Xây dựng hệ thống dự báo mực nước biển trung bình dựa vào mô hình mạng nơ ron long short term memory (lstm)

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC LẠC HỒNG *** XÂY DỰNG HỆ THỐNG DỰ BÁO MỰC NƯỚC BIỂN TRUNG BÌNH DỰA VÀO MƠ HÌNH MẠNG NƠ-RON LONG SHORT TERM MEMORY (LSTM) LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN Đồng Nai, Năm 2023 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC LẠC HỒNG *** XÂY DỰNG HỆ THỐNG DỰ BÁO MỰC NƯỚC BIỂN TRUNG BÌNH DỰA VÀO MƠ HÌNH MẠNG NƠ-RON LONG SHORT TERM MEMORY (LSTM) Chuyên ngành: Công nghệ thông tin Mã số: 8480201 LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN Đồng Nai - Năm 2023 LỜI CẢM ƠN Đầu tiên, em xin bày tỏ cảm ơn sâu sắc đến quý Thầy Cô cơng tác Trường Đại học nói chung Khoa Sau đại học nói riêng tổ chức khóa học, tạo điều kiện cho em học tập lĩnh hội nhiều kiến thức mới, có kỹ cần thiết để hồn thành khóa đào tạo Thạc sĩ chuyên ngành Công nghệ thông tin Nhà trường Em xin gửi lời cảm ơn chân thành đến PGS.TS , người trực tiếp truyền đạt kiến thức học máy ứng dụng cho em, đồng thời cảm ơn Thầy tỉ mỉ, tận tình hướng dẫn, giúp đỡ em hoàn thành luận văn Sau cùng, em xin tỏ lòng biết ơn đến người thân, bạn bè đồng nghiệp bên cạnh ủng hộ, động viên em sống thời gian học tập, hoàn thành luận văn Thạc sĩ Xin chân thành cảm ơn tất người! LỜI CAM ĐOAN Tôi xin cam đoan đề tài công trình nghiên cứu độc lập cá nhân hướng dẫn PGS.TS Những số liệu kết nghiên cứu trung thực, nguồn tài liệu tham khảo trích dẫn nguồn thích rõ ràng Khơng có chép hay vi phạm luật sở hữu trí tuệ pháp luật Việt Nam Tơi xin hồn tồn chịu trách nhiệm luận văn TRƯỜNG ĐẠI HỌC LẠC HỒNG KHOA SAU ĐẠI HỌC TÓM TẮT LUẬN VĂN (Dùng cho học viên người hướng dẫn) Đề tài: Xây dựng hệ thống dự báo mực nước biển trung bình dựa vào mơ hình mạng Nơ-ron Long Short Term Memory (LSTM) Ngành: Công nghệ thông tin Mã số: 8480201 Học viên: Người hướng dẫn: PGS.TS NỘI DUNG TÓM TẮT Nội dung giao kết mong đợi người hướng dẫn - Thu thập thông tin, liệu, nghiên cứu liên quan - Tiền xử lý liệu Phân tích liệu - Lựa chọn mơ hình, giải thuật đề xuất công nghệ sử dụng - Xây dựng hệ thống - Thử nghiệm đánh giá kết - Hoàn thiện hệ thống, viết báo cáo luận văn Cách thức giải vấn đề Để giải toán xây dựng hệ thống dự báo mực nước biển trung bình dựa vào mơ hình LSTM thực theo bước sau: - Tìm kiếm nghiên cứu tổng quan báo, báo cáo, cơng trình khoa học liên quan đến đề tài - Lựa chọn liệu, rà sốt để chuẩn hóa liệu Đồng thời đánh giá liệu để làm tiền đề cho bước - Mơ hình sử dụng cho liệu Time Series, phân chia liệu huấn luyện kiểm tra (75% – 25%) Đọc, tìm hiểu mơ hình LSTM - Tiến hành triển khai mơ hình LSTM liệu thu thập Dùng ngơn ngữ lập trình Python xây dựng hệ thống - Kết hợp biện pháp để đánh giá tính xác hệ thống - Dựa kết kiểm thử, đánh giá tham khảo thu để chỉnh sửa hoàn thiện hệ thống Đánh giá mặt khoa