Ứng dụng LSTM trong giám sát và dự báo chất lượng nguồn nước

BỘ GIÁO DỤC VÀ ĐÀO TAO TRƯỜNG ĐẠI HỌC QUY NHƠN LƯƠNG THANH LONG ỨNG DỤNG LSTM TRONG GIÁM SÁT VÀ DỰ BÁO CHẤT LƯỢNG NGUỒN NƯỚC LUẬN VĂN THẠC SĨ KHOA HỌC DỮ LIỆU ỨNG DỤNG Bình Định - Năm 2022 BỘ GIÁO DỤC VÀ ĐÀO TAO TRƯỜNG ĐẠI HỌC QUY NHƠN LƯƠNG THANH LONG ỨNG DỤNG LSTM TRONG GIÁM SÁT VÀ DỰ BÁO CHẤT LƯỢNG NGUỒN NƯỚC Ngành : Khoa học liệu ứng dụng Mã số : 8904648 Người hướng dẫn: TS NGUYỄN ĐỨC THIỆN LỜI CAM ĐOAN Tôi xin cam đoan luận văn ‘Ứng dụng LSTM giám sát dự báo chất lượng nguồn nước’ cơng trình nghiên cứu thân hướng dẫn TS Nguyễn Đức Thiện Mọi tham khảo từ tài liệu, cơng trình nghiên cứu liên quan nước quốc tế trích dẫn rõ ràng luận văn Các số liệu, kết trình bày luận văn hồn tồn trung thực Tơi xin hoàn toàn chịu trách nhiệm lời cam đoan LỜI CẢM ƠN Trong trình thực hồn thiện luận văn này, tơi xin gửi lời cảm ơn chân thành đến thầy cô Khoa Tốn Thống kê, khoa Cơng nghệ thơng tin, khoa Kỹ thuật công nghệ trường Đại học Quy Nhơn thầy thính giảng trường, viện Hà Nội thành phố Hồ Chí Minh cung cấp cho kiến thức quý báu suốt năm học qua Đặc biệt cho gửi lời cảm ơn sâu sắc tới TS Nguyễn Đức Thiện dành nhiều thời gian để định hướng nhiệt tình hướng dẫn tơi tạo điều kiện thuận lợi để tơi hồn thành tốt luận văn mình, tơi xin cảm ơn đề tài ĐTĐLCN.44/22 Bộ KH & CN cho phép tham gia nghiên cứu thực Tôi xin chân thành cảm ơn! Bình Định, tháng 08 năm 2022 Tác giả Lương Thanh Long MỤC LỤC LỜI CAM ĐOAN LỜI CẢM ƠN DANH MỤC CÁC CHỮ VIẾT TẮT DANH MỤC CÁC BẢNG DANH MỤC CÁC HÌNH PHẦN MỞ ĐẦU 1 Lý chọn đề tài Tởng quan tình hình nghiên cứu đề tài Mục đích nhiệm vụ nghiên cứu 4 Đối tượng phạm vi nghiên cứu 5 Phương pháp nghiên cứu PHẦN NỘI DUNG CHÍNH CHƯƠNG TỔNG QUAN VỀ EDGE AI VÀ IOT 1.1 Giới thiệu chương 1.2 Tổng quan Edge AI 1.2.1 Điện toán biên (Edge Computing) 1.2.2 Edge AI 10 1.2.3 Ứng dụng Edge AI 11 1.3 IoT 13 1.3.1 Định nghĩa 13 1.3.2 Kiến trúc IoT 13 1.3.3 Ứng dụng IoT 14 1.4 Edge AI IoT hoạt động giám sát dự báo 15 1.4.1 Sự cần thiết Edge AI IoT giám sát dự báo 15 1.4.2 Yêu cầu Edge AI ứng dụng IoT 16 1.5 Kết luận chương 17 CHƯƠNG HỌC SÂU VÀ CÁC THUẬT TOÁN RNN 18 2.1 Giới thiệu chương 18 2.2 Khái niệm học sâu 18 2.3 Các thuật tốn học sâu phở biến 18 2.4 Mạng nơ-ron hồi quy RNN 21 2.5 Mạng LSTM 24 2.6 Mạng GRU 26 2.7 Kết luận chương 27 CHƯƠNG MƠ HÌNH HỆ THỐNG GIÁM SÁT DỰ BÁO CHẤT LƯỢNG NƯỚC 29 3.1 Giới thiệu chương 29 3.2 Kiến trúc tổng quát hệ thống 29 3.2.1 Lớp cảm biến (sensors layer) 30 3.2.2 Lớp xử lý biên (Edge layer) 34 3.2.3 Lớp lưu trữ điện toán đám mây (Cloud Store Layer) 35 3.3 Kết luận chương 37 CHƯƠNG TRIỂN KHAI VÀ ĐÁNH