Phát triển ứng dụng quan trắc và dự báo môi trường trên mobile

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ Phát triển ứng dụng quan trắc dự báo môi trường mobile Lê Văn Thọ letho86304@gmail.com Ngành Kỹ thuật điện tử Giảng viên hướng dẫn: TS Nguyễn Xuân Dũng PGS.TS Trần Quang Vinh Viện: Điện tử - Viễn thông HÀ NỘI, 03/2021 TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ Phát triển ứng dụng quan trắc dự báo môi trường mobile Lê Văn Thọ letho86304@gmail.com Ngành Kỹ thuật điện tử Giảng viên hướng dẫn: TS Nguyễn Xuân Dũng PGS.TS Trần Quang Vinh Viện: Điện tử - Viễn thông HÀ NỘI, 03/2021 Chữ ký GVHD Chứ kỹ GVHD CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc BẢN XÁC NHẬN CHỈNH SỬA LUẬN VĂN THẠC SĨ Họ tên tác giả luận văn: Lê Văn Thọ Đề tài luận văn: Phát triển ứng dụng quan trắc dự báo môi trường mobile Chuyên ngành: Kỹ thuật điện tử Mã số SV: CA190078 Tác giả, Người hướng dẫn khoa học Hội đồng chấm luận văn xác nhận tác giả sửa chữa, bổ sung luận văn theo biên họp Hội đồng ngày 28/4/2021 với nội dung sau: - Chỉnh sửa bổ sung luận văn theo quy định luận văn; - Chỉnh sửa luận văn theo ý kiến Hội đồng Ngày 28 tháng năm 2021 Giáo viên hướng dẫn Tác giả luận văn TS Nguyễn Xuân Dũng Lê Văn Thọ CHỦ TỊCH HỘI ĐỒNG PGS TS Nguyễn Tài Hưng Lời cảm ơn Trong trình học tập nghiên cứu cao học khóa Thạc sỹ ngành Kỹ thuật Điện tử Viện Điện tử - Viễn thông, trường Đại học Bách khoa Hà Nội, nhận hướng dẫn, bảo giảng dạy tận tâm cán bộ, thầy cô với nhiều kiến thức thiết thực, hữu ích cơng việc sau Với đề tài luận văn “Phát triển ứng dụng quan trắc dự báo môi trường mobile” tơi xin bày tỏ lịng cảm ơn chân thành tới hướng dẫn, giúp đỡ tận tình TS Nguyễn Xuân Dũng, với quan tâm, định hướng nghiên cứu PGS TS Trần Quang Vinh thành viên phòng nghiên cứu SANSLAB (phòng 618, Thư viện Tạ Quang Bửu), giúp tơi hồn thành nội dung luận văn Tơi xin gửi lời cảm ơn tới Viện Điện tử - Viễn thông, Trường Đại học Bách khoa Hà Nội mở môi trường học tập nghiên cứu đại tiên tiến để chúng tơi học tập nghiên cứu nâng cao trình độ thân Cuối cùng, tơi xin bày tỏ lịng biết ơn tới gia đình, đồng nghiệp, đơn vị cơng tác có nhiều động viên, khuyến khích tạo điều kiện tối đa cho tơi suốt trình học tập nghiên cứu Trường Đại học Bách khoa Hà Nội MỤC LỤC CHƯƠNG ĐẶT VẤN ĐỀ 1.1 Tổng quan quan trắc môi trường 1.1.1 Khái niệm 1.1.2 Vai trò quan trắc môi trường 1.2 Quan trắc môi trường nuôi trồng thủy sản 10 1.2.1 Hiện trạng công tác quan trắc môi trường NTTS nước ta 10 1.2.2 Một số hệ thống quan trắc môi trường NTTS nước 12 1.3 Mơ hình