học kết - Luận văn hệ thống hóa lý thuyết liên quan tới tốn dự báo, đặc biệt trình bày chi tiết sử dụng mơ hình mạng LSTM - Luận văn xây dựng hệ thống dự báo mực nước biển trung bình với liệu thực tế cho kết nhanh, độ xác tốt giao diện hỗ trợ trực quan Những vấn đề tồn so với nội dung giao (nếu có) Ngày 03 tháng năm 2023 NGƯỜI HƯỚNG DẪN HỌC VIÊN MỤC LỤC LỜI CẢM ƠN LỜI CAM ĐOAN MỤC LỤC DANH MỤC BẢNG VÀ BIỂU ĐỒ DANH MỤC HÌNH MỞ ĐẦU Chương TỔNG QUAN 1.1 Tổng quan tình hình nghiên cứu nước 1.2 Ý nghĩa khoa học thực tiễn đề tài 1.2.1 Tính khoa học 1.2.2 Tính ứng dụng 1.3 Mục tiêu luận văn 1.4 Đối tượng phạm vi nghiên cứu 1.5 Đóng góp luận văn 1.6 Nội dung bố cục luận văn Chương CƠ SỞ LÝ THUYẾT XÂY DỰNG BÀI TOÁN DỰ BÁO MỰC NƯỚC BIỂN 10 2.1 Một số sở lý thuyết 10 2.1.1 Tổng quan Machine Learning, Deep Learning 10 2.1.2 Mạng Nơ – ron nhân tạo 13 2.1.3 Mạng Nơ – ron hồi quy 15 2.2 Bài toán dự báo 18 2.2.1 Mực nước biển trung bình hệ lụy 18 2.2.2 Mơ hình dự báo chuỗi thời gian 24 Chương ỨNG DỤNG MẠNG HỌC SÂU LSTM XÂY DỰNG HỆ THỐNG DỰ BÁO MỰC NƯỚC BIỂN 27 3.1 Mơ hình mạng LSTM lớp mạng 27 3.1.1 Tổng quan mơ hình LSTM 27 3.1.2 Kiến trúc mạng LSTM 27 3.1.3 Trình tự bước LSTM 30 3.2 Các bước xây dựng phần mềm 32 3.2.1 Thu thập liệu 32 3.2.2 Tiền xử lý liệu 34 3.2.3 Phân tích liệu 36 3.2.4 Lựa chọn mơ hình, giải thuật đề xuất, công nghệ sử dụng 37 Chương THỰC NGHIỆM VÀ ĐÁNH GIÁ KẾT QUẢ 38 4.1 Phương pháp đánh giá mơ hình 38 4.2 Một số kết thực nghiệm 39 4.2.1 Huấn luyện mơ hình LSTM 42 4.2.2 Huấn luyện mơ hình GRU 43 4.2.3 Huấn luyện mơ hình SimpleRNN 44 4.3 Đánh giá mơ hình 45 4.4 Xây dựng ứng dụng trực quan hóa kết 45 4.5 Kết đạt 48 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 50 TÀI LIỆU THAM KHẢO DANH MỤC CÁC CHỮ VIẾT TẮT STT Ký hiệu viết tắt Nội dung AI ANN Artificial Neural Network CNN Convolutional Neural Networks DL MAE ML Machine learning MSE Mean Squared Error LSTM Long Short Term Memory RNN Recurrent Neural Network Artificial intelligence Deep learning Mean Absolute Error DANH MỤC BẢNG VÀ BIỂU ĐỒ Bảng 3.1 Bảng công cụ/ phần mềm sử dụng luận văn 37 Bảng 4.1: Bảng so sánh số MSE, MAE mơ hình LSTM, GRU, SimpleRNN 40 Biểu đồ 4.1 Biểu đồ so sánh số MSE mơ hình LSTM, GRU, SimpleRNN 41 Biểu đồ 4.2 Biểu đồ so sánh số MAE mơ hình LSTM, GRU, SimpleRNN 41 Biểu đồ 4.3 Biểu đồ h́n lụn mơ hình LSTM kiểm thử bộ test 42 Biểu đồ 4.4 Biểu đồ h́n lụn mơ hình GRU kiểm thử bộ test 43 Biểu đồ 4.5 Biểu đồ h́n lụn mơ hình SimpleRNN kiểm thử bộ test 44 38 Chương THỰC NGHIỆM VÀ ĐÁNH GIÁ KẾT QUẢ 4.1 Phương pháp đánh giá mơ hình Học máy cung cấp cho hệ thống khả tự động học tự cải thiện từ kinh nghiệm tích lũy Một phần khó Học máy đánh giá hiệu suất mơ hình Vì vậy, sau xây dựng xong mơ hình cần đưa chuẩn thước đo để đánh giá chất lượng, từ lựa chọn mơ hình phù hợp toán Tỷ lệ lỗi mơ hình dự đốn đánh giá cách áp dụng số đo độ xác học máy