Hcmute ứng dụng máy học trong nông nghiệp công nghệ cao

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH CƠNG TRÌNH NCKH CẤP TRƯỜNG TRỌNG ĐIỂM ỨNG DỤNG MÁY HỌC TRONG NÔNG NGHIỆP CÔNG NGHỆ CAO S K C 0 9 MÃ SỐ: T2020-48TĐ S KC 0 2 Tp Hồ Chí Minh, tháng 4/2021 Luan van BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH BÁO CÁO TỔNG KẾT ĐỀ TÀI KH&CN CẤP TRƯỜNG TRỌNG ĐIỂM ỨNG DỤNG MÁY HỌC TRONG NÔNG NGHIỆP CÔNG NGHỆ CAO Mã số: T2020-48TĐ Chủ nhiệm đề tài: Trần Kim Toại TP HCM, 4/2021 Luan van TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH KHOA KINH TẾ BÁO CÁO TỔNG KẾT ĐỀ TÀI KH&CN CẤP TRƯỜNG TRỌNG ĐIỂM ỨNG DỤNG MÁY HỌC TRONG NÔNG NGHIỆP CÔNG NGHỆ CAO Mã số: T2020-48TĐ Chủ nhiệm đề tài: Trần Kim Toại TP HCM, 4/2021 Luan van DANH SÁCH THÀNH VIÊN THAM GIA ĐỀ TÀI TRẦN KIM TOẠI, CHỦ NHIỆM ĐỀ TÀI TRẦN CÔNG THỊNH, THÀNH VIÊN ĐỀ TÀI VÕ MINH HUÂN, THÀNH VIÊN ĐỀ TÀI i Luan van TÓM TẮT Hiện giới hệ thống dự báo thời tiết thực nhiều phương pháp khác như: Synop, thống kê, phân tích ảnh mây vệ tinh, sản phẩm Radar thời tiết, dự báo thời tiết mơ hình số trị, v.v Trong phương pháp lại có nhiều hình thức triển khai mơ hình dự báo cụ thể Mỗi phương pháp có ưu điểm nhược điểm riêng Việc ứng dụng phương pháp tùy thuộc vào tài nguyên hệ thống, trang thiết bị kỹ thuật, kiến thức chuyên môn người triển khai, yêu cầu mục đích mà hệ thống hướng đến Trong thời gian gần đây, thuật toán máy học ứng dụng rộng rãi cho việc giải tốn dự đốn phức tạp có dự báo thời tiết Với ưu điểm vượt trội tính linh hoạt, độ xác cao, đa dạng ứng dụng, xử lý liệu có tính biến động theo thời gian, thuật toán máy học mang tính khách quan đáp ứng nhiều yêu cầu thực tiễn so với phương pháp trước Phương pháp dự báo sử dụng mạng nơron nhân tạo phương pháp dự báo sử dụng mơ hình có khả tiếp thu ghi nhớ liệu khứ để cập nhật tham số Nếu lựa chọn tham số tối ưu kết dự báo có độ xác cao Đây mơ hình lựa chọn cho tốn dự báo mưa đề tài Mục đích đề tài thiết kế hệ thống dự báo mưa dựa mạng nơron nhân tạo kết hợp với mạng cảm biến không dây Mạng nơron nhân tạo xử lý thông số môi trường thu thập từ mạng cảm biến để đưa dự báo kiện mưa Mơ hình mạng nơron xây dựng lựa chọn thông số phù hợp sai số dự đoán Hiệu suất hệ thống dự báo thời tiết với mơ hình mạng nơron xây dựng kiểm chứng thơng qua q trình thực nghiệm với lượng liệu thu thập từ thực tế Kết dự báo đánh giá so sánh độ xác với mơ hình thuật toán máy học khác Các kết dự báo giúp người dùng hệ thống tự động đưa định phù hợp để đảm bảo sản phẩm môi trường tốt để phát triển ii Luan van ABSTRACT Currently in the world weather forecast systems are implemented by many different methods such as Synop, statistics, satellite image analysis, weather radar, numerical weather prediction, and so on In each of these methods, there are many specific implementation algorithms and prediction models Each method has its own advantages and disadvantages The application algorithm