Ứng dụng mô hình hỗn hợp trong ước lượng giá trị lớn nhất và nhỏ nhất của nhiệt độ môi trường ngày

Bài viết Ứng dụng mô hình hỗn hợp trong ước lượng giá trị lớn nhất và nhỏ nhất của nhiệt độ môi trường ngày trình bày ứng dụng phối hợp SVD và MLP trong mô hình hỗn hợp để dự báo; Các thuật toán xây dựng mô hình tuyến tính và phi tuyến; Mô hình hỗn hợp dự báo Tmax, Tmin ngày.
Nội dung trích xuất từ tài liệu:
Ứng dụng mô hình hỗn hợp trong ước lượng giá trị lớn nhất và nhỏ nhất của nhiệt độ môi trường ngày ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 11(96).2015, QUYỂN 2 35 ỨNG DỤNG MÔ HÌNH HỖN HỢP TRONG ƯỚC LƯỢNG GIÁ TRỊ LỚN NHẤT VÀ NHỎ NHẤT CỦA NHIỆT ĐỘ MÔI TRƯỜNG NGÀY APPLICATION OF HYBRID MODEL IN ESTIMATING THE DAILY MAXIMUM AND MINIMUM VALUES OF THE ENVIRONMENT TEMPERATURE Đỗ Văn Đỉnh2, Đinh Văn Nhượng2, Trần Hoài Linh1 1 Trường Đại học Bách khoa Hà Nội; dodinh75@gmail.com, linh.tranhoai@hust.edu.vn 2 Trường Đại học Sao Đỏ; nhuongdv2000@gmail.com, dodinh75@gmail.com Tóm tắt - Dự báo giá trị lớn nhất và nhỏ nhất của nhiệt độ môi Abstract - The daily forecast of maximum and minimum of the trường ngày là bài toán có tính thực tiễn cao. Đã có nhiều ambient temperature is a problem with high applicability. There phương án đề xuất để dự báo hai đại lượng này [1, 2], tuy nhiên have been many proposed methods to forecast these quantities các thông số của mô hình dự báo phụ thuộc vào điều kiện địa lý [1, 2], however the parameters of the model depend strongly on và phát triển kinh tế khu vực cần dự báo. Vì vậy, đối với từng khu regional geographical locations and economic indices. Because of vực dự báo cần phải xác định lại các thông số của mô hình hoặc that, for each region, the forecast model needs to refine its đề xuất mô hình mới phù hợp hơn. Bài báo đề xuất sử dụng mô parameters for better suitability This paper proposes a hybrid model hình phối hợp mạng nơ-rôn nhân tạo MLP (Multi Layer consisting of an neural network MLP (Multi Layer Percepton) [3, 4] Percepton) [3, 4] và mô hình tuyến tính để dự báo giá trị lớn nhất and a linear model to forecast the maximum and minimum of the và nhỏ nhất của nhiệt độ môi trường ngày [5, 6]. Các số liệu đầu daily environment temperature [5, 6]. The input data is the daily vào là giá trị lớn nhất, nhỏ nhất nhiệt độ, độ ẩm ngày trước đó. maximum and minimum temperatures and humidity of previous Đầu vào mô hình được đánh giá và lựa chọn sử dụng thuật toán days. Model inputs were further evaluated and selected using an SVD (Singular Value Decomposition). Chất lượng của giải pháp SVD (Singular Value Decomposition) algorithm. The quality of the đề xuất được kiểm nghiệm trên số liệu thực tế (1764 ngày từ proposed solutions are tested on actual data (1764 days from 01/01/2010 đến 31/10/2014) ở tỉnh Bắc Ninh. 01/01/2010 to 31/10/2014) in Bac Ninh province. Từ khóa - SVD; MLP; mô hình tuyến tính; mô hình phi tuyến; mô Key words - SVD; MLP; linear models; nonlinear models; hybrid hình hỗn hợp. model. 1. Đặt vấn đề 1 p 2 Bài toán dự báo là một trường hợp đặc biệt của bài toán hay E   Linear (xi )  di 2 i 1  min (2) ước lượng và xây dựng mô hình ánh xạ giữa đầu vào và đầu ra [5,6]. Bài báo đề xuất một mô hình ước lượng hỗn hợp phối Sau khi có mô hình tuyến tính, phần sai số còn lại sẽ hợp ước lượng phi tuyến, ước lượng tuyến tính và được sử được xấp xỉ bởi mô hình phi tuyến bằng các thuật toán tối dụng cho hai bài toán là ước lượng giá trị nhiệt độ lớn nhất ưu hóa hàm sai số phi tuyến: (max) và nhỏ nhất (min) của ngày (gọi tắt là Tmax và Tmin). i : NonLinear (xi )  di  Linear (xi ) hay Trên Hình 1, tín hiệu đầu vào (x) là véc-tơ chứa các số 1 p 2 (3) E   NonLinear (xi )  (di  Linear (xi ))  min liệu quá khứ; tín hiệu đầu ra (d) là tổng của hai thành phần 2 i 1 ước lượng: ước lượng tuyến tính (dùng thuật toán SVD) và Giả thiết rằng giá trị Tmax được ước lượng theo (4) ước lượng phi tuyến (dùng mô hình mạng MLP). Mô hình (Giá trị Tmin làm tương tự): hỗn hợp được đề xuất như trên Hình 1 [5], theo đó: Tmax (d )  f1,2,..., K (Tmax (d  i ), Tmin (d  i ), d  f ( x )  Linear ( x)  NonLinear ( x) (1) ...