thống kê Tiêu biểu đánh giá độ xác phân tích hồi quy ta so sánh số liệu thực tế số liệu dự đoán Ý tưởng để đánh giá mơ hình luận văn sử dụng số đánh giá mơ hình hồi quy: MSE (Mean Squared Error) MAE (Mean absolute error) Hệ thống dự báo mực nước biển trung bình xây dựng dựa vào mơ hình mạng nơ-ron LSTM, so sánh với mơ hình: GRU SimpleRNN Chỉ số MSE MAE định nghĩa sau: MSE: thể cho khác biệt giá trị thực tế giá trị dự đốn trích xuất bình phương khác biệt trung bình tập liệu MSE thước đo chất lượng cơng cụ ước tính, ln khơng âm MSE thấp mơ hình xác, mơ hình sẽ gần giống liệu thực tế Nói cách khác MSE thấp dự báo tốt MSE tính cơng thức (8) sau đây: MSE = ∑𝑛𝑖=1(𝑦𝑖 − 𝑦 ′ 𝑖 )2 𝑁 Trong đó: n: số điểm liệu yi : giá trị quan sát thực tế y’i : giá trị dự đoán (8) 39 Vẽ biểu đồ phương pháp thể rõ xu hướng chung toàn liệu thu thập Chỉ số MSE thể biểu đồ biết mức độ gần đường hồi quy với tập hợp điểm Nó lấy khoảng cách từ điểm đến đường hồi quy (những khoảng cách “sai số”) bình phương chúng lên Vấn đề bình phương nhằm giảm độ phức tạp với dấu hiệu tiêu cực đồng thời tạo nhiều trọng lượng cho khác biệt lớn MAE: thể khác biệt giá trị thực tế giá trị dự đốn trích xuất cách lấy trung bình chênh lệch tuyệt đối tập liệu MAE tính cơng thức (9) sau: MAE = ∑𝑛𝑖=1|𝑦𝑖 − 𝑦′𝑖 | 𝑁 Trong đó: (9) n: số điểm liệu yi : giá trị quan sát thực tế y’i : giá trị dự đoán MAE đánh giá mạnh mẽ yếu tố bên ngồi so với MSE Lý MSE bình phương sai số, giá trị bên ngồi ngoại lai (thường có sai số cao mẫu khác) ý nhiều chiếm ưu sai số cuối tác động đến tham số mơ hình 4.2 Một số kết thực nghiệm Môi trường thực nghiệm thực máy PC sử dụng hệ điều hành Windows 10 SL 64 bit, RAM 8GB, Intel(R) Core(TM) i5-10500H CPU 2.50GHz, GPU NVIDIA GeForce GTX 1650 Trong trình huấn luyện sử dụng Python kết hợp với Colaboratory phát triển Google Research Thực nghiệm tiến hành với liệu nước biển trung bình tổng hợp 140 năm (từ năm 1880 đến năm 2020), năm ghi nhận mực nước biển thay đổi theo mùa, tương ứng với tháng: tháng 1, tháng 4, tháng 7, tháng 10 Dữ liệu trích từ nguồn website OWID (ourworldindata.org) 40 Để đánh giá mơ hình khách quan, xem xét số MSE MAE tập liệu ba mơ hình LSTM GRU, SimpleRNN Quan sát bảng 4.1 hai biểu đồ 4.1, 4.2 sau đây: Bảng 4.1: Bảng so sánh số MSE, MAE mơ hình LSTM, GRU, SimpleRNN MSE MAE Epochs LSTM GRU SimpleRNN LSTM GRU SimpleRNN 0.0361 0.0208 0.0225 0.1622 0.1204 0.1145 0.0090 0.0050 0.0035 0.0726 0.0556 0.0458 10 0.0038 0.0027 0.0021 0.0461 0.0387 0.0357 15 0.0030 0.0020 0.0019 0.0408 0.0339 0.0341 20 0.0023 0.0016 0.0016 0.0364 0.0308 0.0320 25 0.0019 0.0017 0.0015 0.0333 0.0322 0.0304 30 0.0015 0.0012 0.0022 0.0297 0.0269 0.0368 35 0.0014 0.0012 0.0013 0.0291 0.0268 0.0279 40 0.0014 0.0011 0.0016 0.0288 0.0268 0.0305 45 0.0012 0.0013 0.0015 0.0274 0.0281 0.0302 50 0.0012 0.0013 0.0014 0.0265 0.0281 0.0290 Quan sát, với số lượng epoch ít, giá