Mạng ANFIS và ứng dụng cho dự báo thời tiết khu vực miền núi phía bắc

i LỜI CAM ĐOAN Tên là: Nguyễn Tuyết Lan Lớp: Cao học K12A Khóa học: 2013 - 2015 Chuyên ngành: Khoa học máy tính Mã số chuyên ngành: 60 48 01 Cơ sở đào tạo: Trường Đại học Công nghệ thông tin Truyền thông Thái Nguyên Giáo viên hướng dẫn: PGS.TS Lê Bá Dũng Cơ quan công tác: Viện công nghệ thông tin – Viện Hàn lâm Khoa học Công nghệ Việt Nam Tôi xin cam đoan luận văn “Mạng ANFIS ứng dụng cho dự báo thời tiết khu vực miền núi phía Bắc” cơng trình nghiên cứu riêng tơi Các số liệu sử dụng luận văn trung thực, kết nghiên cứu trình bày luận văn chưa cơng bố cơng trình khác Thái Nguyên, ngày 12 tháng năm 2015 Học viên Nguyễn Tuyết Lan ii LỜI CẢM ƠN Tôi xin bày tỏ lời cảm ơn chân thành tới tập thể thầy cô giáo Viện công nghệ thông tin - Viện Hàn lâm Khoa học Công nghệ Việt Nam, thầy cô giáo Trường Đại học Công nghệ thông tin truyền thông - Đại học Thái Nguyên tận tình giảng dạy tạo điều kiện để học tập nghiên cứu năm học cao học Tôi xin chân thành cảm ơn sâu sắc tới thầy giáo PGS.TS Lê Bá Dũng cho tơi nhiều bảo q báu, tận tình hướng dẫn tạo điều kiện cho tơi hồn thành tốt luận văn tốt nghiệp Quá trình thực đề tài khơng tránh khỏi thiếu sót, mong tiếp tục nhận đóng góp ý kiến thầy, cô giáo, bạn đồng nghiệp đề tài nghiên cứu để đề tài hồn thiện Tơi xin trân trọng cảm ơn! Thái Nguyên, ngày 12 tháng năm 2015 iii MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN ii MỤC LỤC iii DANH MỤC CÁC BẢNG BIỂU v DANH MỤC CÁC HÌNH VẼ vi DANH MỤC CÁC TỪ VIẾT TẮT viii MỞ ĐẦU .1 CHƯƠNG I MẠNG NƠ-RON NHÂN TẠO VÀ HỆ MỜ 1.1 Cấu trúc mơ hình mạng nơron 1.1.1 Mơ hình nơron nhân tạo 1.1.2 Cấu trúc mạng nơron nhân tạo 1.2 Cấu tạo phương thức làm việc nơron 1.3 Các luật học 1.4 Thuật toán lan truyền ngược 11 1.5 Hệ mờ mạng nơron 12 1.5.1 Các khái niệm logic mờ 12 1.5.2 Suy luận mờ 17 1.5.3 Cấu trúc hệ thống suy luận mờ 20 1.6 Kết luận 27 CHƯƠNG MẠNG ANFIS VÀ KHẢ NĂNG ỨNG DỤNG 28 2.1 Hệ thống suy diễn mờ dựa mạng thích nghi 28 2.1.1 Các mơ hình kết hợp hệ mờ mạng neural 28 2.1.2 Luật mờ if-then hệ suy diễn mờ 28 2.1.3 Cấu trúc mạng ANFIS 29 2.2 Các thuật toán mạng ANFIS 34 2.2.1 Thuật toán học lan truyền ngược 34 2.2.2 Thuật toán học lai 40 2.3 Ứng dụng mạng ANFIS 41 iv CHƯƠNG III ỨNG DỤNG MẠNG ANFIS CHO BÀI TOÁN DỰ BÁO THỜI TIẾT KHU VỰC MIỀN NÚI PHÍA BẮC 42 3.1 Bài toán dự báo thời tiết 42 3.1.1 Một số khái qt khí hậu, mơi trường tự nhiên 42 3.1.2 Sự cần thiết việc dự báo thời tiết 43 3.2 Ứng dụng mạng ANFIS cho toán dự báo thời tiết khu vực miền núi phía Bắc 45 3.2.1 Thu thập liệu 45 3.2.2 Huấn luyện mạng ANFIS cho dự báo thời tiết khu vực miền núi phía Bắc 47 3.3 Kết dự báo 52 KẾT LUẬN 56 TÀI LIỆU THAM KHẢO 57 v DANH MỤC CÁC BẢNG BIỂU Bảng 2.1: Hai pha thủ tục học lai cho hệ ANFIS 41 Bảng 3.1: Số liệu