GIÁ MƠ HÌNH THỰC NGHIỆM 38 4.1 Giới thiệu chương 38 4.2 Thu thập tập liệu 38 4.3 Phân tích tập liệu 40 4.4 Chuẩn bị liệu 43 4.5 Xây dựng mô hình dự báo LSTM 45 4.6 Triển khai biên mạng 52 4.7 Đánh giá mơ hình 55 4.8 Kết luận chương 58 PHẦN KẾT LUẬN VÀ KIẾN NGHỊ 60 DANH MỤC TÀI LIỆU THAM KHẢO 61 QUYẾT ĐỊNH GIAO ĐỀ TÀI LUẬN VĂN (BẢN SAO) DANH MỤC CÁC CHỮ VIẾT TẮT Tên viết tắt Tên đầy đủ AI Artificial Intelligence ANN Artificial Neural Network API REST Application Programming Interface REpresentational State Transfer DL Deep Learning GRU Gated Recurrent Unit HTTP GET Hypertext Transfer Protocol IoT Internet of Things Lora Long Range LSTM Long short term memory ML Machine Learning MQTT Message Queuing Telemetry Transport NLP Neuro-Linguistic Programming RNN Recurrent neural network DANH MỤC CÁC BẢNG Bảng 1: Quy chuẩn nước nuôi tôm Bảng 4.1: Các số thống kê tập liệu 41 Bảng 4.2: Thống kê thời gian trễ điểm liệu liên tiếp 43 Bảng 4.3: Thống kê lỗi với mơ hình LSTM dự báo nhiệt độ cho 20 ngày liên tiếp 50 Bảng 4.4: Thống kê lỗi với mơ hình LSTM dự báo độ pH cho 20 ngày liên tiếp 51 Bảng 4.5: Thống kê lỗi với mơ hình LSTM GRU dự báo nhiệt độ cho 20 ngày liên tiếp 57 Bảng 4.6: Thống kê lỗi với mơ hình LSTM GRU dự báo độ pH cho 20 ngày liên tiếp 58 DANH MỤC CÁC HÌNH Hình 1: Ảnh hưởng pH đến sinh vật thủy sinh Hình 1.1 Thị phần điện tốn biên theo khu vực 12 Hình 1.2 Kiến trúc tởng qt hệ thống IoT 14 Hình 2.1: Mô tả hoạt động mạng nơ-ron RNN 22 Hình 2.2: Cấu trúc tế bào mạng nơ-ron RNN 22 Hình 2.3: So sánh mơ hình mạng RNN LSTM 24 Hình 2.4: Mơ hình tế bào mạng LSTM 26 Hình 2.5: Mơ hình tế bào mạng GRU 27 Hình 3.1: Mơ hình đề xuất cho hệ thống giám sát dự báo chất lượng nước 30 Hình 3.2: Kiến trúc lớp cảm biến 30 Hình 3.3: Cảm biến đo độ pH (pH Analog Meter Pro Kit V2) 32 Hình 3.4: Cảm biến nhiệt độ DS18B20 33 Hình 3.5: sơ đồ nguyên lý lớp cảm biến 33 Hình 3.6: Ảnh chụp thực tế bo mạch lớp cảm biến sau thi công 34 Hình 3.7: Bo mạch Raspberry Pi 4B 34 Hình 3.8: Biểu diễn liệu cảm biến thu theo thời gian thực Thingspeak 36 Hình 4.1: Ao nuôi tôm nơi đặt thiết bị thu thập liệu 39 Hình 4.2: Tủ đựng thiết bị thu thập liệu, đặt ao nuôi tơm 39 Hình 4.3: Tập liệu thu nhận từ trường 40 Hình 4.4: Biểu diễn nhiệt độ từ tập liệu thu thập 40 Hình 4.5: Biểu diễn độ pH nước từ tập liệu thu thập 41 Hình 4.6: Biểu đồ histogram cho nhiệt độ độ pH từ tập liệu thu thập 41 Hình 4.7: Biểu đồ Box plot cho nhiệt độ độ pH từ tập liệu thu thập 42 Hình 4.8: Biểu đồ scatter nhiệt độ độ pH 42 Hình 4.9: Biểu diễn thời gian điểm liệu liên tiếp với tập liệu thu thập từ thực địa 44 Hình 4.10: Biểu diễn thời gian điểm liệu liên