Ứng dụng mạng nơron SVM trong mô hình lai dự báo độ ẩm lớn nhất và nhỏ nhất trong ngày

Trong bài viết này, đề xuất sử dụng mô hình lai, phối hợp máy học vectơ hỗ trợ SVM (Support Vector Machine) và mô hình khai triển theo phương pháp tuyến tính SVD (Singular Value Decomposition) để dự báo và ước lượng giá trị độ ẩm lớn nhất và nhỏ nhất trong ngày tại thành phố Hải Dương, Việt Nam.

NGHIÊN CỨU KHOA HỌC ỨNG DỤNG MẠNG NƠRON SVM TRONG MƠ HÌNH LAI DỰ BÁO ĐỘ ẨM LỚN NHẤT VÀ NHỎ NHẤT TRONG NGÀY APPLICATIONS OF SVM NETWORKS IN HYBRID MODEL FOR PREDICT THE MAXIMUM AND MINIMUM HUMIDITY OF THE DAY Đỗ Văn Đỉnh, Vũ Quang Ngọc Email: dodinh75@gmail.com Trường Đại học Sao Đỏ Ngày nhận bài: 17/11/2018 Ngày nhận sửa sau phản biện: 20/3/2018 Ngày chấp nhận đăng: 28/3/2018 Tóm tắt Dự báo độ ẩm mơi trường ngày tốn khơng Việt Nam mà quốc gia giới quan tâm tới Bài tốn dự báo có tính chất phụ thuộc nhiều vào điều kiện địa lý mang tính khu vực Do đó, khu vực vùng miền khác cần xác lập thơng số liệu phù hợp cho q trình dự báo Trong báo này, đề xuất sử dụng mô hình lai, phối hợp máy học vectơ hỗ trợ SVM (Support Vector Machine) mơ hình khai triển theo phương pháp tuyến tính SVD (Singular Value Decomposition) để dự báo ước lượng giá trị độ ẩm lớn nhỏ ngày thành phố Hải Dương, Việt Nam Bộ số liệu đầu vào giá trị lớn nhất, nhỏ nhiệt độ, độ ẩm, tốc độ gió giá trị trung bình lượng mưa, số nắng ngày trước Chất lượng giải pháp đề xuất kiểm nghiệm số liệu quan trắc thực tế (2191 ngày, từ ngày 01/01/2010 đến ngày 31/12/2015) thành phố Hải Dương, Việt Nam Kết thực nghiệm cho sai số tuyệt đối trung bình MAE = 4,23% Từ khóa: Dự báo; mơ hình lai; máy học vectơ hỗ trợ; độ ẩm lớn nhất, nhỏ ngày Abstract Forecasting the humidity of the day is one of the problems not only in Vietnam but also in other countries in the world The prediction problem is highly dependent on geographic and regional conditions Therefore, in different regions and regions, it is necessary to establish appropriate data sets for the forecasting process In this paper, we propose to use a hybrid model, support vector machine (SVM) and a Singular Value Decomposition (SVD) model to predict and estimate maximum and minimum daily humidity values ​​in Hai Duong city, Vietnam The input data is the maximum, minimum value of temperature, humidity, wind speed and mean value of precipitation, the number of hours of sunshine of the previous day The quality of the proposed solution was tested on the actual observation data (2191 days, 01/01/2010 to 31/12/2015) in Hai Duong city, Vietnam Experimental results showed an average error of MAE = 4.23% Keywords: Predict; hybrid model; support