thu thập trạm khí tượng thủy văn năm gần 46 Bảng 3.2 Kết số liệu khảo sát giá trị dự báo 53 vi DANH MỤC CÁC HÌNH VẼ Hình 1.1 Mơ hình nơron nhân tạo Hình 1.2 Đồ thị dạng hàm truyền Hình 1.3 Mạng truyền thẳng lớp Hình 1.4 Mơ tả cấu trúc mạng nơ-ron truyền thẳng nhiều lớp Hình 1.5 Mạng hồi quy lớp có nối ngược Hình 1.6 Mạng hồi quy nhiều lớp có nối ngược .7 Hình 1.7: Sơ đồ học tham số có giám sát Hình 1.8: Sơ đồ học tham số khơng có giám sát 10 Hình 1.9: Sơ đồ học tăng cường 10 Hình 1.10: Một số dạng hàm thuộc 13 Hình 1.11: Hàm phụ thuộc tập mờ A 14 Hình 1.12: Các tập mờ điển hình dùng để định nghĩa biến ngơn ngữ tốc độ 15 Hình 1.13: Mơ hình suy luận mờ với luật-một tiền đề 18 Hình 1.14: Mơ hình suy luận mờ luật-nhiều tiền đề 19 Hình 1.15: Mơ hình suy luận mờ hai luật hai tiên đề 20 Hình 1.16: Giải mờ phương pháp cực đại 21 Hình 1.17: Phương pháp giải mờ điểm trọng tâm 22 Hình 1.18 Hệ thống suy luận mờ 22 Hình 1.19 Mơ hình suy diễn mờ Mamdani 24 Hình 1.20 Mơ hình suy luận mờ Tsukamoto 24 Hình 1.21: Hệ suy diễn mờ Takagi- Sugeno 25 Hình 1.22: Mơ hình suy luận mờ Sugeno hai đầu vào đầu 26 Hình 2.1 Lập luận mờ 29 Hình 2.2 Mạng thích nghi 30 Hình 2.3 Kiến trúc mạng ANFIS 32 Hình 2.4: Mạng lớp lan truyền ngược 34 Hình 3.1 Dữ liệu vào bảng 3.1 biểu diễn dạng đồ thị 49 Hình 3.2: Sơ đồ khối mạng ANFIS 49 vii Hình 3.3: Dữ liệu học sau load vào chương trình Error! Bookmark not defined Hình 3.5: Mạng ANFIS xây dựng cho huấn luyện liệu để dự báo thời tiết khu vực miền núi phía Bắc 50 Hình 3.6 Hệ luật mờ hình thành trình huấn luyện mạng ANFIS 51 Hình 3.6a Hệ luật mờ sinh cho huấn luyện mạng 51 Hình 3.6b Mặt suy diễn hệ ANFIS 52 Hình 3.7: Kết dự báo thời tiết 53 viii DANH MỤC CÁC TỪ VIẾT TẮT Artificial Neural Network ANN Mạng nơron nhân tạo ANFIS Adaptive Neuro Fuzzy Insference System Hệ suy luận mờ PE Processing Element Phần tử xử lý TSK Takagi – Sugeno – Kang Mơ hình Takagi - Sugeno BP Back Propagation Lan truyền ngược LSE Least Square Error Ước lượng sai số bình phương tối thiểu CPI Chỉ số giá tiêu dùng MỞ ĐẦU Mạng nơron nhân tạo (Artificial Neural Network-ANN) nói chung, hệ suy diễn mơ - nơron thích nghi (ANFIS - Adaptive Neural Fuzzy Inference System) nói riêng nghiên cứu, ứng dụng mạnh mẽ thành công nhiều lĩnh vực năm gần [6,7] Với trình như: xấp xỉ phi tuyến, dự báo thị trường chứng khốn, dự báo mơ hệ thống điều khiển…được đưa ra, giải có kết [1,2,3,4] Các lớp tốn lĩnh vực sử dụng giải theo phương pháp truyền thống phương pháp thống kê, quy hoạch tuyến tính [1],… Mạng nơron nhân tạo, mạng ANFIS hình thành có nhiều khả vượt trội việc tuyến tính hóa, dự báo, phân tích, đánh giá liệu áp dụng thành công cho số lĩnh vực khoa học, kỹ thuật, kinh tế… Quá trình dự báo thời tiết Việt Nam nói chung, khu vực miền núi phía Bắc nói riêng có đặc thù có nhiều cố