depends on the resources of the system, technical equipment, the professional knowledge of the implementers, requirements and purposes that the system aims to In recent times, machine learning algorithms are widely applied to solve complex nonlinear problems including weather forecasting With outstanding advantages such as flexibility, high accuracy, variety of applications, data processing with time fluctuations, machine learning algorithms are objective and meet more practical requirements than the previous methods Prediction method using artificial neural networks is a predictive method using a model capable of “learning” from past data, able to update parameters If the optimal parameters are selected, the forecast results are also highly accurate This is the model chosen for the rain forecast problem of the research The purpose of the the research is to design a rain forecasting system based on artificial neural networks combined with wireless sensor networks The neural network will process the environmental parameters collected from the sensor network to make a forecast of the rain event Neural network selects suitable parameters based on prediction errors Predictive error is the difference between the real value and the forecasted value in order to assess the quality or suitability of the forecasting model The performance of the weather forecasting system with the built neural network model will be verified through an experimental process with the amount of data collected from reality The forecast results evaluate and compare the accuracy with other machine learning algorithm models The forecast results help users or automative systems make the right decisions to ensure the product in the best environment for development iii Luan van MỤC LỤC MỤC LỤC iv DANH SÁCH CHỮ VIẾT TẮT viiii DANH MỤC HÌNH viii DANH MỤC BẢNG ix TỔNG QUAN .1 1.1 Đặt vấn đề 1.2 Mục tiêu giới hạn đề tài 1.3 Phương pháp nghiên cứu sở khoa học .2 1.4 Tổng quan tình hình nghiên cứu .3 1.5 Nội dung đề tài CƠ SỞ LÝ THUYẾT 2.1 Mạng nơron nhân tạo 2.1.1Tổng quan 2.1.2 Nơron sinh vật .7 2.1.3 Nơron nhân tạo .9 2.1.4 Mạng nơron nhân tạo 11 2.2 Quá trình học 15 2.2.2 Mạng perceptron lớp 17 2.2.3 Mạng perceptron nhiều lớp 18 2.2.4 Thuật toán lan truyền ngược 19 2.2.5 Thiết kế cấu trúc mạng 23 2.2.6 Một số yếu tố ảnh hướng đến trình học 23 iv Luan van 2.3 Các thuật toán máy học khác 25 2.3.1 Mô hình thuật tốn SVM 25 2.3.2 Mơ hình thuật tốn Naive Bayes 26 2.3.3 Mô hình thuật tốn Decision Tree 26 2.3.4 Mơ hình thuật tốn Logistic Regression .27 2.3.5 Mơ hình thuật toán K-Nearest Neighbor 28 2.3.6 Mơ hình thuật tốn Random Forest 28 THIẾT KẾ HỆ THỐNG 30 3.1 Tổng quan mơ hình 30 3.2 Thu thập liệu 32 3.3 Máy chủ lưu trữ .33 3.4 Thuật toán 33 3.5 Sơ đồ phần cứng hệ thống .34 3.6 Truyền nhận liệu đến máy chủ 35 3.7 Lưu đồ hoạt động hệ thống .36 3.8 Xây dựng mơ hình dự báo sử dụng mạng nơron 37 3.9 Xác định