tiếp với tập liệu sau xử lý 45 Hình 4.11: Kiến trúc mơ hình dự báo 46 Hình 4.12: Kích thước liệu ngõ vào ngõ mơ hình LSTM 46 Hình 4.13: Mơ tả hoạt động dự báo mơ hình 47 Hình 4.14: Chia tập liệu huấn luyện kiểm tra cho tham số nhiệt độ 47 Hình 4.15: Chia tập liệu huấn luyện kiểm tra cho tham số độ pH 47 Hình 4.16: Kết huấn luyện với tham số nhiệt độ 48 Hình 4.17: kết huấn luyện với tham số độ pH 48 Hình 4.18: Kết dự báo nhiệt độ tập kiểm tra 48 Hình 4.19: Kết dự báo nhiệt độ tập kiểm tra 49 Hình 4.20: Đồ thị scatter nhiệt độ dự đốn tập kiểm tra 49 Hình 4.21: Đồ thị scatter độ pH dự đoán tập kiểm tra 49 Hình 4.22: kết dự báo nhiệt độ cho ngày 50 Hình 4.23: Kết dự báo độ pH cho ngày 50 Hình 4.24: Cài đặt hệ điều hành Ubuntu 22.04 52 Hình 4.25: Các file mơ hình lưu nhớ raspberry Pi 53 Hình 4.26: Khởi chạy mơ hình dự báo raspberry Pi 53 Hình 4.27: Giao diện web app hiển thị kết dự báo 54 Hình 4.28: Triển khai Raspberry trường 54 Hình 4.29: Triển khai Raspberry trường 55 Hình 4.30: Kết dự báo nhiệt độ cho ngày 56 Hình 4.31: Kết dự báo độ pH cho ngày 57 50 Hình 4.22: kết dự báo nhiệt Hình 4.23: Kết dự báo độ pH độ cho ngày cho ngày Kết thử nghiệm dự đoán nhiệt độ độ pH 20 ngày liên tiếp với mơ hình có kích thước liệu đầu vào (input width) khác 12 (24 điểm liệu) , 24 (48 điểm liệu), 48 (96 điểm liệu) sau: Bảng 4.3: Thống kê lỗi với mơ hình LSTM dự báo nhiệt độ cho 20 ngày liên tiếp 11/7/2022 12/7/2022 13/7/2022 14/7/2022 15/7/2022 16/7/2022 17/7/2022 18/7/2022 19/7/2022 20/7/2022 21/7/2022 22/7/2022 23/7/2022 24/7/2022 25/7/2022 26/7/2022 27/7/2022 LSTM (input width = 24) MSE MAE LSTM (input width = 48) MSE MAE LSTM (input width = 96) MSE MAE 0.915 0.933 0.656 0.743 0.285 0.348 0.308 1.534 0.458 2.045 0.933 0.85 0.907 1.313 1.416 1.137 1.053 0.201 0.254 0.368 0.424 0.116 0.176 0.177 0.598 0.149 3.689 0.612 0.547 0.473 0.195 0.4 0.188 0.084 2.268 1.158 2.163 1.442 1.485 2.023 2.173 1.804 1.338 9.224 2.056 1.661 0.43 1.243 0.945 1.135 1.75 0.824 0.831 0.656 0.655 0.428 0.492 0.454 0.985 0.576 1.234 0.814 0.785 0.831 0.883 0.911 0.765 0.827 0.378 0.404 0.52 0.526 0.288 0.326 0.334 0.642 0.282 1.578 0.624 0.568 0.567 0.358 0.503 0.318 0.189 1.292 0.942 1.239 1.056 1.059 1.314 1.37 1.102 0.959 2.715 1.149 1.05 0.534 0.908 0.84 0.864 1.085 51 28/7/2022 29/7/2022 30/7/2022 Total loss LSTM (input width = 24) MSE MAE LSTM (input width = 48) MSE MAE 0.945 0.313 0.479 17.571 0.098 0.056 1.14 9.945 0.775 0.456 0.514 14.696 0.245 0.169 0.875 9.694 LSTM (input width = 96) MSE MAE 2.013 1.945 4.702 42.958 1.2 1.256 1.983 23.917 Bảng 4.4: Thống kê lỗi với mơ hình LSTM dự báo độ pH cho 20 ngày liên tiếp 