu việc giải quyết vấn đề dự báo các mô hình học máy, cụ thể các phương pháp như: phương pháp phân lớp, mạng nơron,... để phân tích dữ liệu quá khứ và hiện tại để từ đó dự báo tương lai. Nhiều phương pháp học máy đã được đề xuất như học có giám sát trong dự báo các điều kiện sóng đại dương [3], random forest kết hợp với fuzzy logic được sử dụng để xác định loại bão một cách tự động [4], sử dụng mô hình fuzzy random forest để tạo ra các phân hoạch mờ với ưu điểm vượt trội về độ chính xác và khả năng xử lý với nhiễu trong quá trình phân hoạch [5],... Do vậy đóng góp chính của bài báo này là trình bày việc áp dụng mô hình học máy trong diễn đoán thủy lực, thủy văn trên hệ thống Bắc Hưng Hải. Ý nghĩa của nghiên cứu này sẽ hỗ trợ có hiệu quả trong việc điều tiết mực nước tại trạm thủy lợi trong hệ thống Bắc Hưng Hải. Phần tiếp theo của bài báo được tổ chức như sau: trong phần II, chúng tôi trình bày mô hình học máy sử dụng. Phần III trình bày một số kết quả được thực hiện trên bộ dữ liệu thực và đánh giá hiệu năng của các mô hình học máy đã trình bày. Cuối cùng là kết luận và các hướng phát triển trong thời gian tới. II. MỘT SỐ MÔ HÌNH HỌC MÁY Trong phần này, mục 2.1 sẽ trình bày về bài toán diễn đoán thủy lực, thủy văn. Mục 2.2 sẽ trình bày về một số phương pháp học máy sử dụng giải bài toán diễn đoán thủy lực, thủy văn. 2.1 . Bài toán diễn đoán báo thủy lực, thủy văn. Diễn đoán thủy lực, thủy văn là bài toán dự báo thủy lực, thủy văn. Dự báo là khoa học và nghệ thuật tiên đoán các yếu tố có thể sẽ xảy ra trong tương lai. Tính khoa học của dự báo thể hiện ở chỗ khi tiến hành dự báo người ta phải
Nguyễn Văn Nam, Trần Mạnh Tuấn, Đặng Thị Thu Hiền, Kiều Tuấn Dũng, Đỗ Oanh Cường, Nguyễn Tú Trung 431 căn cứ trên các dữ liệu phản ánh tình hình thực tế trong quá khứ và hiện tại, căn cứ vào xu thế trên cơ sở khoa học để dự đoán những sự việc có thể sẽ xảy ra trong tương lai. Bài toán dự báo là bài toán yêu cầu đưa ra dự đoán về tương lai dựa trên dữ liệu trong quá khứ và hiện tại và phổ biến nhất là bằng cách phân tích các xu hướng. Hầu hết các bài toán dự báo đều tập trung ở bước thực hiện phương pháp. Một số vấn đề là chung chung và xuất hiện khi đối mặt với những câu hỏi như vậy: Làm thế nào để đánh giá sự không chắc chắn? Làm thế nào để giữ cho các phương pháp dự báo đơn giản? Làm thế nào để thực hiện một biểu diễn thực tế và liên kết thu được kết quả với bối cảnh (siêu hệ thống)? Làm thế nào để đạt được một thỏa thuận trong một nhóm làm việc bao gồm các chuyên gia với nhiều năng lực và tầm nhìn khác nhau? Những lý do, nhân quả hoặc ngây thơ nào sẽ phù hợp với một dự báo cụ thể? Bài toán diễn đoán thủy văn, thủy lực trên hệ thống Bắc Hưng Hải dựa trên các số liệu thu thập về lưu lượng, mực nước thông qua các thiết bị thu thập để dự báo lưu lượng nước thông các trạm thủy lợi từ đó hỗ trợ vận hành hệ thống thủy lợi tại các trạm. Bài toán diễn đoán thủy văn, thủy lực cũng đã được nhiều nhà khoa học trong các lĩnh vực thủy lợi, toán học, tin học tập trong nghiên cứu và phần nào đã thu được các kết quả. Tuy nhiên, tại các trạm thủy lợi thuộc hệ thống thủy lợi Bắc Hưng Hải, việc áp dụng các công cụ hỗ trợ để diễn đoán thủy văn, thủy lực từ các hệ thống máy chưa thực sự được quan tâm nhiều. 