cấu trúc mạng 38 3.10 Huấn luyện mơ hình mạng 41 3.11 Thuật toán lan truyền ngược 43 3.12 Sai số mơ hình dự báo 44 3.13 Độ xác mơ hình .44 THỰC NGHIỆM ĐÁNH GIÁ .46 4.1 Tiền xử lý liệu 46 v Luan van 4.2 Lựa chọn liệu .47 4.3 Thực nghiệm thuật toán 48 4.4 Kiểm thử thuật toán 51 4.5 So sánh thuật toán 52 4.6 Nhận xét thuật toán 55 4.7 Đánh giá hệ thống 56 KẾT LUẬN .57 5.1 Kết đạt .57 5.2 Hạn chế 57 5.3 Hướng phát triển .58 Tài Liệu Tham Khảo 59 vi Luan van DANH SÁCH CHỮ VIẾT TẮT NN: Neural Network ANN: Artificial Neural Network BPA: Back Propagation Algorithm MLP: Multilayer Layer Perceptron IEEE: Institute of Electrical and Electronics Engineers MAE: Mean Absolute Error MSE: Mean Square Error MAPE: Mean Absolute Percent Error RMSE: Root Mean Square Error SVM: Support Vector Machine WSN: Wireless Sensor Network K-NN: K-Nearest Neighbors UART: Universal Asynchronous Receiver – Transmitter WIFI: Wireless Fidelity vii Luan van hình mạng sau huấn luyện Hai tập liệu tập hợp liệu lấy từ nguồn sau: - Dữ liệu nhiệt độ, độ ẩm từ sở liệu website dự báo thời tiết thành phố Hồ Chí Minh (từ 0h 1/4/2020 đến 0h 1/9/2020) lưu trữ máy chủ dạng file csv - Dữ liệu nhiệt độ, độ ẩm từ nút cảm biến thu thập khu vực đặt nút cảm biến (từ 0h 20/4/2020 đến 0h 25/7/2020) lưu trữ máy chủ dạng file json Các liệu tập hợp vào tập liệu Training dataset Testing dataset bảng 4.1 Với tỉ lệ training dataset testing dataset liệu từ website 70:30 từ nút cảm biến lưu trữ máy chủ 70:30 Bảng biểu 4.1: Bảng phân chia liệu huấn luyện kiểm thử Dataset Training dataset Testing dataset Website 5000 data (70%) 2000 data (30%) Sensor 65000 data (70%) 28000 data (30%) 4.3 Thực nghiệm thuật toán Huấn luyện mạng thực nhiệm nhiều lần với số nơron lớp ẩn khác để tìm mơ hình mạng với thơng số tốt Mơ hình đưa vào tập liệu training datatset lựa chọn bảng 4.1 phân loại thành nhóm liệu bao gồm: - Dữ liệu với thuộc tính khơng gây mưa: thông số thời tiết thu thập vào ngày khơng mưa - Dữ liệu với thuộc tính gây mưa: thông số thời tiết thu thập vào ngày có mưa Tập liệu training dataset bảng 4.1 chia thành mảng liệu Mỗi mảng có 1000 liệu nhiệt độ, độ ẩm phân chia vào nhóm Các 48 Luan van mảng liệu đưa vào để huấn luyện cho mạng tăng khả học mạng với nhiều trường hợp thời tiết khác Để thực nghiệm, tác giả thực đưa vào 70 mảng (mỗi mảng tương ứng với 1000 thông số nhiệt độ độ ẩm 500 thời điểm khác nhau) với 35 mảng liệu nhóm khơng mưa 35 mảng liệu nhóm có mưa để thực việc huấn luyện Đầu mong muốn mơ hình (khơng mưa) (có mưa) so sánh với đầu huấn luyện mơ hình sau vịng lặp để tính tốn sai số mạng lần lặp Sai số hàm lỗi đầu huấn luyện cập nhật sau vòng lặp huấn luyện ma trận trọng số thay đổi lần lặp trước Ma trận trọng số khởi tạo ngẫu nhiên lần lặp Trong ứng dụng dự báo này, tác giả thay đổi số nơron lớp ẩn để thử nghiệm Để đánh kết dự báo số lượng nơron lớp ẩn, tác giả sử dụng công thức (3.3), (3.4) (3.5) thu kết bảng 4.2: Bảng