11/7/2022 12/7/2022 13/7/2022 14/7/2022 15/7/2022 16/7/2022 17/7/2022 18/7/2022 19/7/2022 20/7/2022 21/7/2022 22/7/2022 23/7/2022 24/7/2022 25/7/2022 26/7/2022 27/7/2022 28/7/2022 29/7/2022 30/7/2022 Total loss LSTM (input width = 24) MSE MAE LSTM (input width = 48) MSE MAE LSTM (input width = 96) MSE MAE 0.259 0.375 0.378 0.489 0.637 0.375 0.024 0.039 0.048 0.29 0.428 0.674 0.782 0.569 0.723 0.655 0.568 0.398 0.259 0.423 8.393 0.084 0.028 0.048 0.02 0.013 0.34 0.806 0.135 0.08 0.025 0.01 0.006 0.023 0.007 0.005 0.002 0.004 0.03 0.095 0.003 1.764 0.036 0.129 0.069 0.137 0.123 0.422 0.214 0.033 0.015 0.161 0.155 0.08 0.034 0.018 0.011 0.002 0.01 0.01 0.036 0.199 1.894 0.472 0.585 0.58 0.669 0.723 0.468 0.133 0.173 0.189 0.509 0.618 0.753 0.816 0.683 0.79 0.744 0.678 0.564 0.467 0.619 11.233 0.22 0.141 0.178 0.116 0.1 0.421 0.819 0.279 0.215 0.116 0.081 0.071 0.113 0.066 0.064 0.037 0.05 0.166 0.239 0.042 3.534 0.153 0.33 0.227 0.341 0.267 0.47 0.361 0.139 0.097 0.355 0.355 0.239 0.137 0.115 0.09 0.031 0.09 0.088 0.146 0.405 4.436 Theo kết so sánh Sai số bình phương trung bình (MSE) Sai số tuyệt đối trung bình (MAE) mơ hình với kích thước đầu vào khác nhau, thấy kiến trúc mơ hình với đầu vào gồm 48 điểm liệu lịch sử cho hiệu dự đoán tốt với tỉ lệ lỗi thấp 52 4.6 Triển khai biên mạng Để triển khai mơ hình Edge AI biên mạng, tác giả lựa chọn giải pháp sử dụng máy tính nhúng Raspberry Pi 4B (Quad core 1.5GHz CPU, 4GB RAM) để thực thi mơ hình thực địa Thực cài hệ điều hành Ubutu 22.04.1 sử dụng công cụ Rasberry Pi Imager Hình 4.24: Cài đặt hệ điều hành Ubuntu 22.04 53 Hình 4.25: Các file mơ hình lưu nhớ raspberry Pi Để hiển thị kết dự báo mơ hình, tác giả xây dựng giao diện hiển thị dựa web app sử dụng Streamlit Hình 4.26: Khởi chạy mơ hình dự báo raspberry Pi 54 Hình 4.27: Giao diện web app hiển thị kết dự báo Hình 4.28: Triển khai Raspberry trường 55 Hình 4.29: Triển khai Raspberry trường 4.7 Đánh giá mơ hình Để thực kiểm tra hiệu mơ hình dự báo LSTM, tác giả tiếp tục thực dự báo tham số nhiệt độ độ pH với mơ hình GRU lớp với kết sau 56 Hình 4.30: Kết dự báo nhiệt độ cho ngày 57 Hình 4.31: Kết dự báo độ pH cho ngày Kết so sánh ѕai ѕố bình phương trung bình (MSE) Sai số tuyệt đối trung bình (MAE) dự báo nhiệt độ độ pH cho 20 ngày liên tiếp mô hình LSTM GRU Bảng 4.5: Thống kê lỗi với mơ hình LSTM GRU dự báo nhiệt độ cho 20 ngày liên tiếp LSTM (input width = 48) MSE MAE 11/7/2022 12/7/2022 13/7/2022 14/7/2022 15/7/2022 16/7/2022 17/7/2022 18/7/2022 19/7/2022 20/7/2022 21/7/2022 22/7/2022 23/7/2022 24/7/2022 25/7/2022 26/7/2022 27/7/2022 28/7/2022 29/7/2022 30/7/2022 Total loss 0.201 0.254 