Ứng dụng mạng nơ-ron LSTM (Long Short-Term Memory Neural Networks) dự báo mực nước tại cống - âu thuyền Cầu Cất trong hệ thống Bắc Hưng Hải

Bài viết Ứng dụng mạng nơ-ron LSTM (Long Short-Term Memory Neural Networks) dự báo mực nước tại cống - âu thuyền Cầu Cất trong hệ thống Bắc Hưng Hải trình bày việc xây dựng một mô hình toán dựa trên mạng nơ-ron hồi quy (Recurrent Neural Network - RNN) để dự báo mực nước sông vùng triều và ứng dụng nó phục vụ việc dự báo mực nước ở thượng lưu cống – âu thuyền Cầu Cất trong hệ thống thủy lợi Bắc Hưng Hải.
Nội dung trích xuất từ tài liệu:
Ứng dụng mạng nơ-ron LSTM (Long Short-Term Memory Neural Networks) dự báo mực nước tại cống - âu thuyền Cầu Cất trong hệ thống Bắc Hưng Hải Tuyển tập Hội nghị Khoa học thường niên năm 2019. ISBN: 978-604-82-2981-8 ỨNG DỤNG MẠNG NƠ-RON LSTM (LONG SHORT-TERM MEMORY NEURAL NETWORKS) DỰ BÁO MỰC NƯỚC TẠI CỐNG - ÂU THUYỀN CẦU CẤT TRONG HỆ THỐNG BẮC HƯNG HẢI Hồ Việt Hùng Trường Đại học Thủy lợi, email: hohung.thuyluc@tlu.edu.vn 1. GIỚI THIỆU CHUNG viện Numpy, Pandas, Keras cùng với ngôn ngữ lập trình Python 3.6 đã được sử dụng để Trí tuệ nhân tạo (Artificial Intelligence) và thiết lập một mô hình mạng nơ-ron LSTM học máy (Machine Learning - ML) ngày càng (Long Short-Term Memory Neural được ứng dụng rộng rãi trong nhiều lĩnh vực Networks), một dạng đặc biệt của RNN [2]. khác nhau của đời sống. ML có thể được áp dụng trong ngành Thủy lợi để dự báo mực 2.1. Mạng nơ-ron LSTM và các dữ liệu nước, lưu lượng dòng chảy trong sông nhằm Mạng nơ-ron LSTM có thể giải quyết các cảnh báo lũ lụt, hoặc dự báo mực nước ở các bài toán có sự phụ thuộc dài hạn (long-term cống tưới tiêu kết hợp nhằm giúp cho quy dependency). Các mô hình LSTM xuất hiện trình vận hành cống an toàn và hiệu quả [3]. lần đầu tiên vào năm 1997, sau đó đã được Trên thế giới cũng như ở Việt Nam, các cải tiến và phổ biến rộng rãi [2], [3]. Tác giả mô hình mạng nơ-ron nhân tạo ngày càng thu bài báo này đã thiết kế một mô hình LSTM hút sự chú ý của các nhà khoa học và đang để dự báo mực nước sông tại các cống ngăn được ứng dụng trong nhiều nghiên cứu khác mặn, chịu ảnh hưởng của thủy triều. nhau vì không yêu cầu nhiều số liệu đầu vào Dữ liệu được thu thập phục vụ cho việc dự mà độ chính xác rất cao [1], [4]. báo là mực nước thực đo 6 giờ một lần ở Bài báo này trình bày việc xây dựng một thượng lưu các cống: Tranh, Bá Thủy, Cầu mô hình toán dựa trên mạng nơ-ron hồi quy Cất trong thời gian 19 năm, từ ngày 1/1/2000 (Recurrent Neural Network - RNN) để dự đến ngày 30/11/2018. Số liệu đo đạc được xử báo mực nước sông vùng triều và ứng dụng lý và đánh giá bằng hệ số tương quan r, khi nó phục vụ việc dự báo mực nước ở thượng đối chiếu mực nước tại các trạm đo với mực lưu cống – âu thuyền Cầu Cất trong hệ thống nước thượng lưu cống Cầu Cất (xem Bảng thủy lợi Bắc Hưng Hải. Mô hình này chỉ sử 1). Hệ số tương quan của mực nước hạ lưu dụng dữ liệu đầu vào là mực nước sông Kim cống Cầu Cất không cao nên chuỗi số liệu Sơn đo tại các trạm ở thượng lưu trạm cần dự này không được sử dụng cho dự báo. báo (âu thuyền Cầu Cất). Bảng 1. Hệ số tương quan (r) của dữ liệu 2. PHƯƠNG PHÁP NGHIÊN CỨU TT Tên trạm đo Hệ số r Các mô hình RNN dựa trên mối quan hệ 1 Thượng lưu cống Cầu Cất 1 giữa các dữ liệu đầu vào và đầu ra để học các 2 Hạ lưu cống Cầu Cất 0,41 quy luật trong quá khứ từ đó đưa ra các dự 3 Thượng lưu cống Tranh 0,96 báo trong tương lai. Trong nghiên cứu này, thư viện phần mềm mã nguồn mở, các thư 4 Thượng lưu cống Bá Thủy 0,98 305 Tuyển tập Hội nghị Khoa học thường niên năm 2019. ISBN: 978-604-82-2981-8 Tác giả sử dụng chuỗi dữ liệu mực nước cm cho tất cả các trường hợp dự báo, khi dự thực đo trong 8 bước thời gian gần nhất (48 báo 6h sai số nhỏ hơn 5 cm. Thời gian xuất giờ) để dự báo mực nước ở thượng lưu cống hiện đỉnh lũ dự báo trùng với thực đo. Kết Cầu Cất cho 6 giờ, 12 giờ, 18 giờ và 24 giờ quả kiểm định mô hình là tương đối tốt. Mô trong tương lai, vì 48 giờ gần nhất tác động tới hình đã sẵn sàng cho việc dự báo mực nước. kết quả dự báo nhiều nhất. Các số liệu trước Bảng 2. Kết quả kiểm định mô hình đó chỉ bổ sung thêm thông tin. Tập dữ liệu đầu dự báo mực nước (MN) vào được chia thành 3 phần với các mục đích khác nhau. Phần thứ nhất là chuỗi 26056 số Thời Số Số Số MAE NSE liệu được đo đạc trong 18 năm (từ 01/1/2000 gian trạm lượng lần lặp (m) (%) đến 31/10/2017), dùng để hiệu chỉnh mô hình dự báo đo MN unit nhằm chọn ra các thông số tốt nhất. Phần thứ 6 giờ 3 30 322 0,045 94,9 hai là chuỗi số liệu đo trong 1 năm, từ ngày 12 giờ 3 35 344 0,065 89,5 01/11/2017 đến ngày 31/10/2018 được dùng 18 giờ 3 35 302 0,076 85,9 để kiểm định mô hình. Phần thứ ba là chuỗi số liệu từ ngày 01/11/2018 đến ngày 4/11/2018 24 giờ 3 35 293 0,086 82,2 được sử dụng làm dữ liệu đầu vào để chạy thử mô hình nhằm kiểm tra một lần nữa. 2.2. Thiết kế mô hình dự báo Tác giả đã cho mô hình chạy với nhiều bộ thông số khác nhau cho đến khi đạt kết quả Hình 1. So sánh mực nước thực đo tốt nhất, từ đó lựa chọn các thông số của mô ...