vector machines; maximum and minimum daily humidity ĐẶT VẤN ĐỀ Việt Nam quốc gia nằm khu vực nhiệt đới gió mùa, có lượng mưa độ ẩm phức tạp vùng miền có khác rõ rệt Dự báo độ ẩm khơng khí nội dung tin dự báo thời tiết, có ý nghĩa quan trọng ngành nơng nghiệp, cơng nghiệp dịch vụ, nhằm phòng chống hạn chế thiên tai, thiết lập kế hoạch sản xuất, khai thác tiềm khí hậu Diễn biến độ ẩm khơng khí phức tạp, chịu ảnh hưởng nhiều yếu tố khác độ ẩm, áp suất khí quyển, lượng mưa, tốc độ gió, xạ nhiệt, tốc độ phát triển thành phần kinh tế,… Hiện nay, mơ hình dự báo thông số thời tiết sử dụng phổ biến chia thành hai dạng mơ hình dự báo tất định (Deterministic Model) mơ hình dự báo thống kê (Statistical Model) [2] Trong đó, mơ hình dự báo tất định xây dựng dựa trình diễn biến thời tiết, đòi hỏi hệ thống sở hạ tầng đủ 18 Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 1(60).2018 LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA mạnh người vận hành, khai thác mơ hình phải có trình độ cơng nghệ thơng tin Ngược lại, mơ hình dự báo thống kê đơn giản hơn, khơng đòi hỏi q cao mặt sở hạ tầng hay chi tiết thông số ảnh hưởng đến thơng số thời tiết cần dự báo mơ hình có khả tự động xây dựng mối quan hệ tuyến tính phi tuyến thông số cần dự báo thông số khác Đã có nhiều mơ hình dự báo thống kê nghiên cứu ứng dụng thành công giới phương pháp hồi quy phi tuyến tính, phi tuyến; phương pháp giá trị cực trị (Extreme Value) mạng nơron nhân tạo (ANN - Artificial Neural Network) [5-9], số đó, mơ hình ứng dụng mạng nơron nhân tạo đạt tiến đáng kể nghiên cứu ứng dụng rộng rãi thời gian qua [1, 5, 6, 8] Thuật toán máy học vectơ hỗ trợ SVM Vapnik giới thiệu năm 1995 [4], nghiên cứu thử nghiệm lĩnh vực dự báo thời tiết thu kết khả quan, hầu hết nghiên cứu công bố, mơ hình dự báo nhiệt độ khơng khí dùng mạng SVM cho kết tốt so với mơ hình ANN kiểm chứng [7-10,13] Mặt khác, báo đề xuất ứng dụng mạng nơron SVM mơ hình lai [2] để dự báo độ ẩm khơng khí, kết nghiên cứu thực nghiệm cho thấy ứng dụng mạng SVM mơ hình lai dự báo độ ẩm khơng khí cho kết khả quan so với mơ hình mạng nơron khác (như mạng RBF, MLP, MLR, Elman, BRtree,…) ỨNG DỤNG MẠNG SVM TRONG MƠ HÌNH LAI DỰ BÁO ĐỘ ẨM MƠI TRƯỜNG Bài toán dự báo trường hợp đặc biệt tốn ước lượng xây dựng mơ hình ánh xạ đầu vào đầu [1, 2] Theo [2, 13], mơ hình lai đề xuất để dự báo ngắn hạn phụ tải điện, dự báo nhiệt độ lớn nhất, nhỏ ngày cho kết khả quan; để ước lượng thành phần tuyến tính, tác giả sử dụng thuật tốn khai triển theo giá trị kỳ dị SVD, phần ước lượng phi tuyến sử dụng mạng MLP [2] SVM [13] Trong báo này, tác giả đề xuất ứng dụng phối hợp SVD SVM mơ hình lai để dự báo