0.368 0.424 0.116 0.176 0.177 0.598 0.149 3.689 0.612 0.547 0.473 0.195 0.4 0.188 0.084 0.098 0.056 1.14 9.945 0.378 0.404 0.52 0.526 0.288 0.326 0.334 0.642 0.282 1.578 0.624 0.568 0.567 0.358 0.503 0.318 0.189 0.245 0.169 0.875 9.694 GRU (input width = 48) MSE MAE 2.4229 2.2889 0.6553 1.7898 0.6308 0.2061 0.7217 1.4268 0.1551 3.1462 2.7903 1.4592 0.5966 2.4017 2.5302 1.3916 0.7693 1.0512 0.9767 1.888 29.2984 1.3058 1.3368 0.6813 1.1454 0.6549 0.3873 0.6097 0.7841 0.3143 1.4622 1.3892 1.0477 0.6274 0.9974 1.1245 0.8368 0.6687 0.6634 0.7135 1.232 17.9824 58 Bảng 4.6: Thống kê lỗi với mơ hình LSTM GRU dự báo độ pH cho 20 ngày liên tiếp LSTM (input width = 48) MSE MAE 11/7/2022 12/7/2022 13/7/2022 14/7/2022 15/7/2022 16/7/2022 17/7/2022 18/7/2022 19/7/2022 20/7/2022 21/7/2022 22/7/2022 23/7/2022 24/7/2022 25/7/2022 26/7/2022 27/7/2022 28/7/2022 29/7/2022 30/7/2022 Total loss 0.0844 0.0283 0.0479 0.0198 0.0127 0.3395 0.8059 0.1345 0.0796 0.0251 0.0102 0.0062 0.0233 0.0071 0.0054 0.0019 0.0038 0.0299 0.0954 0.0029 1.7638 0.2199 0.1406 0.1783 0.1159 0.1003 0.4213 0.8192 0.2789 0.2147 0.1164 0.081 0.0709 0.1129 0.0658 0.0637 0.0372 0.0501 0.1658 0.2391 0.042 3.534 GRU (input width = 48) MSE MAE 0.6443 0.5619 0.496 0.384 0.2565 0.6848 1.9764 1.9952 1.6972 0.7654 0.433 0.188 0.1152 0.1961 0.1274 0.1544 0.1801 0.3457 0.6364 0.5043 12.3423 0.7838 0.7371 0.6826 0.6074 0.4928 0.6411 1.3855 1.3944 1.2871 0.8693 0.6509 0.4299 0.316 0.4385 0.3546 0.3902 0.4212 0.586 0.7814 0.7079 13.9577 Qua bảng so sánh lỗi trên, thấy hiệu dự báo thể tốt với mơ hình LSTM với tỉ lệ sai số thấp so với mơ hình GRU thực dự báo nhiệt độ độ pH 4.8 Kết luận chương Với việc thu thập tập liệu từ thực tế với độ ổn định cao, qua phân tích đặc điểm đặc trưng tập liệu, xử lí liệu bị thiếu dựa phân tích chuỗi thời gian kiểm tra liệu ngoại lai, từ giúp cho việc việc sử dụng mơ hình học sâu LSTM để dự báo nhiệt độ độ pH nước nuôi thủy sản đạt số kết định, tham số nhiệt độ, mơ hình cho kết dự báo tốt với sai số nhỏ độ pH, giá trị độ pH chịu 59 ảnh hưởng nhiều yếu tố khác nhau, để dự báo kết xác cần có thêm tham số liệu thời tiết, ánh sáng, thời gian sử dụng chế phẩm… 60 PHẦN KẾT LUẬN VÀ KIẾN NGHỊ Với việc hoàn thành hệ thống dự báo nhiệt độ độ pH với liệu từ thực địa theo thời gian thực, luận văn hoàn thành nhiệm vụ nghiên cứu đề ra, hệ thống hoạt động hoàn toàn tự động từ việc lấy mẫu, thực dự báo hiển thị kết dự báo lên giao diện người dùng theo thời gian thực, cơng trình triển khai tỉnh Bình Định ứng dụng cơng nghệ Egde AI kết hợp với IoT vào dự báo chất lượng nước nuôi thủy sản Việc thiết kế hệ thống triển khai thu thập đủ tập