1. Trang chủ
  2. » Luận Văn - Báo Cáo

Đồ án tốt nghiệp kĩ sư đại học Bách Khoa Hà Nội

55 24 0

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Tiêu đề Sử Dụng Học Sâu Cho Bài Toán Dự Đoán Chỉ Số Bụi Mịn Của Hà Nội
Tác giả Nguyễn Minh Hiếu
Người hướng dẫn TS. Nguyễn Thanh Hùng
Trường học Đại học Bách Khoa Hà Nội
Chuyên ngành Công nghệ thông tin và Truyền thông
Thể loại đồ án tốt nghiệp
Năm xuất bản 2019
Thành phố Hà Nội
Định dạng
Số trang 55
Dung lượng 604,96 KB

Nội dung

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI ĐỒ ÁN TỐT NGHIỆP Sử dụng học sâu cho bài toán dự đoán chỉ số bụi mịn của Hà Nội NGUYỄN MINH HIẾU minhhieun4gmail com Ngành Công nghệ thông tin và Truyền thông Chuyên ngành Công nghệ phần mềm.

Ngày đăng: 08/05/2022, 22:07

HÌNH ẢNH LIÊN QUAN

Bản g1 Bảng quy đổi giá trị AQI - Đồ án tốt nghiệp kĩ sư đại học Bách Khoa Hà Nội
n g1 Bảng quy đổi giá trị AQI (Trang 10)
Bảng 2 Chỉ số AQI một số khu vực Hà Nội vào 0h:00 từ 16/12/2019 – 22/12/2019 Số liệu được lấy từ Cổng thông tin quan trắc môi trường – UBND Thành phố Hà Nội - Đồ án tốt nghiệp kĩ sư đại học Bách Khoa Hà Nội
Bảng 2 Chỉ số AQI một số khu vực Hà Nội vào 0h:00 từ 16/12/2019 – 22/12/2019 Số liệu được lấy từ Cổng thông tin quan trắc môi trường – UBND Thành phố Hà Nội (Trang 11)
1.2 Mục tiêu và phạm vi đề tài - Đồ án tốt nghiệp kĩ sư đại học Bách Khoa Hà Nội
1.2 Mục tiêu và phạm vi đề tài (Trang 11)
Hình 1 Cấu trúc mạng RNN [24]. - Đồ án tốt nghiệp kĩ sư đại học Bách Khoa Hà Nội
Hình 1 Cấu trúc mạng RNN [24] (Trang 16)
Hình 2 Cấu trúc LSTM [40]. - Đồ án tốt nghiệp kĩ sư đại học Bách Khoa Hà Nội
Hình 2 Cấu trúc LSTM [40] (Trang 18)
Hình 3 Kiến trúc BiLSTM [41]. - Đồ án tốt nghiệp kĩ sư đại học Bách Khoa Hà Nội
Hình 3 Kiến trúc BiLSTM [41] (Trang 19)
Hình 4 Mô hình Encoder Decoder sử dụng RNN. - Đồ án tốt nghiệp kĩ sư đại học Bách Khoa Hà Nội
Hình 4 Mô hình Encoder Decoder sử dụng RNN (Trang 20)
cấu trúc cơ bản của EnsembleLearning. Dữ liệu được đưa vào một tập các mô hình khác nhau, sau đó một mô hình khác tổng hợp lại kết quả và đưa ra kết quả cuối cùng. - Đồ án tốt nghiệp kĩ sư đại học Bách Khoa Hà Nội
c ấu trúc cơ bản của EnsembleLearning. Dữ liệu được đưa vào một tập các mô hình khác nhau, sau đó một mô hình khác tổng hợp lại kết quả và đưa ra kết quả cuối cùng (Trang 22)
Hình 6 Sơ đồ mô tả kĩ thuật Baggin g. - Đồ án tốt nghiệp kĩ sư đại học Bách Khoa Hà Nội
Hình 6 Sơ đồ mô tả kĩ thuật Baggin g (Trang 23)
Hình 7 Sơ đồ mô tả kĩ thuật Boosting. - Đồ án tốt nghiệp kĩ sư đại học Bách Khoa Hà Nội
Hình 7 Sơ đồ mô tả kĩ thuật Boosting (Trang 24)
Hình 8 Sơ đồ mô tả kĩ thuật Voting. - Đồ án tốt nghiệp kĩ sư đại học Bách Khoa Hà Nội
Hình 8 Sơ đồ mô tả kĩ thuật Voting (Trang 25)
Hình 9 Mô hình BiLSTM Encoder – LSTM Decoder. - Đồ án tốt nghiệp kĩ sư đại học Bách Khoa Hà Nội
Hình 9 Mô hình BiLSTM Encoder – LSTM Decoder (Trang 27)
1.14 Mô hình đề xuất - Đồ án tốt nghiệp kĩ sư đại học Bách Khoa Hà Nội
1.14 Mô hình đề xuất (Trang 28)
Hình 11 MAE cho chỉ số PM10 và PM2.5 sử dụng bộ dữ liệu Hà Nội. - Đồ án tốt nghiệp kĩ sư đại học Bách Khoa Hà Nội
Hình 11 MAE cho chỉ số PM10 và PM2.5 sử dụng bộ dữ liệu Hà Nội (Trang 32)
Hình 13 MAE cho chỉ số PM2.5 sử dụng bộ dữ liệu Hà Nội. - Đồ án tốt nghiệp kĩ sư đại học Bách Khoa Hà Nội
Hình 13 MAE cho chỉ số PM2.5 sử dụng bộ dữ liệu Hà Nội (Trang 33)
Hình 15 Đồ thị biểu diễn kết quả dự đoán và thực tế của PM10 sử dụng dữ liệu vùng đảo Đài Loan. - Đồ án tốt nghiệp kĩ sư đại học Bách Khoa Hà Nội
Hình 15 Đồ thị biểu diễn kết quả dự đoán và thực tế của PM10 sử dụng dữ liệu vùng đảo Đài Loan (Trang 34)