trị MSE MAE lớn mơ hình Số lượng epoch lớn, hai số đánh giá LSTM giảm nhanh Đến thời điểm epoch = 50 LSTM mơ hình có giá trị MSE, MAE thấp Chứng 41 tỏ mơ hình LSTM có khả ghi thông tin tốt khoảng thời gian dài Dữ liệu chuỗi thời gian dài, mơ hình LSTM dự đốn xác Biểu đồ 4.1 Biểu đồ so sánh số MSE mơ hình LSTM, GRU, SimpleRNN Biểu đồ 4.2 Biểu đồ so sánh số MAE mơ hình LSTM, GRU, SimpleRNN Sau so sánh số MSE, MAE mơ trên, tiến hành thực nghiệm huấn luyện liệu kiểm thử test mô hình khác là: LSTM, GRU SimpleRNN Mỗi loại mơ hình thực 50 epochs Qua q trình thực nghiệm phương pháp với loại liệu Kết huấn luyện thu sau: 42 4.2.1 Huấn luyện mơ hình LSTM Biểu đồ 4.3 Biểu đồ h́n lụn mơ hình LSTM kiểm thử bợ test Kết huấn luyện mơ hình LSTM với giá trị epoch sau: 43 4.2.2 Huấn luyện mô hình GRU Biểu đồ 4.4 Biểu đồ h́n lụn mơ hình GRU kiểm thử bợ test Kết huấn luyện mơ hình GRU với giá trị epoch sau: 44 4.2.3 Huấn luyện mơ hình SimpleRNN Biểu đồ 4.5 Biểu đồ h́n lụn mơ hình SimpleRNN kiểm thử bợ test Kết huấn luyện mơ hình SimpleRNN với giá trị epoch sau: 45 4.3 Đánh giá mơ hình Quan sát biểu đồ huấn luyện kiểm thử test mơ hình cho kết tốt Sự chênh lệch giá trị đường: giá trị nước biển thực (Real number of level sea) giá trị nước biển dự báo (Predicted number of level sea) không đáng kể Xem xét số MSE MAE tập liệu ba mơ hình LSTM GRU, SimpleRNN Từ kết so sánh bảng 4.1 hai biểu đồ 4.1, 4.2 ta nhận thấy: - Thời điểm bắt đầu huấn luyện số MSE MAE mơ hình GRU, SimpleRNN thấp LSTM, chứng tỏ thời điểm hai mơ hình GRU, SimpleRNN huấn luyện đạt hiệu suất tốt LSTM lượng liệu khoảng thời gian ngắn - Xét khoảng thời gian sau, lượng liệu huấn luyện nhiều số MSE, MAE mơ hình LSTM có xu hướng giảm nhanh rõ rệt Đặc biệt huấn luyện mô hình đến epoch=50 số MSE, MAE LSTM thấp nhất, chứng tỏ huấn luyện dài hạn mơ hình LSTM đạt hiệu suất tốt Kết so sánh minh chứng cho khẳng định mô hình LSTM mơ hình có khả học phụ thuộc xa ghi nhớ thông tin khoảng thời gian dài Dữ liệu chuỗi thời gian dài, mơ hình LSTM dự đốn xác Sau huấn luyện thành cơng mơ hình mạng nơ-ron LSTM, chứng minh hiệu suất tối ưu mơ hình ta sẽ xây dựng ứng dụng trực quan hóa kết thu 4.4 Xây dựng ứng dụng trực quan hóa kết Sau xây dựng thành cơng mơ hình LSTM dự đốn mực nước biển trung bình, ta xây dựng giao diện ứng dụng để trực quan hóa, dễ dàng quan sát, so sánh đánh giá kết Ứng dụng gồm chức năng: Dự báo, Tra cứu, Tác hình 4.1 Giao diện thiết kế phù hợp với chủ đề luận văn 46 Hình 4.1 Giao diện hệ thống dự báo mực nước biển Chức năng: Dự báo Khi người dùng nhấn chọn nút “Dự báo”, giao diện chuyển từ hình 4.1 sang hình 4.2, chức chương trình Để dự báo mực nước biển, người dùng nhấn chọn mục “Tìm” mở hộp thoại chọn nơi lưu liệu Nhấn chọn dự báo năm hay năm mục “Số năm” Sau nhấn nút “Dự báo” phía để hệ thống làm việc hiển thị kết Kết hiển thị có phần: - Phần bên trái sẽ số liệu dự