2.2. Một số mô hình máy học trong giải bài toán diễn đoán thủy lực, thủy văn trên hệ thống Bắc Hưng Hải Hình 1. Mô hình xử lý thông tin trong dự báo Trong hình 1 là mô hình xử lý thông tin trong dự báo. Với các dữ liệu được thu thập phục vụ dự báo, cần tổ chức quản lý dữ liệu thu thập thì mới thực hiện việc xử lý dữ liệu và khai thác dữ liệu để đưa ra dữ liệu đầu ra là các yếu tố dự báo. Trong quá trình xử lý, khai thác dữ liệu sử dụng một mô hình học máy để đưa ra các kết quả dự báo. Trong nội dung nghiên cứu này chúng tôi đã nghiên cứu thử nghiệm 2 mô hình học máy: là hồi quy tuyến tính và mạng nơron. I. Mô hình hồi quy tuyến tính Mô hình hồi quy tuyến tính (Linear Regression-LR) [6] được chia thành 2 loại: hồi quy đơn biến (là mô hình hồi quy với một biến) và hồi quy đa biến (là mô hình hồi quy với nhiều biến). Xét mô hình hồi quy tổng quát để giải bài toán diễn đoán thủy lực, thủy văn xác định mức độ hài lòng của các hộ dân dùng dịch vụ nước tưới tiêu, thông thường được viết như sau: Y= E(X,β ) (1) Trong đó X: Các biến dự báo/độc lập (predictor/independent variables); Y: Các biến đáp ứng/phụ thuộc (responses/dependent variables); β : Các hệ số hồi quy (regression coefficients). X dùng đề giải thích sự biến đổi của các đáp ứng Y. Y dùng để mô tả các hiện tượng (phenomenon) được quan tâm giải thích. Quan hệ giữa Y và X được diễn tả bởi sự phụ thuộc hàm của Y đối với X. β mô tả sự ảnh hưởng của X đối với Y. II. Mạng nơron nhân tạo Mạng nơron nhân tạo (Artificial Neural Network- ANN [7]) bao gồm nhiều nơron độc lập liên kết với nhau. Trước khi định nghĩa thế nào là mạng nơron nhân tạo, chúng ta sẽ tìm hiểu mô hình của một nơron nhân tạo. Một nơron nhân tạo phản ánh các tính chất cơ bản của nơron sinh học. Mỗi nơron nhân tạo là một đơn vị xử lý thông tin làm cơ sở cho hoạt động của một mạng nơron. Nó có chức năng nhận tín hiệu vào, tổng hợp và xử lý các tín hiệu vào để tính tín hiệu ra (hình 2). Dưới đây là một mô hình của một nơron nhân tạo:
432 SỬ DỤNG MÔ HÌNH HỌC MÁY TRONG HỖ TRỢ DIỄN ĐOÁN THỦY LỰC, THỦY VĂN TRÊN HỆ THỐNG… Hình 2. Mô hình một nơron Trong đó: xi với i= 1,2,...,n là các tín hiệu đầu vào; wij với i=1,2,...,n là các trọng số liên kết tương ứng với đầu vào tại nơron j; bj là ngưỡng kích hoạt của nơron j; netj là tín hiệu tổng hợp đầu vào của nơron j; f(netj) là hàm kích hoạt; yi là tín hiệu ra của nơron j. Đầu vào của nơron nhân tạo gồm n tín hiệu xi với i = 1,2,...,n. Mỗi tín hiệu đầu vào tương ứng vói một trọng số wij, nó thể hiện mức độ ảnh hưởng của tín hiệu xi đến nơron j. Tín hiệu đầu vào của một nơron có thể là dữ liệu từ bên ngoài mạng, hoặc đầu ra của một nơron khác, hoặc là đầu ra của chính nó. Nhằm tăng khả năng thích nghi của mạng nơron trong quá trình học, người ta sử dụng thêm một tham số (Bias) gán cho mỗi nơron. Tham số đó còn gọi là trọng số của nơron, ta kí hiệu trọng số của nơron thứ j là b k. Các tín hiệu đầu vào của mỗi nơron được tổng hợp bằng một bộ cộng, kết quả cho ta một giá trị gọi là net j của nơron thứ j. Ta giả định netj là