biểu 4.2: Huấn luyện mơ hình mạng với số nơron lớp ẩn khác Số liệu mơ hình mạng Số liệu dự báo ứng với số lượng nơron lớp ẩn Đầu mơ hình (rain node) Đầu mơ hình (no rain node) Sai số hàm mát 10 20 50 100 200 500 1000 0.9886 0.988 5475 6630 0.0125 0.013 3389 1913 0.047 0.048 0.988 1167 0.012 8904 0.049 0.988 8765 0.012 6587 0.047 0.988 8519 0.012 1535 0.046 0.988 0482 0.012 9603 0.9876 9783 0.9884 0805 0.0135 0966 0.0126 1208 0.049 0.05 0.048 Sai số MSE 0.0000 0.000 97 102 0.000 103 0.000 096 0.000 093 0.000 105 0.0001 12 0.0000 99 Sai số MAE 0.0098 0.010 0.010 0.009 0.009 0.010 0.0106 0.0099 Sai số RMSE 0.0098 0.010 0.010 0.009 0.009 0.010 0.0106 0.0099 48 49 Luan van Thực nghiệm cho thấy, số nơron lớp ẩn 100 nơron dự báo tốt với sai số thấp phương pháp đánh giá sai số MSE, RMSE MAE Trong phương pháp phương pháp tính sai số MSE cho sai số thấp Từ bảng 4.2, ta thấy số lượng nơron lớp ẩn quá nhiều mạng cho độ xác khơng cao Đặc biệt số lượng nơron lớp ẩn lớn sai số giảm khơng đáng kể q trình học diễn lâu dẫn đến việc tiêu tốn tài nguyên phần cứng Với kết trên, ta thực huấn luyện mơ hình 100 noron ẩn với 100 vịng lặp để quan sát trình huấn luyện mạng Đồng thời theo dõi kết lần lặp để đánh giá trình học Hình 4.3 Hàm mát Cross Entropy với 100 vòng lặp Hàm mát Cross Entropy cho ta thấy chênh lệch đầu thực tế đầu dự đốn Qua lần lặp, mơ hình cố gắng cải thiện tỉ lệ hàm mát tiến đến cực tiểu lý tưởng Với kết hình 4.3, ta thấy hàm mát giảm từ 2.77287201 xuống 0.05124195 sau 100 lần lặp trình huấn luyện Hàm mát mơ hình dần tiến đến cực tiểu lý tưởng qua lần lặp huấn luyện 50 Luan van Hình 4.4 Đầu mơ hình với 100 vịng lặp Sau 100 lần lặp trình huấn luyện ta thấy đầu mạng giảm từ 0.5187375 xuống 0.01352171 với nút đầu dự đốn khơng mưa tăng từ 0.51940666 lên 0.98767733 với nút đầu dự đốn có mưa Với kết hình 4.3, ta thấy nút đầu mạng tiến dần đến dự đốn lý tưởng sau vịng lặp huấn luyện - Đầu dự đoán lý tưởng nút dự đoán mưa - Đầu dự đoán lý tưởng nút dự đốn khơng mưa  Từ hai kết hình 4.3 4.4, ta đánh giá mạng huấn luyện có hiệu với cấu trúc tham số lựa chọn 4.4 Kiểm thử thuật toán Ta tiến hành kiểm thử mơ hình huấn luyện với tập liệu testing dataset lựa chọn bảng 4.1 để kiểm tra khả dự đốn mơ hình mạng so với liệu thực tế Tập liệu testing dataset chia thành 30 tập test với tập test 1000 liệu nhiệt độ độ ẩm 500 thời điểm khác Ta thực 30 lần kiểm thử 51 Luan van tương ứng với 30 tập test mơ hình mạng huấn luyện để đánh giá khả dự đoán mạng sau huấn luyện Bảng biểu 4.3: Kiểm thử với tập liệu testing dataset Confusion matrix Predict: No Predict: Yes Actual: No 13 Actual: Yes 14 Sau tiến hành kiểm thử với 30 tập test, bảng 4.3 cho ta thấy kết dự đoán so với thực tế 30 lần thực kiểm thử mơ hình huấn luyện Với bảng 4.3, ta có 27 lần dự đoán tổng số 30 lần kiểm thử Trong đó, 13 đại diện cho số lần dự đốn mưa khơng xảy 14 số dự đoán mưa xảy Ngược lại, ta có dự đốn sai tổng số 30 lần kiểm