ước lượng độ ẩm lớn (RHmax) độ ẩm cao (RHmin) ngày Như trình bày [1, 2, 13], thực nghiệm mơ hình lai có nhiều ưu việt mơ hình mạng nơron khác Khi sử dụng mơ hình lai giảm bớt mức độ phức tạp mơ hình phi tuyến, trước hết cần ước lượng thành phần tuyến tính, sau ta loại thành phần tuyến tính khỏi số liệu đầu vào để nhằm giữ lại thành phần phi tuyến tín hiệu đối tượng Tín hiệu lại dùng để huấn luyện khối phi tuyến hay nói cách khác: sai số lại từ khối tuyến tính trở thành đầu vào khối phi tuyến Để kiểm nghiệm chất lượng mơ hình mạng nơron ước lượng thành phần phi tuyến, báo tác giả sử dụng mơ hình mạng MLP, MLR, Elman, BRtree, SVM mạng Hybrid mạng nơron Hybrid-MLP, Hybrid-MLR, Hybrid-Elman, Hybrid-BRTree Từ đó, đánh giá chất lượng mơ hình mạng nơron cho tốn dự báo thơng số thời tiết Các mơ hình dự báo ước lượng thơng số thời tiết đánh giá chất lượng thông qua số Mean Absolute Error (MAE); Mean Relative Error (MRE); Maximum Absolute Error (MaxAE); Standard Deviation (SD) 2.1 Cấu trúc mơ hình dự báo Giả thiết ta có số liệu đo quan trắc môi trường điểm A Ta xây dựng hàm quan hệ thông số cần dự báo với thông số môi khác thông qua phương trình: Ti ( A, d + 1) = f (Ti ( A, d ), Ti ( A, d - 1) ,  , Ti ( A, d - K )) (1) Hoặc é T ( A,d ),T ( A,d -1),T ( A,d -K ) ù ê i ú i i ê ú Ti ( A,d +1) = f ê  ú ê ú êT j ( A,d ),T j ( A,d -1),,T j ( A,d -K ú ë û (2) đó: Ti ( A, d ) : thơng số mơi trường thứ i vị trí A ngày d Cấu trúc mơ hình dự báo độ ẩm lớn nhất, nhỏ ngày dựa vào số liệu đo khứ hình Hình Sơ đồ cấu trúc mơ hình dự báo thơng số khí tượng 2.2 Các thuật tốn xây dựng mơ hình dự báo 2.2.1 Mơ hình ước lượng tuyến tính Từ phương trình (5), hàm quan hệ tuyến tính RHmax ngày d với RHmax ngày khứ xác định từ hệ phương trình ước lượng xấp xỉ công thức (3) (4) Từ (4) ta cần xác T định vectơ a = [ a1 , a2 , , aK ] để đạt cực tiểu hàm sai số ước lượng Trong thực tế áp dụng, ta cần trả lời hai câu hỏi: Cần sử dụng số liệu khứ?; Đó số liệu nào? Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 1(60).2018 19 NGHIÊN CỨU KHOA HỌC a1 ⋅ RH max ( K ) + a2 ⋅ RH max ( K − 1) + + aK ⋅ RH max ( d − K ) ≈ RH max ( K + 1) a ⋅ RH ( K − 1) + a ⋅ RH ( K − 2) + + a ⋅ RH ( d − K + 1) ≈ RH ( K + 2)  max max K max max   a1 ⋅ RH max ( N max − 1) + a2 ⋅ RH max ( N max − 2) + + aK ⋅ RH max ( N max − K ) ≈ RH max ( N max ) RH max ( K − 1) RH max (1)  RH max ( K )   a1   RH max ( K + 1)   RH ( K − 1)   a   RH ( K + 2) RH max ( K − 2) RH max (2) max    ≈  max  ⇔              RH max ( N max − 1) RH max ( N max − 2) RH max ( N max − K ) aK   RH max ( N max )  (3) (4) Phương pháp xác định thích nghi thực sau: K = K–1, quay lại bước K > Kmin chọn - Trước tiên ta sử dụng số lượng lớn số liệu khứ (trong nghiên cứu ta sử dụng K = 60 tương đương tháng số liệu trước - đủ lớn để dự báo ngày tiếp theo) giảm xuống giá trị đủ nhỏ chấp nhận - Với K số liệu khứ, ta xác định vectơ T a = [ a1, a2 , , a K ] hàm ước lượng tuyến tính K RH ( d ) ≈ ∑  a ⋅ RH ( d − i )  phương max i =1  i max  pháp SVD - Xác định thành phần có giá trị tuyệt đối nhỏ vectơ a Thành phần tương ứng với ngày khứ ảnh hưởng tới ngày dự báo Ta loại bỏ khỏi số liệu khứ, giảm trước Quá trình lặp bước 2-3 K để mơ hình khơng q phức tạp Cụ thể báo ta chọn Kmin< Tương tự vậy, ta xây dựng hàm quan hệ tuyến tính RHmax ngày d với RHmax,RHmin’ Tmax, Tmin, Winmax, Winmin, RainAll RhAll khứ ta phương trình (5) Khi xác định mối quan hệ tuyến tính RHmax ngày d với ngày khứ, ta tính sai số chênh lệch số liệu thực tế số liệu ước lượng phương trình (6): ai1 ⋅ RH max ( d − i ) + ⋅ RH ( d − i ) + ai3 ⋅ Tmax (d − i ) +  K   (5) RH max ( d ) ≈ ∑ + ⋅ Tmin ( d − i ) + ⋅ Winmax ( d − i ) + ⋅ Winmin ( d − i ) +  i =1   + ⋅ RainAll (d − i ) + ai8 ⋅ RhAll (d − i )  ai1RH max ( d − i ) + ⋅ RH ( d − i ) + ⋅ Tmax ( d − i ) +  = NL( d ) RH max ( d ) − K   i =1    ∑ + ⋅ Tmin (d − i) + ai5 ⋅Winmax (d − i) + ⋅Winmin (d − i) +  + ⋅ RainAll (d − i ) + ai8 ⋅ RhAll (d − i ) Phương trình (6): phần phụ thuộc phi tuyến lại RHmax với ngày khứ Hoàn toàn tương tự xây dựng mơ hình ước lượng cho RHmin (6) kế theo bước sau: chuẩn bị liệu, lựa chọn đặc tính cho mơ hình dự báo mơ hình ước lượng, xây dựng kiến trúc mạng, lựa chọn phương pháp đào tạo mạng, đánh giá độ tin cậy 2.2.2 Mơ hình ước lượng phi tuyến 3.1 Kết ước lượng thành phần tuyến tính Khi xác định thơng số mơ hình tuyến tính, ta tiến hành xây dựng mạng nơron nhân tạo để ước lượng thành phần phi tuyến Giá trị chênh lệnh (phương trình (6)) sử dụng đầu vào cho mơ hình ước lượng thành phần phi tuyến 3.1.1 Ước lượng tuyến tính RHmax KẾT QUẢ VÀ THẢO LUẬN Mơ hình nghiên cứu xây dựng phần mềm Matlab®2010b, với SVM sử dụng LS-SVMlabv1.8_R2009b_R2011a thiết Bằng phương pháp phân tích SVD kết hợp với kinh nghiệm thực tế, ta xác định yếu tố ảnh hưởng lớn đến giá trị độ ẩm lớn (RHmax) cần dự báo: - Ảnh hưởng RHmax khứ đến RHmax dự báo, ta xác định ngày có hệ số phụ thuộc lớn là: d-1, d-3, d-8 d-11 loại ngày d-52 xa ngày dự báo Tiếp tục khảo sát phụ thuộc 20 Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 1(60).2018 LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA RHmax vào số liệu RHmin, Tmax, Tmin, Winmax, Winmin, RainAll ShAll khứ cách làm hoàn toàn tương tự ta được: - Ảnh hưởng RHmin khứ đến RHmax dự báo bao gồm ngày d-1, d-7 d-19 Ngày d-46 d-56 xa ngày dự báo nên bỏ qua - Giá trị Tmax khứ ảnh hưởng đến RHmax dự báo gồm d-1, d-4 d-6, ngày d-55 d-60 bỏ qua xa ngày dự báo - Các giá trị Tmin khứ ảnh hưởng đến RHmax dự báo d-1, d-6, d-9, d-58 d-60 Ngày d-58 d-60 xa ngày dự báo nên bỏ qua - Ảnh hưởng tốc độ gió max (Winmax) đến RHmax d-1, d-6, d-32, d-42 d-48 Loại ngày d-32, d-42 d-48 xa ngày dự báo - Ảnh hưởng tốc độ gió (Winmin) đến RHmax d-6, d-17, d-39, d-50 d-60 Loại ngày d-39, d-50 d-60 xa ngày dự báo - Lượng mưa trung bình ngày (RainAll) đến độ ẩm lớn (RHmax) ngày d-1, d-7, d-10, d-51 d-60 Loại ngày d-51 d-60 xa ngày dự báo - Số nắng ngày (ShAll) ảnh hưởng đến RHmax d-1, d-5, d-40, d-56 d-60 Loại ngày d-40, d-56 d-60 xa ngày dự báo Tổng hợp lại ta có mơ hình lựa chọn để dự báo giá trị RHmax ngày thứ d gồm 22 số liệu khứ công thức (7) Kiểm tra chất lượng mơ hình sử dụng 710 ngày số liệu cuối tập số liệu 2191 ngày Bảng kết sai số khai triển thành phần tuyến tính ước lượng RHmax, kết tính tốn sai số trung bình tuyệt đối ước lượng RHmax tương đối nhỏ, sai số trung bình tuyệt đối kiểm tra MAE(Etest) = 3,47% RH max (d ) = 0, 484 ⋅ RH max (d − 1) + 0,121 ⋅ RH max (d − 3) + 0,133 ⋅ RH max (d − 8) + + 0,121 ⋅ RH max (d − 11) + 0,378 ⋅ RH (d − 1) + 0,199 ⋅ RH max (d − 7) + + 0, 219 ⋅ RH max (d − 19) + 0,925 ⋅ Tmax (d − 1) + 0,389 ⋅ Tmax (d − 4) + + 0, 472 ⋅ Tmax (d − 6) + 1,132 ⋅ Tmin (d − 1) + 0,561 ⋅ Tmin (d − 6) + (7) + 0, 454 ⋅ Tmin (d − 9) + 5,550 ⋅ Winmax (d − 16) + 14,869 ⋅ Winmin (d − 6) + + 14, 482 ⋅ Winmin (d − 17) + 1,346 ⋅ RainAll (d − 1) + 1,350 ⋅ RainAll (d − 7) + + 1,316 ⋅ RainAll (d − 10) + 3,964 ⋅ ShAll (d − 1) + 3,810 ⋅ ShAll (d − 5) 3.1.2 Ước lượng tuyến tính RHmin Thực ước lượng độ ẩm lớn (RHmin) tương tự Tmax, Tmin RHmax, ta xác định yếu tố ảnh hưởng lớn đến giá trị độ ẩm nhỏ (RHmin) cần dự báo: Hình Đồ thị sai số học sai số kiểm tra khai triển thành phần tuyến tính để ước lượng RHmax Hình biểu diễn đáp ứng số liệu gốc, kết ước lượng RHmax phương pháp khai triển thành phần tuyến tính Bảng Kết sai số khai triển thành phần tuyến tính ước lượng RHmax Quá trình Học Kiểm tra MAE 3,69 3,47 MRE 4,30 3,93 MaxAE 10,60 19,79 SD 3,89 3,58 Sai số - Ảnh hưởng RHmin khứ đến RHmin dự báo, ta xác định ngày có hệ số phụ thuộc lớn là: d-1, d-4, d-6 d-13, loại ngày d-56 xa ngày dự báo Tiếp tục khảo sát phụ thuộc RHmin vào số liệu RHmax, Tmax, Tmin, Winmax, Winmin, RainAll ShAll khứ cách làm hoàn toàn tương tự ta được: - Ảnh hưởng RHmax khứ đến RHmin dự báo bao gồm ngày d-1, d-3 d-8 Ngày d-43 d-56 xa ngày dự báo nên bỏ qua - Giá trị Tmax khứ ảnh hưởng đến RHmin dự báo gồm d-3, d-5 d-9, ngày d-28 d-60 bỏ qua xa ngày dự báo - Các giá trị Tmin khứ ảnh hưởng đến RHmin dự