liệu để huấn luyện mơ hình q trình địi hỏi nhiều thời gian, tính đến hàng năm, địi hỏi nhiều nguồn lực, tăng thêm thời gian thu tập liệu kinh phí đầu tư thêm cảm biến để triển khai thêm nhiều vị trí lấy mẫu hơn, kết hợp với liệu thời tiết liệu việc sử dụng chế phẩm hóa/sinh học để điều chỉnh số nước giúp hệ thống có dự báo xác Việc áp dụng Edge AI biên mạng giúp công việc phân tích dự báo thực trực tiếp thực địa, hoạt động hệ thống phụ thuộc vào kết nối mạng máy chủ, từ giảm chi phí triển khai hệ thống, dễ dàng tiếp cận người sử dụng với quy mô vừa nhỏ Với địa phương có truyền thống ni trồng sản phẩm thủy hải sản, tác giả thiết nghĩ nên có đầu tư để phát triển sản phẩm đạt độ hồn thiện thương mại, từ giúp tăng hiệu việc giám sát thông số môi trường nước phục vụ nuôi trồng thủy sản, tiết kiệm nguồn lực giảm rủi ro gây ô nhiễm nguồn nước 61 DANH MỤC TÀI LIỆU THAM KHẢO Tiếng việt [1] Nguyễn Quang Chương (2020), “Nhiệt độ ảnh hưởng đến hiệu sử dụng thức ăn”, địa chỉ: https://thuysanvietnam.com.vn/nhiet-do-anhhuong-den-hieu-qua-su-dung-thuc-an [truy cập ngày 25/07/2022] [2] Công ty TNHH Công nghệ MIND (2020), “Giải pháp giám sát tự động chất lượng nước ao tôm” địa chỉ: https://www.iotmind.vn/giaiphap/188_giai-phap-giam-sat-tu-dong-chat-luong-nuoc-ao-tom.html, [truy cập ngày 03/08/2022] [3] Nguyễn Hiền (2019), “Vai trị cách quản lý pH ni trồng thủy sản”, địa chỉ: https://donghodo.vn/vai-tro-va-cach-quan-ly-ph-trongnuoi-trong-thuy-san, [truy cập ngày: 20/07/2022] [4] Phạm Hương (2020), “Ảnh hưởng thời tiết, khí hậu đến nuôi trồng thủy sản” địa chỉ: http://nguoinuoitom.vn/anh-huong-cua-thoi-tietkhi-hau-den-nuoi-trong-thuy-san [truy cập ngày 25/07/2022] [5] Trần Hồng Thái, Mai Văn Khiêm, Nguyễn Bá Thủy, Bùi Mạnh Hà, Phạm Khánh (2022), “Xây dựng mô hình mạng nơ-ron hồi quy dự báo độ cao sóng có nghĩa trạm Cồn Cỏ, Quảng Trị, Việt Nam, Tạp chí khí tượng thủy văn [6] Viện Nghiên cứu sáng chế Khai thác công nghệ (2018), “Lắp đặt thử nghiệm hệ thống giám sát môi trường nước áp dụng công nghệ truyền thông LoRa Nam Định”, địa chỉ: www.most.gov.vn, [truy cập ngày 10/05/2022] Tiếng anh [7] Dieu Tien Bui, Khabat Khosravi, John Tiefenbacher, Hoang Nguyen, Nerantzis Kazakis (2020), “Improving prediction of water quality 62 indices using novel hybrid machine-learning algorithms”, Science of The Total Environment [8] D Li, S Liu (2013), “Remote Monitoring of Water Quality for Intensive Fish Culture”, Smart Sensors for Real-Time Water Quality Monitoring, Smart Sensors, Measurement and Instrumentation, vol Springer, Berlin, Heidelberg [9] Grand View Research (2020) , “Edge Computing Market Size, Share & Trends