thử Trong đó, số lần dự đốn khơng mưa thực tế mưa xảy số lần dự đoán có mưa thực tế mưa khơng xảy Độ xác thuật tốn lan truyền ngược với mơ hình mạng nơron nhiều lớp 90.0% 4.5 So sánh thuật tốn Để chứng minh tính hiệu thuật tốn lan truyền ngược với mơ hình mạng nơron, tác giả tiến hành huấn luyện kiểm thử thuật toán khác với tập liệu huấn luyện kiểm thử thực nhiệm Các thuật toán phổ biến dùng giải toán dự đoán Logistic Regression, Naive Bayes, KNearest Neighbor, Decision Tree, Random Forest, Support Vector Machine huấn luyện kiểm thử Sau thực huấn luyện với tập liệu training dataset cho tất thuật tốn, ta có thời gian huấn luyện thuật toán sau: Bảng biểu 4.4: Thời gian huấn luyện thuật toán 52 Luan van Algorithm Training time (s) Neural Network 0.57 Naive Bayes 0.007 Support Vector Machine 0.005 K – Nearest Neighbor 0.003 Decision Tree 0.008 Random Forest 0.028 Logistic Regression 0.048 Với bảng 4.4, ta thấy mơ hình Neural Network có thời gian huấn luyện lâu với 0.57 giây Tiếp đến mơ hình thuật tốn Logistic Regression với 0.048 giây Random Forest với 0.028 giây Các mô hình Naive Bayes, SVM, KNN, Decision Tree có thời gian huấn luyện giao động khoảng thời gian từ 0.003 – 0.008 giây Với kết trên, thấy mơ hình Neural Network có thời gian huấn luyện lâu tính chất tính tốn phức tạp khả học sâu mơ hình Tác giả tiến hành kiểm thử testing dataset phần 4.1 với tất mơ hình huấn luyện trước training dataset Tỉ lệ dự đốn xác thuật tốn thể theo cơng thức tỉ lệ phần trăm độ xác Accuracy (3.5) Bảng biểu 4.5: Phần trăm dự đoán thuật toán Algorithm Accuracy (%) Neural Network 90 Naive Bayes 76.6 Support Vector Machine 80 K – Nearest Neighbor 76.6 Decision Tree 83.3 Random Forest 60 Logistic Regression 86.6 53 Luan van Bảng 4.5 cho ta thấy phần trăm dự đoán mơ hình thuật tốn thực kiểm thử với tập liệu testing dataset Hình 4.5 Số phần trăm dự đốn xác thuật tốn Sau thực kiểm thử, ta thấy thuật tốn lan truyền ngược có tỷ lệ phần trăm độ xác cao so với thuật tốn cịn lại với 90% Tiếp đến thuật toán Logistic Regression với 86.6% Các thuật toán Naive Bayes, SVM, KNN, Decision Tree có tỉ lệ dao động từ 76.6% đến 83.3% Và cuối Random Forest với tỉ lệ thấp 60% So sánh kết độ xác thuật tốn bảng 4.5 với thời gian huấn luyện bảng 4.4, ta thấy thuật tốn có thời gian huấn luyện dài cho kết dự đoán tốt so với mơ hình thuật tốn có thời gian huấn luyện ngắn Mơ hình thuật tốn Neural Network với thời gian huấn luyện 0.57 giây tương ứng với độ xác 90% Kế tiếp Logistic Regression với 0.048 tương ứng với 86.6% Các thuật toán Naive Bayes, SVM, KNN, Decision Tree có tỉ lệ thấp hơn, dao động 54 Luan van từ 76.6% đến 83.3% có thời gian huấn luyện ngắn so với mơ hình thuật tốn trước, dao động từ 0.003 – 0.008 giây Điều cho ta thấy thời gian huấn luyện mơ hình tỷ lệ nghịch với độ xác mơ hình thuật tốn Tuy nhiên, mơ hình thuật tốn Random Forest có thời gian huấn luyện lâu thuật toán Naive Bayes, SVM, KNN, Decision