thiên tai như: Rét đậm, rét hại, bão, tố, lốc, mưa đá, sạt lở đất, thời tiết khắc nghiệt, ảnh hưởng sơng ngịi, mưa nhiều dẫn đến lũ lụt, hạn hán Để góp sức vào q trình ứng dụng thành tựu cơng nghệ thông tin dự báo thuỷ văn [9,10], gợi ý thầy hướng dẫn nhận thấy tính thiết thực vấn đề em chọn đề tài: “Mạng ANFIS ứng dụng cho dự báo thời tiết khu vực miền núi phía Bắc” làm khố luận tốt nghiệp cho luận văn tốt nghiệp mình, Luận văn bao gồm nội dung sau: Chương 1: Mạng Nơron nhân tạo hệ mờ Chương 2: Mạng ANFIS khả ứng dụng Chương 3: Ứng dụng mạng Anfis cho toán dự báo thời tiết khu vực miền núi phía Bắc CHƯƠNG I MẠNG NƠ-RON NHÂN TẠO VÀ HỆ MỜ 1.1 Cấu trúc mơ hình mạng nơron 1.1.1 Mơ hình nơron nhân tạo Một nơron đơn vị xử lý thông tin thành phần mạng nơron Cấu trúc nơron mơ tả hình Mơ hình nơron có m đầu vào x1, x2, , xm, đầu yi sau: Hình 1.1 Mơ hình nơron nhân tạo Giải thích thành phần bản:  Tập đầu vào: Là tín hiệu vào (input signals) nơron, tín hiệu thường đưa vào dạng vector m chiều  Tập liên kết (các trọng số): Mỗi liên kết thể trọng số (thường gọi trọng số liên kết – Synaptic weight) Trọng số liên kết tín hiệu vào thứ j cho nơron i thường ký hiệu wij Thông thường trọng số khởi tạo ngẫu nhiên thời điểm khởi tạo mạng cập nhật liên tục trình học mạng  Bộ tổng (Hàm tổng): Thường dùng để tính tổng tích đầu vào với trọng số liên kết  Ngưỡng: Ngưỡng thường đưa vào thành phần hàm truyền 44 (liên hệ từ xa), kiến thức hoạt động mơ hình kiến thức khuynh hướng mơ hình Do chất hỗn loạn khí nên cần phải có siêu máy tính để giải phương trình mơ tả bầu khí Những sai số việc đo đạc số liệu đầu vào hiểu biết chưa hoàn thiện hoạt động khí làm cho cơng tác dự báo trở lên xác nhiều địa điểm khoảng thời gian thời gian dự báo tăng lên Việc sử dụng kết hợp liên ứng mô giúp giảm thiểu sai số chọn kết khả quan Dự báo thời tiết cung cấp thông tin quan trọng thời tiết tương lai Có kỹ thuật khác tham gia vào dự báo thời tiết, từ quan sát tương đối đơn giản bầu trời với mơ hình tốn học máy vi tính phức tạp Dữ liệu ghi trạm thời tiết trung tâm khí tượng bật Göztepe, İstanbul sử dụng để phân tích dự báo áp dụng ANFIS ARIMA, họ đánh giá so sánh Cảnh báo thời tiết dự báo quan trọng cung cấp thông tin nhằm bảo vệ sống người tài sản hoạt động trời Dự báo nhiệt độ lượng mưa quan trọng nông nghiệp, giao thông, 45 3.2 Ứng dụng mạng ANFIS cho toán dự báo thời tiết khu vực miền núi phía Bắc Dự báo thời tiết cung cấp thông tin quan trọng thời tiết tương lai Có kỹ thuật khác tham gia vào dự báo thời tiết, từ quan sát tương đối đơn giản bầu trời với mô hình tốn học máy vi tính phức tạp Dữ liệu ghi trạm thời tiết trung tâm khí tượng bật Gưztepe, İstanbul sử dụng để phân tích dự báo áp dụng ANFIS ARIMA, họ đánh giá so sánh Một số phương pháp dự báo thời tiết nay: Phương pháp numerical