hàm của các tín hiệu xi và các trọng số wij. Có rất nhiều cách để tính tổng tín hiệu vào của noron, như netj = x1w1j + x2w2j + ... + xnwnj = ∑ xiwij (2) hoặc netj = max[min(xi, wij)], với i = 1,2,...,n. (3) Nếu wij > 0 thì nơron được coi là đang ở trạng thái kích thích. Ngược lại, nếu wij < 0 thì nơron ở trạng thái kiềm chế. Sau khi tổng hợp được tín hiệu đầu vào netj, sử dụng hàm kích hoạt f biến đổi netj để thu được tín hiệu đầu ra outj. Yj = outj = f(netj) (4) Quá trình huấn luyện mạng nơron dựa trên lỗi hồi quy giữa giá trị dự đoán và giá trị quan sát được của biến đích, giải thuật huấn luyện sẽ điều chỉnh các trọng số kết nối của mạng nơ-ron nhằm cực tiểu hóa lỗi hồi quy trên các mẫu huấn luyện. Sau khi mạng được huấn luyện thành công, các tri thức tích luỹ được trong quá trình huấn luyện mạng (các ma trận trọng số, các tham số tự do,…) sẽ được cập nhật vào cơ sở tri thức để sử dụng trong quá trình dự đoán. Có nhiều loại mạng nơron, nhiều tầng và được dùng cho cả bài toán học có giám sát và học không giám sát. III. Máy véctơ hỗ trợ hồi quy Máy véc-tơ hỗ trợ hồi quy (Support Véctơ Regression- SVR) [8] tìm siêu phẳng đi qua tất cả các điểm dữ liệu với độ lệch chuẩn ε. Trong hồi quy ε - SV, mục đích là tìm một hàm f(X) trong công thức (5) có sai số nhỏ nhất ε so với biến đích Yi: ( ) ( ) (5) Trong đó w RM, (X) biểu thị một hàm phi tuyến được chuyển từ không gian RM vào không gian nhiều chiều. Mục đích ở đây là cần tìm w và b để giá trị X=x có thể được xác định bằng cách tối thiểu hóa lỗi hồi quy. Từ đó dẫn đến giải bài toán quy hoạch toàn phương như sau: ( ) ‖ ‖ ∑ ( ) (6) Với điều kiện:
Nguyễn Văn Nam, Trần Mạnh Tuấn, Đặng Thị Thu Hiền, Kiều Tuấn Dũng, Đỗ Oanh Cường, Nguyễn Tú Trung 433 ( ) {( ) Ở đây, i, i* là hai biến bù [8] và C > 0 dùng để chỉnh độ rộng giữa lề và lỗi. Để giải quyết bài toán (6), trước tiên phải tìm cực tiểu của hàm L theo w, b, i, i*. ( ) ‖ ‖ ∑( ) ∑( ) ∑ ( ( ) ) ∑ ( ( ) ) (7) * Với i, i*, i, i* là các hệ số Lagrange và thỏa mãn điều kiện: i, i*, i, i 0, i=1..N. Lấy đạo hàm cấp 1 của phương trình (16), hồi quy phi tuyến SVR sử dụng hàm lỗi được tính như sau: { ∑ ( )( ) ( ) ∑ ( ) ∑ ( )} (8) với ràng buộc: ∑ ( ) [ ] (9) Giải biểu thức (8) với ràng buộc (9) xác định được các nhân tử Lagrange i, i*. Khi đó, mô hình hồi quy SVR được trình bày ở (5), với ̂ ∑( ) ̂ ̂( ) Trong đó Xj và Xk là 2 véctơ hỗ trợ, ( ) và ( ) SVR có thể dùng các hàm nhân khác nhau để giải quyết lớp các bài toán hồi quy phi tuyến mà không cần bất kỳ một thay đổi nào về mặt thuật toán, các hàm nhân được dùng thông dụng như: Hàm nhân đa năng Gaussian RBF có dạng: ( ) Hàm nhân đa thức bậc d > 0: ( ) ( ) III. KẾT QUẢ THỰC NGHIỆM 3.1. Mô tả thực nghiệm Dữ liệu dùng trong thực nghiệm được thu thập thông qua các thiết bị đo đạc về lưu lượng chảy qua tại các mặt cắt tại các trạm thủy lợi: Kim Son, Dien Bien, Cuu An, Tay Ke Sat, Nam Ke Sat, Dinh Dao, Trang Ky, Cau Xe, An Tho, Luong Tai, Thanh Khoi, Quang Lang, An Tao, Hoa Binh, Bac Ho trong hệ thống thủy lợi Bắc Hưng Hải. Các trạm thủy lợi trong hệ thống Bắc Hưng Hải có liên thông với nhau. Thời gian thu thập 1h một lần, bắt đầu từ 00h00 ngày 