tổng thể hệ thống quan trắc tự động 15 1.3.1 Phân hệ cảm biến 15 1.3.2 Phân hệ trạm gốc 16 1.3.3 Phân hệ xử lý liệu cung cấp dịch vụ 17 1.3.4 Phân hệ vận hành, bảo dưỡng điều khiển 17 1.3.5 Phân hệ người dùng 17 1.4 Phạm vi nghiên cứu kết 18 1.4.1 Phạm vi nghiên cứu luận văn 18 1.4.2 Kết đóng góp khoa học luận văn 19 CHƯƠNG CƠ SỞ LÝ THUYẾT 20 2.1 Ngơn ngữ lập trình thư viện 20 2.1.1 Ngơn ngữ lập trình Python 20 2.1.2 Thư viện xử lý liệu 21 2.1.3 Đồ thị mobile 22 2.1.4 Ứng dụng web mã nguồn mở Jupyter 26 2.2 Mạng nơ-ron nhân tạo 26 2.2.1 Định nghĩa 26 2.2.2 Kiến trúc, hoạt động mạng nơ-ron 26 2.2.3 Mơ hình học sâu Deep Learning 41 CHƯƠNG XÂY DỰNG MƠ HÌNH DỰ BÁO 49 3.1 Phân tích tổng qt chương trình dự báo 49 3.2 Xây dựng liệu huấn luyện mạng 49 3.2.1 Thu thập liệu 49 3.2.2 Tiền xử lý liệu 51 3.2.3 Phân tích thuộc tính đặc trưng tham số 52 3.2.4 Phân chia liệu đào tạo kiểm thử 55 3.3 Xây dựng mơ hình 56 3.3.1 Xác định yêu cầu 56 3.3.2 Xây dựng mô hình LSTM để dự báo nhiệt độ 56 3.3.3 Xây dựng mơ hình SimpleRNN để dự báo nhiệt độ 57 3.3.4 Xây dựng mô hình GRU để dự báo nhiệt độ 58 3.4 Triển khai thực server 59 3.4.1 Chuẩn bị liệu 59 3.4.2 Xây dựng mơ hình 61 3.4.3 Đào tạo lưu lại mơ hình 62 3.4.4 Xây dựng cách kiểm thử mơ hình đánh giá 62 CHƯƠNG TRIỂN KHAI THỰC HIỆN TRÊN MOBILE 64 4.1 Lựa chọn thư viện đồ thị 64 4.1.1 Thư viện MPAndroidChart 64 4.1.2 Phát triển mẫu đồ thị biểu diễn tham số 65 4.1.3 Thiết kế giao diện biểu diễn đồ thị 66 4.1.4 Thiết kế bước thực 66 4.2 Triển khai lập trình 67 4.3 Kết đạt mơ hình 70 4.3.1 Đối với tham số độ mặn 70 4.3.2 Đối với tham số pH 71 4.3.3 Đối với tham số NH4 72 4.3.4 Đối với tham số H2S 73 4.3.5 Đối với tham số DO 74 4.3.6 Đối với tham số COD 75 4.3.7 Đối với tham số TSS 76 4.3.8 Đối với tham số nhiệt độ 76 4.4 Kết mơ hình kiểm thử mobile 77 4.4.1 Kiểm thử tham số nhiệt độ 77 4.4.2 Đối với tham số pH 78 4.4.3 Đối với tham số độ mặn 79 4.4.4 Đối với tham số DO 80 4.4.5 Đối với tham số H2S 81 4.4.6 Đối với tham số NH4 82 CHƯƠNG KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 84 5.1 Kết luận 84 5.2 Hướng phát triển 84 DANH MỤC HÌNH VẼ Hình 1.1: Hệ thống mạng cảm biến môi trường không dây (AE Visor) FarmTech 13 Hình 1.2: Hệ thống giám sát điều khiển chất lượng nước e-Aqua 15 Hình 1.3: Mơ hình tổng thể hệ thống quan trắc tự động mơi trường nuôi tôm hùm 15 Hình 1.4: Kiến trúc trạm quan trắc tự động (nút mạng cảm biến) 16 Hình 1.5: Kiến trúc trạm thu thập liệu quan trắc (trạm gốc) 17 Hình 1.6: Sơ đồ khối ứng dụng dự báo môi trường mobile 19 Hình 2.1: Một số