weather prediction: Dự báo cho nhiều quốc gia khoảng thời gian dài từ vài đến vài tháng Phương pháp persistence: Dựa phương pháp NWP, dự báo tương lai gần từ vài phút đến vài Phương pháp Statistical and neural networks: Dự báo thời gian ngắn vài phút đến giờ, kết xác thời gian dự báo xong 3.2.1 Thu thập liệu Để dự báo độ ẩm cho tỉnh khu vực miền núi phía Bắc, cần thu thập đầy đủ liệu nhiệt độ cao nhất, nhiệt độ thấp nhất, áp suất, lượng mưa, độ ẩm thời gian gần Trên thực tế, liệu sử dụng cho luận văn thu thập vài trạm thủy văn vài tỉnh khu vực miền núi phía Bắc số liệu gần năm, gồm 639 ghi liệu, ghi đại diện cho ngày năm 46 Bảng liệt kê 30 liệu từ dòng thứ 100 đến dòng thứ 129 Nhiệt độ cao (độ C) 30,4 29,8 28,5 30 32,4 29,7 30,2 31,4 30,6 30,7 32,6 33,3 31,2 29 33 31,2 32,3 27,3 26,9 25,7 26 27,7 30,2 31,4 29,4 25,7 25,4 26,3 20,6 21,1 Nhiệt độ thấp (độ C) Áp suất (mm atm) Lượng mưa (mm) Độ ẩm (%) 18,4 16,8 17,5 18 20,4 19,7 17,2 19,4 19,6 17,7 20,6 19,3 17,2 16 21 19,2 20,3 17,3 14,9 13,7 15 16,7 17,2 17,4 17,4 12,7 12,4 15,3 16,8 20,6 1009,9 1009,3 1009,2 1011,5 1011,3 1010,5 1008,6 1008,5 1009,1 1007,7 1008,3 1007,1 1010,9 1007,6 1005,7 1007,2 1007,9 1014,2 1015,3 1012,7 1011,3 1011 1013,1 1011,5 1009 1016 1015,9 1011,7 1006,8 1001,4 0 0,2 0 0 0 0 0,2 1,6 0,1 0,1 0,1 11,6 10,5 12,8 0 0,4 26,1 0 0 93 88 93 86 87 85 86 89 87 88 82 77 90 92 91 89 87 92 88 91 84 82 77 84 86 86 82 86 80 79 Bảng 3.1: Số liệu thu thập trạm khí tượng thủy văn năm gần 47 3.2.2 Xây dựng hệ luật Mô hình mờ mạng Anfis mơ hình mờ Sugeno Tập giá trị đầu vào phân bổ hình chuông, biến ngôn ngữ Nhiệt độ cao nhất, Nhiệt độ thấp nhất, Lượng mưa, Áp suất có tập giá trị mờ Cao, Trung bình, Thấp Do vậy, tổng cộng có 3*3*3*3 = 81 luật sinh ra, luật có dạng sau: R1: If Nhiệt độ cao is Cao and Nhiệt độ thấp is Thấp and Lượng mưa is Cao and Áp suất is Thấp then Độ ẩm = f(Nhiệt độ cao nhất, Nhiệt độ thấp nhất, Lượng mưa, Áp suất) Hình thể cách hệ luật áp dụng mạng Anfis 3.2.2 Huấn luyện mạng ANFIS cho dự báo thời tiết khu vực miền núi phía Bắc Trong q trình huấn luyện mạng ANFIS thông số cần quan tâm là: - Số hàm thuộc cho đầu vào (số giá trị ngôn ngữ) - Đầu mạng ANFIS - Số bước huấn luyện (epoch number) - Mục tiêu sai số huấn luyện - Độ lớn bước nhảy - Tốc độ bước nhảy tăng hay giảm 48 Một số thông số khác sử dụng liệu kiểm tra sai số trình huấn luyện Các liệu kiểm tra sử dụng để kiểm soát lỗi (sự khác biệt liệu thu thập dự báo) 49 Hình 3.1 Dữ liệu vào bảng 3.1 biểu diễn dạng đồ thị Sơ đồ khối cho ANFIS thấy hình 3.2 ANFIS Mạng Vào Mờ hóa Cơ sở trí nơron thức nhân tạo Ra Giải mờ Cơ sở luật Hình 3.2: Sơ đồ khối mạng ANFIS Chương trình mơ viết Matlab, có sử dụng số thư viện có sẵn Matlab để rút ngắn thời gian nghiên cứu Toàn liệu thu thập chuẩn hóa làm liệu đầu vào cho chương trình