01/01/2015 đến 23h00, ngày 31/12/2015. Chương trình được viết trên ngôn ngữ Python 3.7.2, chạy thực nghiệm trên máy DELL với bộ vi xử lý core i5. Đánh giá hiệu năng của các mô hình dự báo chúng tôi sử dụng các độ đo MSE (Mean Squared Error), MAE (Mean Absolute Error) trong thực nghiệm của nghiên cứu. Nếu ̂ là véctơ với n thành phần dự đoán và là véctơ các giá trị được quan sát tương ứng với các đầu vào của hàm tạo ra các dự đoán ̂ thì độ đo MSE được ước lượng bởi công thức sau [9]: ∑ (̂ ) ∑ . (10) Điều này có nghĩa là độ đo MSE là trung bình của bình phương các sai số. Chỉ số này được tính toán một cách dễ dàng cho một mẫu đặc thù. Giá trị tốt nhất của độ đo MSE là giá trị nhỏ nhất của nó. Bên cạnh độ đo MSE, độ đo MAE cũng được sử dụng để tính toán sai số dự đoán nhưng thường dùng trong phân tích chuỗi thời gian. Trong thống kê, MAE là một đại lượng được dùng để đánh giá xem các dự đoán gần với các đầu ra thực sự như thế nào. Công thức xác định độ đo MAE được cho bởi [10]: ∑ ∑ . (11) Trong đó : là thành phần dự đoán, là giá trị thực. Giá trị của độ đo MSA càng nhỏ càng tốt.
434 SỬ DỤNG MÔ HÌNH HỌC MÁY TRONG HỖ TRỢ DIỄN ĐOÁN THỦY LỰC, THỦY VĂN TRÊN HỆ THỐNG… 3.2. Kết quả thực nghiệm Kết quả thực nghiệm với các tiêu chí đánh giá MSE, MAE của các mô hình học máy trong dữ báo lưu lượng nước tại các trạm thủy lợi được trình bày ở mục 2.2. Từ dữ liệu ban đầu ta lấy số liệu từ tháng 1 đến tháng 11 làm training và tháng 12 làm testing. Dựa vào kết quả thực nghiệm ở bảng 1 chúng ta thấy trong bài toán này mô hình hồi quy tuyến tính cho kết quả dự báo tốt hơn hai mô hình là mạng nơron và máy véc-tơ hỗ trợ hồi quy. Dựa vào bảng này kết quả diễn đoán lưu lượng nước tại trạm Dien Bien là tốt hơn so với các trạm còn lại. Bảng 1. Kết quả thực nghiệm các mô hình MSE MAE Trạm LR ANN SVR LR ANN SVR Kim Son 0.01406 3.09201 2.97719 0.07528 2.49755 2.49309 Dien Bien 0.01406 0.11462 0.09302 0.07528 0.26966 0.25952 Cuu An 2.52485 4.88205 3.82201 2.42116 4.83643 4.73316 Tay Ke Sat 0.27068 2.50244 2.13695 0.32533 4.70765 4.58325 Nam Ke Sat 0.00351 0.29133 0.23820 0.03165 0.38109 0.36024 Dinh Dao 5.83401 2.12993 4.47081 2.44774 3.57732 3.45292 Trang Ky 0.01450 0.60915 0.56286 0.07405 0.63333 0.58842 Cau Xe 3.60262 1.48335 3.98478 1.58267 4.03364 3.97368 An Tho 3.84258 3.57039 3.82726 1.62404 2.49470 2.46116 Luong Tai 0.00551 0.14551 0.07811 0.04754 0.30660 0.24948 Thach Khoi 0.03982 1.88600 1.58231 0.10304 1.20860 1.08419 Quang Lang 0.07195 1.00073 0.20650 0.19881 0.93903 0.81462 An Tao 0.04319 0.11614 0.06176 0.12293 0.25434 0.18277 Hoa Binh 0.00409 0.43995 0.41027 0.03415 0.52249 0.48584 Bac Ho 0.00333 0.35905 0.28675 0.03126 0.49065 0.43644 Kết quả thực nghiệm thể hiện ở hình 4 so sánh các giá trị thực nghiêm của các mô hình với giá trị thực tế đo được tại một số trạm. Khi đó ta thấy đường của mô hình hồi quy gần với đường giá trị thực tế nhất. a) Trạm Dien Bien b) Trạm Nam Ke Sat c) Trạm Luong Tai d) Trạm Bac Ho Hình 3. Kết quả thực nghiệm dự báo tại một số trạm
