Xây dựng mô hình dự báo nhiệt độ hàng ngày sử dụng hệ mờ phức

Bài viết Xây dựng mô hình dự báo nhiệt độ hàng ngày sử dụng hệ mờ phức trình bày việc phát triển hệ thống mờ phức nơron thích nghi để nhằm mục đích cải thiện chất lượng dự báo cho bài toán dự báo trên các dữ liệu chuỗi thời gian đa biến.

Tuyển tập Hội nghị Khoa học thường niên năm 2021 ISBN: 978-604-82-5957-0 XÂY DỰNG MƠ HÌNH DỰ BÁO NHIỆT ĐỘ HÀNG NGÀY SỬ DỤNG HỆ MỜ PHỨC Nguyễn Thọ Thông1, Lương Thị Hồng Lan1 Trường Đại học Thủy lợi, email: thongnt@tlu.edu.vn GIỚI THIỆU CHUNG Khí hậu yếu tố quan trọng làm ảnh hưởng đến thiên nhiên, đời sống người Dự báo nhiệt độ khơng khí hoạt động hữu ích để giảm thiểu ngăn ngừa thiệt hại nhà tài sản Do đó, tốn liên quan đến dự báo nhiệt độ chủ đề thu hút nhiều quan tâm nhà nghiên cứu với nhiều hướng tiếp cận khác Nhiều nghiên cứu sử dụng kĩ thuật dựa mô hình mạng nơ ron nhân tạo (ANN) Jallal cộng [3] sử dụng kĩ thuật multi-layer perception (MLP) để dự báo nhiệt độ khơng khí Morocco; Suzulmus cộng [6] sử dụng mơ MLP, MLR mạng nơ ron Elman nhằm mục đích dự báo nhiệt độ Thổ Nhĩ Kì Một số nghiên cứu khác lại sử dụng kĩ thuật logic mờ nơron Mohammadi cộng [4] sử dụng ANFIS để dự báo nhiệt độ thành phố IRAN Daneshmand cộng [1] sử dụng kỹ thuật ANFIS để dự báo giá trị nhiệt độ tối thiểu hàng tháng Mashhad, Iran Yakut cộng [9] thực so sánh ANN, ANFIS SVM (máy vectơ hỗ trợ) dự báo nhiệt độ hàng tháng Thổ nhĩ kì Điều cho thấy mơ hình ANFIS phát triển ứng dụng tốn dự báo nói chung tốn dự báo nhiệt độ nói riêng Tuy nhiên mơ hình áp dụng tập mờ thường Cùng với gia tăng liệu có thay đổi thời gian hay liệu có yếu tố chu kì, định kì khái niệm tập mờ phức (CFS) đời với hàm thuộc bao gồm thành phần biên độ thành phần pha [5] Ưu điểm CFS khả mơ hình hóa tượng kiện theo thời gian, theo giai đoạn để từ cho thấy tổng thể chúng ngữ cảnh định Các nghiên cứu tập mờ phức tập trung vào việc xây dựng hệ logic mờ phức [5, 7], mạng Neural mờ phức để nâng cao hiệu hệ thống ứng dụng dự báo thực tế [8] Bài toán dự báo nhiệt độ hàng ngày nói riêng tốn dự báo liệu có yếu tố chu kì, có yếu tố định kỳ nói chung giải tiếp cận theo nhiều phương pháp khác Trong báo này, đề xuất biểu diễn nhiệt độ hàng ngày theo hướng tiếp cận dựa lý thuyết tập mờ phức thực nghiệm áp dụng mô hình hệ thống mờ phức nơ ron thích nghi ANCFIS (là mơ hình kết hợp mơ hình ANFIS tập mờ phức) toán dự báo nhiệt độ hàng ngày Melbourne, Australia để chứng minh hiệu hệ mờ phức liệu chuỗi thời gian, liệu có yếu tố chu kì, định kì HỆ THỐNG MỜ PHỨC NƠ RON THÍCH NGHI 2.1 Tập mờ phức Khái niệm CFS [5] đề xuất Ramot cộng phần mở rộng lý thuyết tập mờ logic mờ Một tập mờ phức đặc trưng hàm thuộc giá trị phức biểu diễn có dạng:  A  x   rA  x  e jA  x , j  1 Trong đó: rA  x  , 92 Tuyển tập Hội nghị Khoa học thường niên năm 2021 