Tiến hành cấu hình cho mạng ANFIS, tổng số giá trị đầu vào 4, giá trị đầu vào có hàm thuộc, sử dụng thuật toán học lai gbell, kiểu hàm thuộc linear 50 Quá trình huấn luyện chạy qua 30 bước lặp đạt đến độ ổn định sai số, sai số trung bình là: 3.9318 Hình 3.4: Kiểm tra sai số trình huấn luyện mạng Hình 3.5: Mạng ANFIS xây dựng cho huấn luyện liệu để dự báo thời tiết khu vực miền núi phía Bắc Các luật sinh từ tập liệu đầu vào Có tất 81 luật 51 Hình 3.6 Hệ luật mờ hình thành trình huấn luyện mạng ANFIS Trên hình 3.6 hệ luật mờ hình thành cho huấn luyện mạng ANFIS hình 3.5 Hệ luật với đầu vào đầu mờ hóa từ bảng liệu 3.1 hay đồ thị hình 3.1 Các giá trị ngữ nghĩa mờ hóa NB, ZO, PB Hệ luật với 81 luật sử dụng trình huấn luyện mạng Các giá trị ngữ nghĩa sử dụng hàm thuộc Gbellmenbeship, Hình 3.6, 3.6a Ở gọi hệ luật mờ hay Hình 3.2 hệ sở luật Hình 3.6a Hệ luật mờ sinh cho huấn luyện mạng 52 Trong trình huấn luyện mạng ANFIS sai số q trình huấn luyện, điều cho thấy việc xấp xỉ hàm dự báo đảm bảo yêu cầu mô hình ANFIS thể hành vi liệu huấn luyện liệu kiểm tra Trên hình 3.4 biểu diễn kiểm tra sai số với 30 bước lặp cho huấn luyện mạng Hình 3.4 biểu diễn sai số trình huấn luyện Hình 3.6b Mặt suy diễn hệ ANFIS 3.3 Kết dự báo Với việc sử dụng hàm thuộc dạng gbell cho hệ thống mờ mơ hình ANFIS dự báo độ ẩm vùng núi phía Bắc Q trình dự báo thể hình 3.7 giá trị thể màu xanh giá trị liệu thu thập, giá trị màu đỏ giá trị dự báo Các kết dự báo có sai lệch tương đối nhỏ so với liệu khảo sát, điều cho thấy mạng ANFIS có khả dự báo tương đối xác cho lĩnh vực dự báo thời tiết 53 Hình 3.7: Kết dự báo độ ẩm Như với đầu vào khảo sát (nếu có hội tăng số đầu vào lên việc đánh giá dự báo thực tế hơn) Để dễ quan sát, tách riêng 30 ghi, từ ghi thứ 100 đến 130 thể bảng 3.2 liệu mô dạng biểu đồ thể hình 3.8 Bảng 3.2 Kết số liệu khảo sát giá trị dự báo Độ ẩm khảo sát 93.0 88.0 93.0 86.0 87.0 85.0 Độ ẩm dự báo 94.0 84.0 90.0 81.0 90.0 85.0 54 86.0 89.0 87.0 88.0 82.0 77.0 90.0 92.0 91.0 89.0 87.0 92.0 88.0 91.0 84.0 82.0 77.0 84.0 86.0 86.0 82.0 86.0 80.0 79.0 83.0 90.0 93.0 80.0 81.0 76.0 91.0 93.0 90.0 88.0 83.0 90.0 86.0 89.0 89.0 84.0 75.0 85.0 83.0 86.0 81.0 87.0 88.0 80.0 55 Hình 3.8: Kết dự báo độ ẩm Hình 3.9: Kết dự báo nhiệt độ 56 KẾT LUẬN Trong luận văn đề cập đến vấn đề nghiên cứu rộng rãi, hệ suy diễn mờ sở mạng thích nghi (ANFIS), hệ ứng dụng nhiều thực tế, đặc biệt lĩnh vực dự đốn, phân lớp, Dự đốn trước tình hình thời tiết tỉnh khu vực miền núi phía Bắc, nhiên để tìm định xác ln nhiệm vụ khó khăn để tiếp cận đến kỹ thuật luận văn thực được: + Nghiên cứu lý thuyết mạng Nơron bao gồm loại mạng, kiến trúc chúng, thuật toán luyện mạng, phân tích khả hoạt động chúng Nghiên cứu lý thuyết lôgic mờ, hệ mờ thường gặp nhằm làm sáng tỏ trình suy luận hệ mờ thực tế để áp dụng xây dựng hệ mờ cho dự báo thời tiết + Nêu rõ cấu trúc mạng ANFIS, thuật toán huấn luyện ứng dụng rộng lớn thực tế đặc biệt toán dự báo thời tiết + Khái quát kiến thức dự báo, toán dự báo thời tiết khu vực miền núi phía Bắc + Xây dựng mơ hình mạng ANFIS cho toán dự báo thời tiết khu vực miền núi phía Bắc + Thu thập liệu, tiền xử lý liệu phục vụ việc huần luyện kiểm tra + Cài đặt mơ hình mạng ANFIS mơi trường matlab Chương trình thực nghiệm chạy cho kết dự đốn xác Để có kết dự báo xác hướng nghiên cứu là: + Thời gian tới tiếp tục nghiên cứu xây dựng hệ ANFIS có nhiều đầu + Phân tích liệu loại bỏ mẫu liệu cực đoan để có tập liệu tốt phục vụ huấn luyện + Trong tương lai để hồn thiện tốt trình dự báo đề tài cập nhập liệu thời tiết nhiều trạm khí tượng thủy văn luận văn làm tài liệu giúp ích tốt cho cán làm cơng tác dự báo khí tượng thủy văn Do thời gian lực cịn hạn chế, kính mong bảo đóng góp ý kiến Thầy, Cô Bạn để luận văn đạt kết tốt 57 TÀI LIỆU THAM KHẢO * Tiếng Việt [1] Lê Bá Dũng, Bài giảng mạng Nơron ứng dụng lớp Cao học Thái Nguyên, 2013 [2] Nguyễn Như Hiền, Lại Khắc Lãi, Hệ mờ Nơron kỹ thuật điều khiển, NXB khoa học tự nhiên cơng nghệ, 2007 [3] Bùi Cơng Cường, Nguyễn Dỗn Phước, Hệ thống mạng Nơron mờ ứng dụng, NXB Khoa học Công nghệ, 2006 [4] Phan Xuân Minh, Nguyễn Doãn Phước, Lý thuyết điều khiển mờ, NXB Khoa học kỹ thuật, 2002 * Tiếng Anh [5] P Bonissone, K Goebel, “When will it break? A Hybrid Soft Computing Model to Predict Time-to-break Margins in paper machine’s”, in Proc SPIE 7th Annual Meeting, Int Symp Optical Science and Technology, 4787, 5364, 2002 [6] J.M Liu, R Chen, L.M Liu, J.L Harris, “ A semiparametric time series approach in modeling hourly electricity loads”, Journal of Forecasting, vol 25, pp 537 559, 2006 [7] L.J Soares, M.C Medeiros , “Modeling and forecasting short-term electricity load: a comparison of methods with an application to Brazilian data”, International Journal of Forecasting, vol 24, pp 630 644, 2008 [8] O.E Dragomir, R Gouriveau, F Dragomir, E Minca, “Review of the prognosis problem in academicals and industrial area of interest”, in Proc European Control Conference 2009- ECC’09, 23-26 August Budapest, Hungary, 2009 [9] L Rutkowski, Flexible neuro-fuzzy systems structure, learning and performance, Kluwer Aca-demic Pub., 2004 58 [10] J.S.R.Jang,C.I Sun and E.Mizutani, Neuro-fuzzy and soft computing: a computational approach to learning and machine intelligence, Prentice-Hall, NJ, 1997 [11] C.T.Lin and C.S.G Lee, Neural Fuzzy Systems, Prentice Hall, London, 1996 [12] Weather Forecasting Using ANFIS and ARIMA MODELS A Case Study for Istanbul [13] Prediction of River Water Quality by Adaptive Neuro Fuzzy Inference System * Trang web [10] tailieu.vn [11] http://www.ebook.edu.vn/ [12] http://www.amazon.com