Nguyễn Văn Nam, Trần Mạnh Tuấn, Đặng Thị Thu Hiền, Kiều Tuấn Dũng, Đỗ Oanh Cường, Nguyễn Tú Trung 435 IV. KẾT LUẬN Trong báo cáo này chúng tôi đã trình bày một số mô hình học máy để diễn đoán thủy lực, thủy văn cho hệ thống Bắc Hưng Hải thông qua lưu lượng nước đo được tại các trạm thủy lợi trên hệ thống Bắc Hưng Hải. Các kết quả thực nghiệm dựa trên các độ đo cũng cho thấy các phương pháp học máy có hiệu quả tốt dự báo lưu lượng nước tại các trạm thủy lợi. Các kết quả dự báo này làm tiền đề tư vấn, trợ giúp cho quá trình điều tiết hệ thống thủy lợi trong hệ thống Bắc Hưng Hải. Các kết quả của nghiên cứu này làm tiền đề cho các nghiên cứu về việc sử dụng các mô hình học máy trong diễn đoán thủy lực, thủy văn của các hệ thống thủy lợi. TÀI LIỆU THAM KHẢO [1]. Nguyễn Trọng Hoài (chủ biên), Dự báo và phân tích dữ liệu trong kinh tế và tài chính, NXB Thống kê, 2009. [2]. N.Đ. Xuyên, N.Q. Hỷ, N.V. Hữu, T.Đ. Quỳ, N.X. Bình, T. Cảnh, Lập hàm dự báo chấn cấp động đất cực đại trên lãnh thổ Việt Nam bằng phương pháp xấp xỉ ngẫu nhiên, Tạp chí Các KH về Trái đất, T.22 (2000), 2 (81-89). [3]. James, S. C., Zhang, Y., & O'Donncha, F. (2018). A machine learning framework to forecast wave conditions. Coastal Engineering, 137, 1-10. [4]. De Matteis, A. D., Marcelloni, F., & Segatori, A. (2015, August). A new approach to fuzzy random forest generation. In Fuzzy Systems (FUZZ-IEEE), 2015 IEEE International Conference on (pp. 1-8). IEEE. [5]. Williams, J. K., & Abernethy, J. (2008, January). Using random forests and fuzzy logic for automated storm type identification. In AMS Sixth Conference on Artificial Intelligence Applications to Environmental Science. [6]. Trevor Hastie, Robert Tibshirani, Jerome Friedman, T Hastie, J Friedman, and R Tibshirani. The elements of statistical learning, volume 2. Springer, 2009. [7]. Christopher M Bishop et al. Neural networks for pattern recognition. 1995. [8]. Alex J Smola and Bernhard Schölkopf. A tutorial on support véctơ regression. Statistics and computing, 14(3):199- 222, 2004. [9]. Lehmann, E. L., & Casella, G. (1998), Theory of point estimation, Springer Science & Business Media. [10]. Hyndman, R. J., & Koehler, A. B. (2006), “Another look at measures of forecast accuracy”, International journal of forecasting, 22(4), 679-688. USING MACHINE LEARNING MODELS TO SUPPORT THE FORECAST OF HYDRAULIC, HYDROLOGY FORECAST ON BAC HUNG HAI Nguyen Van Nam, Tran Manh Tuan, Dang Thi Thu Hien, Kieu Tuan Dung, Do Oanh Cuong, Nguyen Tu Trung ABSTRACT: Hydraulic and hydrology forecast problem grasped the attention from many researchers in different fields such as irrigation, mathematics and informatics. Some typical results were obtained from these researches. However, at the irrigation stations in Bac Hung Hai irrigation system, the application of support tools into hydraulic and hydrology forecast using machine system has not been paid much attention. In this paper, we focus on proposing a machine learning model as a simulation tool on computer in order to solve problem of hydraulic and hydrology forecast at irrigation stations in Bac Hung Hai irrigation system. The experiments on real data collected from each station are also performed to support in handling the irrigation system at this station.