ISBN: 978-604-82-5957-0  A  x  tương ứng giá trị biên độ giá trị  n  O5, j  wSj  wDP (5) j   q j ,l xl  rj   l 1  Ở đây, wDP j đầu lớp 4, xl điểm pha với điều kiện rA  x    0,1 2.2 Hệ Ancfis Hệ ANCFIS [8] hệ thống phát triển dựa mô hình ANFIS lý thuyết tập mờ phức Kiến trúc ANCFIS bao gồm lớp sau: Lớp 1: vector đầu vào mờ hóa tới tập mờ phức tương ứng khoảng thời gian công thức: ri i   d sin  ai  b   c j O2 w j 1 j , j  1, , O2 (3) O2 số lượng luật Lớp 4: Thực suy diễn luật cách sử dụng phép tích vơ hướng O3 O4, j  wDP  w w j j j 1 (6) Với N số lượng luật 2.3 Xây dựng hệ Ancfis toán dự báo nhiệt độ hàng ngày Dữ liệu đầu vào toán nhiệt độ theo ngày chuỗi liệu quan trắc nhiệt độ theo ngày Các bước áp dụng mơ hình ANCFIS để dự báo nhiệt độ hàng ngày thể rõ hình sau: (2) Với O số lượng nút layer Đối với chuỗi thời gian đa biến, nút lớp dùng với chức xác định hàm áp dụng bước Lớp 3: Độ mạnh tương ứng với luật chuẩn hóa hàm sau: O3, j  w j  w j N O6, j   wSj (1) Với r  tương ứng thành phần biên độ pha độ thuộc mờ phức Các giá trị a, b, c, d  giá trị tương ứng với giá trị: thay đổi tần số sóng, lệch pha, dịch chuyển sóng theo phương thẳng đứng thay đổi biên độ hình sin Lớp 2: độ mạnh luật mờ phức tính tốn cách kết hợp đầu từ layer mà biểu diễn dạng tiền đề luật mờ phức Ở đây, phép kết nối mờ phức thực phép tích đại số sau: O2, j   O1, j ; j  1, , O1 liệu thứ j vector đầu vào, n độ dài vector đầu vào q j ,l , rj tham số hàm tuyến tính x j Lớp 6: Lớp tổng hợp tất giá trị thu cho đầu cuối (4) j 1 Ở O3 số lượng nút lớp Lớp 5: hàm tuyến tính học cho luật vector đầu vào tính tốn nút Đây coi kết luật Hình mơ hình dự báo nhiệt độ hàng ngày Trước đưa vào mơ hình ANCIFS, liệu thô (bao gồm thông tin thời gian giá trị nhiệt độ ngày) xử lý cách nhúng độ trễ chuỗi thời gian ngày trước Tại thời điểm t vector thời gian trễ thể bởi: X t 6 , X t 5 , X t 4 , X t 3 , X t 2 , X t 1 , X t  Tiếp theo, tập liệu nhúng độ trễ đưa vào mơ hình ANCFIS để huấn luyện dự báo kết nhiệt độ X t 1 thời điểm t+1 THỰC NGHIỆM Bộ liệu sử dụng nhiệt độ hàng ngày 10 năm từ 1981-1990 với 3650 quan sát thành phố Melbourne, Úc Dữ liệu từ 10/1990 đến 12/1990 sử dụng để kiểm 93 Tuyển tập Hội nghị Khoa học thường niên năm 2021 ISBN: 978-604-82-5957-0 chứng so sánh mơ hình đề xuất phương pháp LSTM đề xuất Dikshit [2] Các tham số thiết lập cho LSTM bao gồm: batch_size = 72, epochs = 1000 optimizer = ‘adam’ Hình thể kết dự báo nhiệt độ tháng (từ tháng 10 đến hết tháng 12) Hình Dự báo nhiệt độ theo ngày Kết so sánh độ đo MAE RMSE trình bày bảng Bảng MAE RMSE MAE RMSE Phương pháp đề xuất 1.999291 2.513789 LSTM 2.01767 2.584706 Ta thấy mơ hình đề xuất cho kết MAE RMSE thấp so với phương pháp LSTM tháng dự báo Mơ hình dự báo Hình cho thấy rõ mơ hình đề xuất dự báo nhiệt độ theo sát xu hướng giá trị nhiệt độ thực đo Đặc biệt khoảng thời gian 1/12/1990 đến 15/12/1990 phương pháp đề xuất cho kết dự báo theo sát thay đổi nhiệt độ đột ngột giá trị thực đo Melbourne, Úc KẾT LUẬN Trong báo này, phát triển hệ thống mờ phức nơron thích nghi để nhằm mục đích cải thiện chất lượng dự báo cho tốn dự báo liệu chuỗi thời gian đa biến TÀI LIỆU THAM KHẢO [1] Daneshmand, H., Tavousi, T., Khosravi, M., & Tavakoli, S (2015) Modeling minimum temperature using adaptive neuro-fuzzy inference system based on spectral analysis of climate indices: A case study in Iran Journal of the Saudi society of agricultural sciences, 14(1), 33-40 [2] Dikshit, A., Pradhan, & Huete, A (2021) An improved SPEI drought forecasting approach using the long shortterm memory neural network Journal of environmental management, 283, 111979 [3] Jallal, M A., Chabaa, S., El Yassini, A., Zeroual, A., & Ibnyaich, S (2019, April) Air temperature forecasting using artificial neural networks with delayed exogenous input In 2019 international conference on wireless technologies, embedded and intelligent systems (wits) (pp 1-6) IEEE [4] Mohammadi, K., Shamshirband, S., Petković, D., & Mansor, Z (2016) Using ANFIS for selection of more relevant parameters to predict dew point temperature Applied Thermal Engineering, 96, 311-319 [5] Ramot, D., Friedman, M., & Kandel, A (2003) Complex fuzzy logic IEEE Transactions on Fuzzy Systems, 11(4), 450-461 [6] Suzulmus, S (2019) Prediction of average temperatures using artificial neural network methods: The case of Gaziantep Province, Turkey Fresenius Bulletin, 28(2 A), 1494-1502 [7] Tuan, T M., Lan, L T H., Ngan, T T., Son, L H., Giang, N L., (2020) M-CFISR: Mamdani complex fuzzy inference system with rule reduction using complex fuzzy measures in granular computing Mathematics, 8(5), 707 [8] Yazdanbakhsh O and Dick S., ‘‘FANCFIS: Fast adaptive neuro-complex fuzzy inference system’’ Int.J Reasoning, vol.105, pp 417-430, Feb 2019 [9] Yakut, E., & Süzülmüş, S (2020) Modelling monthly mean air temperature using artificial neural network, adaptive neuro-fuzzy inference system and support vector regression methods: A case of study for Turkey Network: Computation in Neural Systems, 31(1-4), 1-36 94 ... luật cách sử dụng phép tích vơ hướng O3 O4, j  wDP  w w j j j 1 (6) Với N số lượng luật 2.3 Xây dựng hệ Ancfis toán dự báo nhiệt độ hàng ngày Dữ liệu đầu vào toán nhiệt độ theo ngày chuỗi... coi kết luật Hình mơ hình dự báo nhiệt độ hàng ngày Trước đưa vào mơ hình ANCIFS, liệu thô (bao gồm thông tin thời gian giá trị nhiệt độ ngày) xử lý cách nhúng độ trễ chuỗi thời gian ngày trước... Ta thấy mơ hình đề xuất cho kết MAE RMSE thấp so với phương pháp LSTM tháng dự báo Mơ hình dự báo Hình cho thấy rõ mơ hình đề xuất dự báo nhiệt độ theo sát xu hướng giá trị nhiệt độ thực đo Đặc