thư viện hỗ trợ vẽ đồ thị thiết bị di động 22 Hình 2.2: Biểu đồ đường 23 Hình 2.3: Biểu đồ cột 23 Hình 2.4: Biểu đồ kết hợp 23 Hình 2.5: Biểu đồ quạt 24 Hình 2.6: Biểu đồ mạng nhện 24 Hình 2.7: Biểu đồ tán xạ 25 Hình 2.8: Biểu đồ hình nến 25 Hình 2.9: Biểu đồ bong bóng 25 Hình 2.10: Mơ hình tổng qt mạng nơ-ron nhân tạo 26 Hình 2.11: Đơn vị xử lý (Processing Unit) 28 Hình 2.12: Ý nghĩa trọng số điều chỉnh Bias 29 Hình 2.13: Mơ hình học có giám sát 32 Hình 2.14: Mô tả sai số huấn luyện 37 Hình 2.15: Cổng xóa cổng cập nhật GRU 43 Hình 2.16: Tính tốn trạng thái ẩn tiềm GRU 44 Hình 2.17: Tính tốn trạng thái ẩn GRU 45 Hình 2.18: Mơ tả cấu trúc mạng LSTM 46 Hình 2.19: Mơ tả trạng thái tế bào (cell state) 46 Hình 2.20: Minh họa cổng kích hoạt 47 Hình 2.21: Minh họa cổng quên 47 Hình 2.22: Minh họa việc cập nhật trạng thái tế bào cũ 48 Hình 2.23: Minh họa việc cập nhật trạng thái tế bào 48 Hình 2.24: Minh họa cổng 48 Hình 3.1: Bộ liệu đo đạc thực tế 50 Hình 3.2: Đồ thị biểu diễn giá trị tham số theo thời gian 53 Hình 3.3: Đồ thị biểu diễn giá trị tham số NH3 theo thời gian 55 Hình 3.4: Đồ thị biểu diễn giá trị tham số H2S theo thời gian 55 Hình 3.5: Đồ thị biểu diễn giá trị tham số COD theo thời gian 55 Hình 3.6: So sánh kết dự báo nhiệt độ sử dụng mơ hình LSTM với giá trị đo thực tế 57 Hình 3.7: So sánh kết dự báo nhiệt độ sử dụng mơ hình SimpleRNN với giá trị đo thực tế 58 Hình 3.8: So sánh kết dự báo nhiệt độ sử dụng mơ hình GRU với giá trị đo thực tế 58 Hình 3.9: Kết liệu sau điều chỉnh 60 Hình 3.10: Mơ tả ngắn gọn lớp cấu trúc đầu 61 Hình 4.1: Biểu đồ biểu diễn giá trị tham số pH theo thời gian 65 Hình 4.2: Giao diện biểu diễn đồ thị Android 66 Hình 4.3: Sơ đồ khối tổng quát bước vẽ đồ thị tham số 67 Hình 4.4: So sánh kết dự báo độ mặn với giá trị đo thực tế 71 Hình 4.5: Phân phối sai số tích lũy tham số độ mặn 71 Hình 4.6: So sánh kết dự báo pH với giá trị đo thực tế 72 Hình 4.7: Phân phối sai số tích lũy tham số pH 72 Hình 4.8: So sánh kết dự báo NH4 với giá trị đo thực tế 73 Hình 4.9: Phân phối sai số tích lũy tham số NH4 73 Hình 4.10: So sánh kết dự báo H2S với giá trị đo thực tế 73 Hình 4.11: Phân phối sai số tích lũy tham số H2S 74 Hình 4.12: So sánh kết dự báo DO với giá trị đo thực tế 74 Hình 4.13: Phân phối sai số tích lũy tham số DO 75 Hình 4.14: So sánh kết dự báo COD với giá trị đo thực tế 75 Hình 4.15: Phân phối sai số tích lũy tham số COD 75 Hình 4.16: So sánh kết dự báo TSS với giá trị đo thực tế 76 Hình 4.17: Phân phối sai số tích lũy tham số TSS 76 Hình 4.18: So sánh kết dự báo nhiệt độ với giá trị đo thực tế 77 Hình 4.19: Phân phối sai số tích lũy tham số Nhiệt độ 77 Hình 4.20: Giao diện kết kiểm thử mơ hình dự báo tham số nhiệt độ 78 Hình 4.21: Giao diện kết kiểm thử mơ hình dự báo tham số pH 79 Hình 4.22: Giao diện kết kiểm thử mơ hình dự báo tham số độ mặn 80 Hình 4.23: Giao diện kết kiểm thử mơ hình dự báo tham số DO 81 Hình 4.24: Giao diện kết kiểm thử mơ hình dự báo tham số H2S 82 Hình 4.25: Giao diện kết kiểm thử mơ hình dự báo tham số NH4 83 - Độ lệch chuẩn là: 0.6977 Biểu đồ so sánh kết dự báo với kết tập kiểm thử tham số độ mặn thể Hình 4.4 Hình 4.4: So sánh kết dự báo độ mặn với giá trị đo thực tế Biểu đồ phân phối sai số tích lũy tham số độ mặn thể Hình 4.5 Hình 4.5: Phân phối sai số tích lũy tham số độ mặn 4.3.2 Đối với tham số pH Kết tổng kết là: - Sai số trung bình là: 0.13533 Sai số nhỏ là: 3.8337×10-5 Sai số lớn là: 0.79313 Phương sai là: 0.03208 Độ lệch chuẩn là: 0.17911 Biểu đồ so sánh kết dự báo với kết tập kiểm thử tham số pH thể Hình 4.6 71 Hình 4.6: So sánh kết dự báo pH với giá trị đo thực tế Biểu đồ phân phối sai số tích lũy tham số pH thể Hình 4.7 Hình 4.7: Phân phối sai số tích lũy tham số pH Từ biểu đồ ta thấy, với sai số cho phép 0.5 kết đạt 90% 4.3.3 Đối với tham số NH4 Kết tổng kết là: - Sai số trung bình 0.01670 Sai số nhỏ 1.283×10-5 Dai số lớn nhất: 0.1291 Phương sai: 0.0004 Độ lệch chuẩn: 0.0197 Biểu đồ so sánh kết dự báo với kết tập kiểm thử tham số NH4 thể Hình 4.8 72 Hình 4.8: So sánh kết dự báo NH4 với giá trị đo thực tế Biểu đồ phân phối sai số tích lũy tham số NH4 thể Hình 4.9 Hình 4.9: Phân phối sai số tích lũy tham số NH4 4.3.4 Đối với tham số H2S Kết tổng kết là: - Sai số trung bình là: 0.00176 Sai số nhỏ là: 9.609×10-7 Sai số lớn là: 0.025 Phương sai là: 6.478×10-6 Độ lệch chuẩn là: 0.0025 Biểu đồ so sánh kết dự báo với kết tập kiểm thử tham số H2S thể Hình 4.10 Hình 4.10: So sánh kết dự báo H2S với giá trị đo thực tế 73 Biểu đồ phân phối sai số tích lũy tham số H2S thể Hình 4.11 Hình 4.11: Phân phối sai số tích lũy tham số H2S 4.3.5 Đối với tham số DO Kết tổng kết là: - Sai số trung bình 0.2147 Sai số nhỏ 0.00097 Sai số lớn 1.215 Phương sai 0.02874 Độ lệch chuẩn 0.16954 Biểu đồ so sánh kết dự báo với kết tập kiểm thử tham số DO thể Hình 4.12 Hình 4.12: So sánh kết dự báo DO với giá trị đo thực tế Biểu đồ phân phối sai số tích lũy tham số DO thể Hình 4.13 74 Hình 4.13: Phân phối sai số tích lũy tham số DO 4.3.6 Đối với tham số COD Kết tổng kết là: - Sai số trung bình là: 0.3935 - Sai số nhỏ là: 0.000416 - Sai số lớn là: Phương sai là: Độ lệch chuẩn là: 2.9412 0.172 0.4156 Biểu đồ so sánh kết dự báo với kết tập kiểm thử tham số COD thể Hình 4.14 Hình 4.14: So sánh kết dự báo COD với giá trị đo thực tế Biểu đồ phân phối tích lũy sai số tham số COD là: Hình 4.15: Phân phối sai số tích lũy tham số COD 75 4.3.7 Đối với tham số TSS Kết tổng kết là: - Sai số trung bình là: 0.7379 - Sai số nhỏ là: Sai số lớn là: 0.0012 3.742 - Phương sai là: Độ lệch chuẩn là: 0.4073 0.6382 Biểu đồ so sánh kết dự báo với kết tập kiểm thử tham số TSS thể Hình 4.16 Hình 4.16: So sánh kết dự báo TSS với giá trị đo thực tế Biểu đồ phân phối sai số tích lũy tham số TSS thể Hình 4.17: Hình 4.17: Phân phối sai số tích lũy tham số TSS 4.3.8 Đối với tham số nhiệt độ Kết tổng kết là: - Sai số trung bình 0.4237 Sai số nhỏ 0.0002 Sai số lớn 3.7284 Phương sai 0.1605 Độ lệch chuẩn 0.4007 76 Biểu đồ so sánh kết dự báo với kết tập kiểm thử tham số TSS thể Hình 4.18 Hình 4.18: So sánh kết dự báo nhiệt độ với giá trị đo thực tế Biểu đồ phân phối tích lũy sai số tham số nhiệt độ thể Hình 4.19 Hình 4.19: Phân phối sai số tích lũy tham số Nhiệt độ 4.4 Kết mơ hình kiểm thử mobile 4.4.1 Kiểm thử tham số nhiệt độ Qua kết dự báo, sai số nhỏ sai số lớn nằm khoảng cho phép thể Bảng 4.1 Bảng 4.1: So sánh kết kiểm thử huấn luyện với tham số nhiệt độ Tham số Mơ hình huấn luyện Mơ hình kiểm thử Sai số trung bình 0.4237 0.76 Sai số nhỏ 0.0002 0.0 Sai số lớn 3.7284 2.1 Phương sai 0.1605 0.21 Độ lệch chuẩn 0.4007 0.46 77 Biểu đồ so sánh kết dự báo với kết tập kiểm thử tham số nhiệt độ thể Hình 4.20 Hình 4.20: Giao diện kết kiểm thử mơ hình dự báo tham số nhiệt độ 4.4.2 Đối với tham số pH Qua kết dự báo, sai số nhỏ sai số lớn nằm khoảng cho phép thể Bảng 4.2 Bảng 4.2: So sánh kết kiểm thử huấn luyện với tham số pH Tham số Mơ hình huấn luyện Mơ hình kiểm thử Sai số trung bình 0.13533 0.1136 Sai số nhỏ 3.8337×10-5 0.1 Sai số lớn 0.79313 0.19999 Phương sai 0.03208 0.001177 Độ lệch chuẩn 0.17911 0.0343 Biểu đồ so sánh kết dự báo với kết tập kiểm thử tham số nhiệt độ thể Hình 4.21 78 Hình 4.21: Giao diện kết kiểm thử mơ hình dự báo tham số pH 4.4.3 Đối với tham số độ mặn Qua kết dự báo, sai số nhỏ sai số lớn nằm khoảng cho phép thể Bảng 4.3 Bảng 4.3: So sánh kết kiểm thử huấn luyện với tham số độ mặn Tham số Mơ hình huấn luyện Mơ hình kiểm thử Sai số trung bình 0.6108 0.67 Sai số nhỏ 0.004 0.0 Sai số lớn 4.1177 2.5 Phương sai 0.4868 0.232 Độ lệch chuẩn 0.6977 0.482 Biểu đồ so sánh kết dự báo với kết tập kiểm thử tham số độ mặn thể Hình 4.22 79 Hình 4.22: Giao diện kết kiểm thử mơ hình dự báo tham