Tree độ xác dự đốn lại thấp với 60% Điều chứng tỏ Random Forest chưa huấn luyện hiệu với thông số chọn mơ hình chưa thích hợp để xử lý thông số dự liệu thời tiết  Từ hai kết bảng 4.4 4.5, ta đánh giá mơ hình thuật tốn Neural Network huấn luyện có hiệu Đồng thời, mơ hình phù hợp để xử lý thông số liệu thời tiết thích hợp để tích hợp vào hệ thống dự báo thời tiết mà tác giả xây dựng 4.6 Nhận xét thuật toán Qua thực nghiệm ta thấy hệ thống dự báo thời tiết lựa chọn tham số để mạng huấn luyện tốt nhất: số học 0.1, số nơron lớp ẩn 100 Đồng thời, cập nhật trọng số huấn luyện mẫu với hàm tính lỗi, thời gian dự báo gần tức thời Ngoài đặc trưng liệu, yếu tố khác trình huấn luyện mạng cần quan tâm số lần thực điều chỉnh tham số mạng dẫn đến tình trạng khả tổng qt hóa mạng Để xem xét, đánh giá khả tổng quát hóa mạng, cần thực phân chia tập liệu thành tập: huấn luyện (training dataset) tập kiểm tra (testing dataset) Tập liệu kiểm thử không đưa vào huấn luyện để đảm bảo khách quan Để đảm bảo khả lỗi đạt đến cực tiểu, số nút lớp ẩn cần đủ lớn Tuy nhiên, số nút lớp ẩn vượt ngưỡng khả tổng qt hóa mạng kém, sau huấn luyện mạng có xu hướng ghi nhớ tất 55 Luan van mẫu học Khi đó, nên xem xét đến khả sử dụng thêm lớp ẩn với số nơron nhỏ giảm bớt số nơron lớp ẩn thứ 4.7 Đánh giá hệ thống Ưu điểm - Hệ thống có mức tiêu thụ lượng thấp - Xây dựng hệ thống truyền nhận công nghệ Zigbee với nhiều nút cảm biến đặt nhiều khoảng cách xa - Hệ thống thu thập lưu trữ thông số môi trường diễn ổn định - Khối cảm biến có khả mở rộng phạm vi số cảm biến - Có khả cập nhật dự báo thời tiết tức thời Nhược điểm - Vì hệ thống dự báo thời tiết nên ln đặt ngồi trời, thời tiết xấu mưa to, gió lớn làm hỏng hệ thống dẫn đến làm gián đoạn việc lấy liệu từ cảm biến - Thông số liệu huấn luyện thu thập chưa nhiều, chưa đủ đặc trưng nên số trường hợp dự báo sai 56 Luan van Chương 5: KẾT LUẬN 5.1 Kết đạt Xây dựng mơ hình thu thập liệu ổn định, tiêu tốn lượng điểm thu thập hoạt động nhiều khu vực khác Xây dựng thành công hệ thống dự báo thời tiết thuật toán máy học áp dụng vấn đề lý thuyết tìm hiểu mơ hình thu thập liệu khơng dây, mạng nơron truyền thẳng nhiều lớp, thuật toán lan truyền ngược bước cần thực phân tích, thiết kế xây dựng ứng dụng cho toán dự báo thời tiết Thuật toán để dự đoán kiện mưa thông số thời tiết đáp ứng yêu cầu đặt ra, dự đốn với độ xác cao Các thực nghiệm cho thấy, huấn luyện tốt tập liệu đầy đủ hoàn thiện với tham số lựa chọn cẩn thận kết dự báo đạt độ xác cao Đề tài có nghiên cứu để thực nghiệm dự báo thông số thu thập với mơ hình thuật tốn khác như: Logistic Regression, Naive Bayes, K-Nearest Neighbor, Decision Tree, Random Forest, Support Vector Machine Đồng thời, so sánh hiệu khả dự báo mơ hình thuật tốn với mơ hình mạng nơron nhân tạo nhiều lớp sử dụng thuật toán lan truyền ngược mà tác giả đề xuất cho hệ thống đề tài 5.2 Hạn chế Với thời gian có hạn, liệu huấn luyện thu thập chưa nhiều, chưa đủ đặc trưng nên mơ hình đưa kết thời điểm mùa khơng có ý nghĩa lớn thực tiễn, lúc giao mùa phải huấn luyện lại mạng Để mơ hình dự báo thu kết cao tập liệu huấn luyện phải lớn, phải đặc trưng cho mùa 57 Luan van 5.3 Hướng phát triển Trong tương lai, tác giả tiếp tục nghiên cứu sâu rộng mạng nơron nhân tạo Kết hợp lai ghép mạng nơron nhân tạo với phương pháp khác để tối ưu khả tiên đoán mạng nơron nhân tạo nhằm hướng tới việc áp dụng mạng nơron vào dự báo vấn đề thực tế Mở rộng phạm vi thu thập liệu cách gia tăng số lượng khối cảm biến nhiều khu vực với khoảng cách lớn hơn, đồng thời tích hợp mạch pin để tiết kiệm lượng Cải thiện khả dự đoán với tập liệu lớn Mở rộng thời gian thu thập liệu thu thập thêm nhiều thông số môi trường khác để tăng khả tổng qt hóa mơ hình dự báo đa dạng yếu tố đầu vào với nhiều liệu thời tiết diễn thời điểm năm Hệ thống tích hợp chức cảnh báo cố, ghi nhận thay đổi bất thường xảy hệ thống máy chủ 58 Luan van Tài Liệu Tham Khảo [1] Tác động biến đổi khí hậu đến tự nhiên xã hội Internet: Tác động biến đổi khí hậu đến tự nhiên xã hội (quangnam.gov.vn), 12/06/2018 [2] Cảnh báo thời tiết cực đoan ảnh hưởng đến sản xuất nông nghiệp Internet: Cảnh báo thời tiết cực đoan ảnh hưởng đến sản xuất nông nghiệp (nongdan.com.vn), 15/02/2019 [3] Tăng liệu thời tiết nông nghiệp, giảm rủi ro biến đổi khí hậu Internet: Tăng liệu thời tiết nơng nghiệp,giảm rủi ro biến đổi khí hậu | baotintuc.vn, 20/08/2017 [4] Các phương pháp dự báo thời tiết hàng không Việt Nam Internet: Các phương pháp dự báo thời tiết hàng không Việt Nam (vatm.vn), 20/09/2018 [5] S Ray A Quick Review of Machine Learning Algorithms 2019 International Conference on Machine Learning, Big Data, Cloud and Parallel Computing (COMITCon), 2019, pp 35-39 [6] T Truong, A Dinh and K Wahid An IoT environmental data collection system for fungal detection in crop fields, 2017 IEEE 30th Canadian Conference on Electrical and Computer Engineering (CCECE), 2017, pp 1-4 [7] J K Roy, D Gupta and S Goswami An improved flood warning system using WSN and Artificial Neural Network 2012 Annual IEEE India Conference, 2012, pp 770-774 [8] Mohsen Hayati, Zahra Mohebi Application of Artificial Neural Networks for Temperature Forecasting World Academy of Science, Engineering and Technology, Vol 4, Issue 1, pp 662-666, 2007 59 Luan van [9] L P Dinesh Kumar, S Shakena Grace, A Krishnan, V M Manikandan, R Chinraj and M R Sumalatha Data filtering in wireless sensor networks using neural networks for storage in cloud, 2012 International Conference on Recent Trends in Information Technology, 2012, pp 202-205 [10] Tạ Quốc Dũng, Lê Thế Hà, Phạm Duy Khang Ứng dụng mạng Neural nhân tạo dự báo độ rỗng Tạp chí dầu khí, số 7, tr 18-27, 2019 [11] A Sperduti An overview on supervised neural networks for structure Proceedings of International Conference on Neural Networks, 1997, pp 2550-2554 [12] M Chen, U Challita, W Saad, C