báo cụ thể Kết dự báo có cột: ngày, dự báo, thực tế - Phần bên phải biểu đồ đường biểu diễn mức thay đổi mực nước biển có liệu Đoạn biểu đồ có đường song song khoảng thời gian đưa dự báo với đường màu đỏ đại diện cho kết dự báo, đường màu xanh nước biển đại diện cho kết thực Ở đưa dự báo năm LSTM mơ hình dài hạn, huấn luyện cần sở liệu đủ lớn để dự báo xa Dự báo 1-2 năm vào liệu mực nước biển thu thập Nếu dự báo xa với lượng liệu không đủ sẽ dẫn đến độ sai lệch lớn 47 Với kết hiển thị vậy, người dùng dễ dàng đánh giá xu hướng tăng nước biển độ dự đoán xác mơ hình, cụ thể hình 4.2 hình 4.3: Hình 4.2 Giao diện dự báo mực nước biển năm Hình 4.3 Giao diện dự báo mực nước biển năm 48 Chức năng: Tra cứu Chức “Tra cứu” gồm phần: phần cho phép người dùng chọn năm muốn tra cứu liệu; phần sẽ hiển thị chi tiết mực nước biển tương ứng với năm chọn bên Mỗi kết hiển thị dạng bảng, năm có liệu nước biển tháng 01, tháng 4, tháng 7, tháng 10 đại diện cho mùa năm thể hình 4.4: Hình 4.4 Giao diện tra cứu liệu mực nước biển theo năm Chức năng: Tác giả Giao diện ứng dụng sẽ quay trở lại giao diện ban đầu hệ thống để thị thông tin học viên Giảng viên hướng dẫn 4.5 Kết đạt Nhìn chung luận văn phân tích, đánh giá xây dựng thành công hệ thống dự báo mực nước biển trung bình dựa vào mơ hình mạng nơ-ron LSTM Làm bật tính ưu việt mơ hình đề xuất Các kết dự báo, thống kê liệu giao diện tương tác với người dùng xây dựng tốt Tuy nhiên, luận văn gặp số hạn chế cần giải sau: 49 - Trước hết mặt liệu, liệu thu thập từ nguồn OWID gồm 564 dòng đánh giá mơ hình huấn luyện dài hạn LSTM, chưa thể đậm nét tính dài hạn mơ hình - Do thiếu đa dạng liệu nên luận văn dự báo mực nước biển trung bình, chưa mở rộng dự báo gộp nhiều yếu tố dự báo biến đổi khí hậu tồn cầu, dự báo hiệu ứng nhà kính sẽ bao gồm nhiều yếu tố tác động như: nhiệt độ, Co2, nước biển, băng tan… - Dự báo xây dựng dựa theo số liệu mực nước biển OWID tổng hợp, bỏ qua yếu tố tác động môi trường xung quanh như: dân số, nhiệt độ, băng tan, … điều ảnh hưởng đến độ xác mơ hình dự báo 50 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Luận văn so sánh mơ hình: GRU, SimpleRNN với LSTM để làm rõ đặc tính “học dài hạn” ưu việt LSTM Từ đề xuất ứng dụng mơ hình LSTM xây dựng phần mềm dự báo, tra cứu mực nước biển phục vụ cho quan khí tượng thủy văn Việt Nam – Cụ thể luận văn đạt kết sau: - Trình bày kiến thức Học máy, mạng nơ-ron nhân tạo, mạng nơ-ron hồi quy - Phác họa toán dự báo mực nước biển giới thông qua trạng, xu hướng nước biển Giới thiệu khái qt mơ hình chuỗi thời gian Tóm tắt nghiên cứu khoa học liên quan - Giới thiệu chi tiết mơ hình LSTM Huấn luyện thành cơng mơ hình: LSTM, GRU SimpleRNN nguồn liệu mực nước biển giới từ năm 1880 đến 2020 Đưa nhận xét đánh giá khả dự báo dài hạn LSTM - Xây dựng giao diện phần mềm dự báo mực nước biển giới Thể số liệu dự báo mực nước biển theo mùa năm