Analysis Report”, địa chỉ: https://www.grandviewresearch.com/industry-analysis/edgecomputing-market, [truy cập ngày: 20/07/2022] [10] Harun, Zambri & Reda, Eslam & Hashim, Harris (2018), “Real time fish pond monitoring and automation using Arduino” IOP Conference Series: Materials Science and Engineering [11] Hinton, G.E and Salakhutdinov, R.R., (2006) “Reducing the dimensionality of data with neural networks” Science, 313(5786), pp.504-507 [12] Jianxun Ren, Qiliang Zhu (2022), “Edge Computing for Water Quality Monitoring Systems”, hindawi journal [13] Jason Brownlee (2017), “Deep Learning for Natural Language Processing: Develop Deep Learning Models for your Natural Language Problems”, Machine Learning Mastery [14] Markets and Markets (2020), “Edge Computing Market by Component, Application, Organization Size, Vertical, and Region – Global Forecast to 2025”, địa chỉ: https://www.prnewswire.com/newsreleases/global-edge-computing-market-by-component-application- 63 organization-size-vertical-and-region -forecast-to-2025301116270.html, [truy cập ngày: 20/07/2022] [15] Nguyen Thai Nghe, Nguyen Thanh Hai, Nguyen Chi Ngon (2020), “Deep Learning Approach for Forecasting Water Quality in IoT Systems”, International Journal of Advanced Computer Science and Applications [16] Preetham, K., Mallikarjun, B C., Umesha, K., Mahesh, F M., & Neethan, S (2019), “Aquaculture monitoring and control system: An IoT based approach”, International Journal of Advance Research, Ideas and Innovations in Technology [17] Soundarya Pappu, Prathyusha Vudatha and Niharika (2017), “Intelligent IoT Based Water Quality Monitoring System”, International Journal of Applied Engineering Research ISSN 0973-4562 Volume 12, Number 16 (2017) pp 5447-5454 [18] Yann LeCun, Yoshua Bengio, Geoffrey Hinton (2015), “Deep learning”, Nature, 521(7553), pp.436-444 [19] ZhanJie Wang and A B M Mazharul Mujib (2017), “The Weather Forecast Using Data Mining Research Based on Cloud Computing” Phys.: Conf Ser 910 012020 64 QUYẾT ĐỊNH GIAO ĐỀ TÀI LUẬN VĂN (BẢN SAO) ...BỘ GIÁO DỤC VÀ ĐÀO TAO TRƯỜNG ĐẠI HỌC QUY NHƠN LƯƠNG THANH LONG ỨNG DỤNG LSTM TRONG GIÁM SÁT VÀ DỰ BÁO CHẤT LƯỢNG NGUỒN NƯỚC Ngành : Khoa học liệu ứng dụng Mã số : 8904648 Người... việc giám sát dự báo chất lượng nguồn nước phục vụ nuôi trồng thủy sản nhiệm vụ quan trọng để đảm bảo suất, chất lượng sản phẩm bảo vệ hệ sinh thái Trên thực tế, việc giám sát chất lượng nguồn nước. .. giá dự báo chất lượng nguồn nước phục vụ nuôi trồng thủy sản Giải pháp đề xuất đề tài có khả đưa dự báo chất lượng nguồn nước tương lai gần, có độ tin cậy, đáp ứng tính kịp thời cơng tác giám sát