báo d-1, d-4, d-10, d-24 d-60 Ngày d-24 d-60 xa ngày dự báo nên bỏ qua - Ảnh hưởng tốc độ gió max (Winmax) đến RHmin d-5, d-21, d-44, d-53 d-60 Loại ngày d-21, d-44, d-53 d-60 xa ngày dự báo Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 1(60).2018 21 NGHIÊN CỨU KHOA HỌC - Ảnh hưởng tốc độ gió (Winmin) đến RHmin - Số nắng ngày (ShAll) ảnh hưởng đến d-1, d-11, d-22, d-42 d-60 Loại ngày d-22, RHmin d-4, d-20, d-40, d-55 d-60 Loại d-42 d-60 xa ngày dự báo ngày d-20, d-40, d-55 d-60 xa ngày dự báo - Lượng mưa trung bình ngày (RainAll) đến RHmin - Tổng hợp lại ta có mơ hình lựa chọn để dự ngày d-1, d-3, d-31, d-46 d-56 Loại ngày báo giá trị RHmin ngày thứ d gồm 19 số liệu d-31, d-46 d-60 xa ngày dự báo khứ: RH (d ) = 0, 640 × RH (d - 1) + 0, 087 × RH (d - 4) + 0, 093 × RH (d - 6) + + 0, 088 × RH (d - 13) + 0, 705 × RH max (d - 1) + 0, 204 × RH max (d - 3) + + 0,195 × RH max (d - 8) + 0, 740 × Tmax (d - 3) + 0, 520 × Tmax (d - 5) + + 0, 629 × Tmax (d - 9) + 1, 643 × Tmin (d - 1) + 0, 700 × Tmin (d - 4) + + 0, 403 × Tmin (d - 10) + 4,121 × Winmax (d - 5) + 11, 315 × Winmin (d - 1) + + 10, 680 × Winmin (d - 11) + 1,159 × RainAll(d - 1) + + 1, 001 × RainAll(d - 3) + 2, 772 × RainAll(d - 4) Kiểm tra chất lượng mơ hình sử dụng 710 ngày số liệu cuối tập số liệu 2191 ngày Bảng kết sai số khai triển thành phần tuyến tính ước lượng RHmax, kết tính tốn sai số trung bình tuyệt đối ước lượng RHmin nhỏ, sai số trung bình tuyệt đối kiểm tra MAE(Etest) = 8,23%, so với mơ hình ước lượng thơng số mơi trường RHmax mơ hình ước lượng RHmin sai số lớn Hình biểu diễn đáp ứng số liệu gốc, kết ước lượng RHmin phương pháp khai triển thành phần tuyến tính (8) 3.2 Kết ước lượng thành phần phi tuyến 3.2.1 Ước lượng phi tuyến RHmax Khi thực khai triển thành phần tuyến tính, ước lượng RHmax phần 3.1.1a cho kết có 22 thơng số môi trường khứ ảnh hưởng tới ngày dự báo Phần chênh lệch xác định theo công thức 6, hình sai số lại sau ước lượng thành phần tuyến tính số liệu đầu vào cho mơ hình ước lượng thành phần phi tuyến Bảng Kết sai số khai triển thành phần tuyến tính ước lượng RHmin Quá trình Học Kiểm tra MAE 8,15 8,23 MRE 12,63 12,39 MaxAE 18,17 17,07 STD 6,07 6,08 Sai số Hình Các sai số lại RHmax mơ hình tuyến tính trở thành đầu vào mơ hình phi tuyến Hình Đồ thị sai số học sai số kiểm tra khai triển thành phần tuyến tính để ước lượng RHmin Bảng kết sai số ước lượng thành phần phi tuyến RHmax cho kết sai số trung bình tuyệt đối tốt ( MAE ( Etest _ Hybrid -SVM ) = 3, 35%) Hình đồ thị biểu diễn sai số học sai số kiểm tra kết ước lượng thành phần phi tuyến với RHmax mơ hình lai 22 Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 