số độ mặn 4.4.4 Đối với tham số DO Qua kết dự báo, sai số nhỏ sai số lớn nằm khoảng cho phép thể Bảng 4.4 Bảng 4.4: So sánh kết kiểm thử huấn luyện với tham số DO Tham số Sai số trung bình Mơ hình huấn luyện 0.2147 Mơ hình kiểm thử 0.2534 Sai số nhỏ 0.00097 0.0047 Sai số lớn 1.215 0.39 0.02874 0.02189 Phương sai Độ lệch chuẩn 0.16954 0.179 Biểu đồ so sánh kết dự báo với kết tập kiểm thử tham số DO thể Hình 4.23 80 Hình 4.23: Giao diện kết kiểm thử mơ hình dự báo tham số DO 4.4.5 Đối với tham số H2S Qua kết dự báo, sai số nhỏ sai số lớn nằm khoảng cho phép thể Bảng 4.5 Bảng 4.5: So sánh kết kiểm thử huấn luyện với tham số H2S Tham số Mơ hình huấn luyện Mơ hình kiểm thử 0.00176 0.0005 Sai số nhỏ 9.609×10-7 0.003762 Sai số lớn 0.025 0.02144 6.478×10-6 0.01173 0.0025 0.002424 Sai số trung bình Phương sai Độ lệch chuẩn Biểu đồ so sánh kết dự báo với kết tập kiểm thử tham số H2S thể Hình 4.24 81 Hình 4.24: Giao diện kết kiểm thử mơ hình dự báo tham số H2S 4.4.6 Đối với tham số NH4 Qua kết dự báo, sai số nhỏ sai số lớn nằm khoảng cho phép thể Bảng 4.6 Bảng 4.6: So sánh kết kiểm thử huấn luyện với tham số NH4 Tham số Mơ hình huấn luyện Mơ hình kiểm thử Sai số trung bình 0.01670 0.0405 Sai số nhỏ 1.283×10-5 0.001993 Sai số lớn 0.1291 0.21398 Phương sai 0.0004 0.00333 Độ lệch chuẩn 0.0197 0.0577 Biểu đồ so sánh kết dự báo với kết tập kiểm thử tham số NH4 thể Hình 4.25 82 Hình 4.25: Giao diện kết kiểm thử mơ hình dự báo tham số NH4 83 CHƯƠNG KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 5.1 Kết luận Sau trình tìm hiểu mạng nơ-ron nhân tạo nghiên cứu giải thuật phân lớp liệu với mơ hình mạng Deep Learning số kỹ thuật có liên quan, đề tài đạt mục tiêu sau đây: - Dự đoán tham số từ liệu đo đạc khu vực nuôi tôm hùm đầm Cù Mông, vịnh Xuân Đài với lượng thời gian đủ để đáp ứng trường hợp tham số chuyển biến xấu, nhằm tránh gây hại đến chất lượng giá trị thủy, hải sản nơi - Kết dự đoán hợp lý với tham số đo được, dùng để phát triển mơ hình dự báo phức tạp xác tương lai - Sử dụng kỹ thuật tiền xử lý liệu nhằm đưa phân tích tham số đo được, kết hợp với phương pháp dự báo đưa nhằm tạo mơ hình dự báo cho tham số cịn lại Bên cạnh kết đạt được, thời gian kiến thực có hạn nên ứng dụng có hạn chế thiếu sót: - Gần khơng có khả nắm bắt điểm cực trị liệu huấn luyện Từ đó, đưa kết dự đốn gần khơng thể điểm lớn nhất, điểm nhỏ thời gian dự đốn - Chưa tối ưu mơ hình dự đốn Deep learning thông qua phép kiểm thử thông số; áp dụng mơ hình dự báo cho tham số - Tốc độ dự đốn cịn chậm, khoảng thời gian dự đốn cịn ngắn, áp dụng