Yin and M Debbah Artificial Neural Networks-Based Machine Learning for Wireless Networks: A Tutorial IEEE Communications Surveys & Tutorials, vol 21, no 4, pp 3039-3071, 2019 [13] C Bircanoğlu and N Arıca A comparison of activation functions in artificial neural networks 2018 26th Signal Processing and Communications Applications Conference (SIU), 2018, pp 1-4 [14] M Verhelst and B Moons, Embedded Deep Neural Network Processing: Algorithmic and Processor Techniques Bring Deep Learning to IoT and Edge Devices IEEE Solid-State Circuits Magazine, vol 9, no 4, pp 55-65, Fall 2017 [15] I R Widiasari, L E Nugroho and Widyawan Deep learning multilayer perceptron (MLP) for flood prediction model using wireless sensor network based hydrology time series data mining 2017 International Conference on Innovative and Creative Information Technology (ICITech), 2017, pp 1-5 [16] A J Smola B Schölkopf A tutorial on support vector regression Statistics and Computing, tập 14, số 3, pp 199-222, 2004 [17] S Nurunnahar, D B Talukdar, R I Rasel and N Sultana A short term wind speed forcasting using SVR and BP-ANN: A comparative analysis 2017 20th International Conference of Computer and Information Technology (ICCIT), 2017, pp 1-6 60 Luan van [18] M Muthmainnah, M Ashar, I M Wirawan and T Widiyaningtyas Time Series Forecast for Rainfall Intensity in Malang City with Naive Bayes Methodology 2018 International Conference on Sustainable Information Engineering and Technology (SIET), 2018, pp 137-14 [19] A Geetha and G M Nasira.Data mining for meteorological applications: Decision trees for modeling rainfall prediction 2014 IEEE International Conference on Computational Intelligence and Computing Research, 2014, pp 1-4 [20] S C Sreenivasa, S K Agarwal and R Kumar Short term wind forecasting using logistic regression driven hypothesis in artificial neural network 2014 6th IEEE Power India International Conference (PIICON), 2014, pp 1-6 [21] Z Liu and Z Zhang Solar forecasting by K-Nearest Neighbors method with weather classification and physical model 2016 North American Power Symposium (NAPS), 2016, pp 1-6 [22] Y Liu and H Wu Prediction of Road Traffic Congestion Based on Random Forest 2017 10th International Symposium on Computational Intelligence and Design (ISCID), 2017, pp 361-364 61 Luan van S K L 0 Luan van ... tốn máy học để ứng dụng cho dự đoán thời tiết Máy học trở thành xu giới tính xác ứng dụng đa dạng để giải vấn đề thực tiễn đời sống dự đoán thời tiết ứng dụng máy học Các thuật toán máy học sử dụng. .. Luan van TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH KHOA KINH TẾ BÁO CÁO TỔNG KẾT ĐỀ TÀI KH&CN CẤP TRƯỜNG TRỌNG ĐIỂM ỨNG DỤNG MÁY HỌC TRONG NÔNG NGHIỆP CÔNG NGHỆ CAO Mã số: T2020-48TĐ... DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH BÁO CÁO TỔNG KẾT ĐỀ TÀI KH&CN CẤP TRƯỜNG TRỌNG ĐIỂM ỨNG DỤNG MÁY HỌC TRONG NÔNG NGHIỆP CÔNG NGHỆ CAO Mã số: T2020-48TĐ Chủ