Trong Hình 15 và Hình 16 dưới đây thể hiện đồ thị biểu diễn kết quả giữa hai tập giá trị là giá trị dự đoán bởi mô hình đề xuất và tập giá trị thực tế lấy trong bộ dữ liệu để kiểm thử - Đồ án tốt nghiệp kĩ sư đại học Bách Khoa Hà Nội
rong Hình 15 và Hình 16 dưới đây thể hiện đồ thị biểu diễn kết quả giữa hai tập giá trị là giá trị dự đoán bởi mô hình đề xuất và tập giá trị thực tế lấy trong bộ dữ liệu để kiểm thử (Trang 34)
Hình 16 Đồ thị biểu diễn kết quả dự đoán và thực tế của PM2.5 sử dụng dữ liệu vùng đảo Đài Loan. - Đồ án tốt nghiệp kĩ sư đại học Bách Khoa Hà Nội
Hình 16 Đồ thị biểu diễn kết quả dự đoán và thực tế của PM2.5 sử dụng dữ liệu vùng đảo Đài Loan (Trang 35)
Bảng 6 dưới đây cho thấy kết quả khi dự đoán đồng thời hai chỉ số PM10 và PM2.5 với = 48 và h = [1,6] cho thấy kết quả khi áp dụng Feature Engineering không ổn định, có trường hợp tốt hơn và có trường hợp không tốt, tuy nhiên kết quả không chênh lệch nhau - Đồ án tốt nghiệp kĩ sư đại học Bách Khoa Hà Nội
Bảng 6 dưới đây cho thấy kết quả khi dự đoán đồng thời hai chỉ số PM10 và PM2.5 với = 48 và h = [1,6] cho thấy kết quả khi áp dụng Feature Engineering không ổn định, có trường hợp tốt hơn và có trường hợp không tốt, tuy nhiên kết quả không chênh lệch nhau (Trang 36)
Bảng 6 MAE sử dụng dữ liệu vùng đảo Đài Loan dự đoán PM10 và PM2.5 Chú thích: l là độ dài của chuỗi đầu vào, h là độ dài của chuỗi đầu ra, xem mục 1.16 và - Đồ án tốt nghiệp kĩ sư đại học Bách Khoa Hà Nội
Bảng 6 MAE sử dụng dữ liệu vùng đảo Đài Loan dự đoán PM10 và PM2.5 Chú thích: l là độ dài của chuỗi đầu vào, h là độ dài của chuỗi đầu ra, xem mục 1.16 và (Trang 36)
Ban đầu em muốn xây dựng một mô hình sử dụng Deep Learning có thể dự đoán cho nhiều lĩnh vực khác nhau mà có dữ liệu là dạng time-series, tuy nhiên do vấn đề về thời gian và nguồn lực, ban đầu em chỉ xét đến chủ đề là điện năng lượng tiêu thụ - Đồ án tốt nghiệp kĩ sư đại học Bách Khoa Hà Nội
an đầu em muốn xây dựng một mô hình sử dụng Deep Learning có thể dự đoán cho nhiều lĩnh vực khác nhau mà có dữ liệu là dạng time-series, tuy nhiên do vấn đề về thời gian và nguồn lực, ban đầu em chỉ xét đến chủ đề là điện năng lượng tiêu thụ (Trang 38)
Sau khi so sánh, từ Bảng 7 nhận thấy mọi trường hợp so sánh, Sequence to Sequence sử dụng LSTM cho ra kết quả tốt hơn, nhưng đó là với bộ dữ liễu đơn giản chỉ có chỉ số năng lượng điện tiêu thụ - Đồ án tốt nghiệp kĩ sư đại học Bách Khoa Hà Nội
au khi so sánh, từ Bảng 7 nhận thấy mọi trường hợp so sánh, Sequence to Sequence sử dụng LSTM cho ra kết quả tốt hơn, nhưng đó là với bộ dữ liễu đơn giản chỉ có chỉ số năng lượng điện tiêu thụ (Trang 40)
Với phương pháp điền dữ liệu thiếu sử dụng mô hình học máy khác, em chọn Random Forest [15] - Đồ án tốt nghiệp kĩ sư đại học Bách Khoa Hà Nội
i phương pháp điền dữ liệu thiếu sử dụng mô hình học máy khác, em chọn Random Forest [15] (Trang 41)
Bảng 10 Áp dụng XGBoost thử nghiệm mức độ ảnh hưởng thuộc tính - Đồ án tốt nghiệp kĩ sư đại học Bách Khoa Hà Nội
Bảng 10 Áp dụng XGBoost thử nghiệm mức độ ảnh hưởng thuộc tính (Trang 43)
Hình 18 Mạng nơ ron nhân tạo. - Đồ án tốt nghiệp kĩ sư đại học Bách Khoa Hà Nội
Hình 18 Mạng nơ ron nhân tạo (Trang 53)

TỪ KHÓA LIÊN QUAN

TRÍCH ĐOẠN

Chương 4 Mô hình đề xuất

Kịch bản thí nghiệm Kết quả thí nghiệm So sánh mô hình

Xử lý dữ liệu bị thiếu

Áp dụng Feature Engineering vào mô hình Chương 7 Kết luận và hướng phát triển Phương pháp học sâu

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN

w