chưa hiệu vào thực tiễn 5.2 Hướng phát triển Để có thêm điều kiện tìm hiểu nghiên cứu phát triển mơ hình dự đốn, cần thu thập thêm tham số đo đạc từ cảm biến để tạo liệu đáng tin cậy làm liệu tham chiếu cho người dùng, từ đưa định xác từ kết dự báo Tiếp tục nghiên cứu để cải tiến mơ hình cho phù hợp với điều kiện khí hậu, mơi trường thực tế nước ta để việc dự đốn xác Phát triển thêm chức cảnh báo cho người dùng, đặt ngưỡng cảnh báo, xem lịch sử mobile desktop 84 TÀI LIỆU THAM KHẢO [1] "Recurrent Neural Network’s learning way https://vi.wikipedia.org/wiki/Mạng_nơ-ron, truy cập lần cuối ngày 17/4/2021" [2] T Wang, "Recurrent Neural Network." [3] R., Sarpeshkar, R., Mahowald, M et al Hahnloser, "Digital selection and analogue amplification coexist in a cortex-inspired silicon circuit.," 2020 [4] "Introduction to Recurrent Neural Network https://dominhhai.github.io/vi/2017/10/what-is-rnn/, truy cập lần cuối ngày 17/4/2021" [5] A Al-Masri, "https://towardsdatascience.com/how-does-back-propagationin-artificial-neural-networks-work-c7cad873ea7, truy cập lần cuối ngày 17/4/2021," How Does Back-Propagation in Artificial Neural Networks Work? [6] "RNN vs CNN for Deep Learning: Let’s Learn the Difference https://blog.exxactcorp.com/lets-learn-the-difference-between-a-deeplearning-cnn-and-rnn/, truy cập lần cuối ngày 17/4/2021" [7] Hai, "https://dominhhai.github.io/vi/2017/10/what-is-lstm/, truy cập lần cuối ngày 17/4/2021," Introduction to LSTM [8] S Mariculture, "A Water Quality Prediction Method Based on the Deep LSTM Network Considering Correlation in." [9] Lược sử Deep Learning, https://machinelearningcoban.com/2018/06/22/deeplearning/, truy cập lần cuối ngày 17/4/2021 [10] M A Islam, "https://medium.com/@mdasadul/how-to-train-recurrentneural-network-rnn-models-and-serve-them-in-production-with-tensorflowand-500d0e57," How to Train Recurrent Neural Network (RNN) Models and Serve Them in Production with TensorFlow and Flask 85 ... này, tác giả tập trung vào nội dung xây dựng mơ hình dự báo dựa công nghệ học máy để dự báo xu hướng thay đổi tham số môi trường Sơ đồ khối ứng dụng quan trắc dự báo môi trường Luận văn thể Hình... hiển thị giá trị đo kết dự báo mobile - Phát triển ứng dụng người dùng smartphone để biểu diễn giá trị đo giá trị dự báo Hình 1.6: Sơ đồ khối ứng dụng dự báo môi trường mobile 19 CHƯƠNG CƠ SỞ... giả hoàn thành việc xây dựng mơ hình dự báo tham số môi trường phát triển ứng dụng mobile cho phép người sử dụng theo dõi đồng thời tham số môi trường thời điểm giá trị dự báo tương lai Các đóng