Trong tương lai cần nghiên cứu khắc phục hạn chế nêu phần áp dụng với dự báo khác khí hậu, mơi trường TÀI LIỆU THAM KHẢO Lê Xuân Hiền, Hồ Việt Hùng (2018) Ứng dụng mạng Long Short- [1] Term Memory (LSTM) để dự báo mực nước trạm Quang Phục Cửa Cấm, Hải Phịng, Việt Nam Tạp chí Khoa học Kỹ thuật Thủy lợi Môi trường Truy cập tháng 02/2022 trang: https://tailieutuoi.com/tai-lieu/ung-dung-mang-longshort-term-memory-lstm-de-du-bao-muc-nuoc-tai-tram-quang-phuc-va-cuacam-hai-phong-viet-nam GS.TS Trần Thục, PGS.TS Nguyễn Văn Thắng, PGS.TS Huỳnh Thị [2] Lan Hương (2016) Kịch biến đổi khí hậu nước biển dâng cao cho Việt Nam Tạp chí Tài nguyên Môi trường Truy cập tháng 02/2022 trang: https://vihema.gov.vn/wp-content/uploads/2015/12/03.-Tom-tat-Kich-banBDKH-va-NBD-cho-VN_2016_Tieng-Viet.pdf TS Nguyễn Chính Kiên (chủ nhiệm đề tài) nhóm tác giả (2019) [3] Xây dựng hệ thống thử nghiệm dự báo mực nước tảng Webgis bằng mơ hình mạng Nơron nhân tạo hồi tiếp Tạp chí Viện hàn lâm Khoa học Công nghệ Việt Nam Truy cập tháng 02/2022 trang: https://imech.ac.vn/upload/NewsImage/2021/1/12/091dtcs-2018093-xay-dunghe-thong-du-bao-muc-nuoc-tren-nen-tang-webgis-bang-mo-hinh-mang-noronnhan-tao-hoi-tiep.pdf [4] Nhóm tác giả Nguyễn Thị Hiền, Trương Tiến Phúc, Ngô Văn Mạnh, Nguyễn Thị Quyên, Hoàng Hải Vân (2020) Phương pháp dự báo nước biển dâng bão dựa lập trình di truyền Tạp chí Khí tượng thủy văn Tập 716 Số (2020) [5] Anny Cazenave (2018) Global sea-level budget 1993-present Tạp chí Earth System Science Data Truy cập tháng 02/2022 trang: https://www.researchgate.net/publication/327304997_Global_sealevel_budget_1993-present [6] Veronica Nieves, Cristina Radin, Gustau Camps-Valls (2021) Predicting regional coastal sea level changes with machine learning Truy cập tháng 02/2022 trang: https://www.nature.com/articles/s41598-021-87460z.pdf [7] Anne Braakmann-Folgmann, Ribana Roscher, Susanne Wenzel, Bernd Uebbing Jurgen Kusche (2017) Sea level anomaly prediction using recurrent neural networks Đăng Viện đo đạc thông tin địa lý, đại học Bonn Truy cập tháng 02/2022 trang: https://www.researchgate.net/publication/320516911_Sea_Level_Anomaly_Pre diction_using_Recurrent_Neural_Networks [8] Vivien Mei Yen Lai, Samsuri Abdullah, Marlinda Abdul Malek, Sarmad Dashti Latif (2020) Time - Series prediction of Sea level change in the East Coast of Peninsular Malaysia from the Supervised learning Approach Đăng International Journal of Design & Nature and Ecodynamics [9] Nobuo Mimura (2013) Sea-level rise caused by climate change and its implications for society Đăng The Japan Academy Truy cập tháng 02/2022 trang https://www.researchgate.net/publication/251877745_Sea- level_rise_caused_by_climate_change_and_its_implications_for_society [10] Nguồn tải sở liệu mực nước biển trung bình trang website: https://ourworldindata.org/grapher/sea-level-rise?country=~OWID_WRL