1(60).2018 LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA Bảng Kết sai số ước lượng thành phần phi tuyến RHmax Mạng ước lượng MLP MLR RBF BRTree Elman SVM Hybrid-MLP Hybrid-MLR Hybrid-RBF Hybrid-BRTree Hybrid-Elman Hybrid-SVM Sai số học Sai số kiểm tra MAE MRE (%) MaxAE SD MAE MRE (%) MaxAE SD 3,05 3,70 3,36 1,88 3,06 3,26 2,97 3,70 3,10 1,84 2,99 3,53 4,30 3,91 2,13 3,54 3,81 3,44 4,30 3,58 2,12 3,44 30,47 40,59 35,53 21,62 33,10 37,83 25,80 40,59 31,84 30,59 25,39 3,03 3,89 3,39 2,04 3,00 3,47 3,02 3,89 3,04 2,17 2,94 3,88 3,47 3,56 5,00 3,62 3,35 3,48 3,47 3,82 4,02 3,62 4,35 3,92 4,00 5,60 4,09 3,79 3,91 3,92 4,28 4,51 4,06 28,93 29,79 23,03 36,79 32,14 25,40 27,13 29,79 22,45 33,07 24,63 3,86 3,58 3,47 5,18 3,83 3,41 3,61 3,58 3,71 4,69 3,47 3,23 3,77 37,48 3,42 3,35 3,79 25,54 3,43 Hình Sai số học sai số kiểm tra kết ước lượng thành phần phi tuyến với RHmax mô hình lai 3.2.2 Ước lượng phi tuyến RHmin Tương tự ước lượng thành phần phi tuyến với RHmax, ta có 19 thơng số mơi trường q khứ ảnh hưởng tới giá trị RHmin ngày dự báo Phần chênh lệch lại sau ước lượng thành phần tuyến tính số liệu đầu vào cho mơ hình ước lượng thành phần phi tuyến xác định theo công thức (6) biểu diễn hình Hình Các sai số lại RHmin mơ hình tuyến tính trở thành đầu vào mơ hình phi tuyến Bảng kết sai số ước lượng thành phần phi tuyến RHmin sử dụng mạng SVM mơ hình lai Kết sai số cho thấy sai số trung bình tuyệt đối tốt (MAE(Etest)=4,23%) Hình đồ thị biểu diễn sai số học sai số kiểm tra kết ước lượng thành phần phi tuyến với RHmin mô hình lai Bảng Kết sai số ước lượng thành phần phi tuyến RHmin Sai số học Sai số kiểm tra Mạng ước lượng MAE MRE (%) MaxAE SD MAE MRE (%) MaxAE SD MLP MLR RBF BRTree Elman SVM Hybrid-MLP Hybrid-MLR Hybrid-RBF Hybrid-BRTree Hybrid-Elman Hybrid-SVM 7,62 8,15 8,02 5,93 7,37 7,79 7,85 8,14 8,14 4,39 5,30 3,43 11,75 12,89 12,41 7,73 11,35 12,05 12,15 12,63 12,63 6,70 8,11 8,42 31,154 38,85 35,57 26,07 38,55 37,17 33,48 38,17 38,07 24,56 27,13 15,45 5,73 6,08 5,97 3,87 5,61 5,84 5,83 6,08 6,07 3,41 4,32 5,92 8,46 8,56 8,33 11,18 8,64 8,37 8,38 8,24 8,23 11,03 10,31 4,23 12,74 13,01 12,49 17,90 12,93 12,57 12,68 12,40 12,38 16,65 15,51 9,40 34,61 37,67 37,74 48,05 35,37 39,63 35,90 37,07 36,52 47,40 42,02 17,06 6,30 6,28 6,11 8,75 6,47 6,06 6,06 6,08 6,06 8,46 7,66 6,05 Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 1(60).2018 23 NGHIÊN CỨU KHOA HỌC [2] Nguyễn Quân Nhu (2009) Nghiên cứu ứng dụng mạng nơron logic mờ cho toán dự báo phụ tải điện ngăn hạn Luận án tiến sĩ [3] Đỗ Văn Đỉnh, Đinh Văn Nhượng Trần Hồi Linh (2015) Ứng dụng mơ hình hỗn hợp ước lượng giá trị lớn nhỏ nhiệt độ mơi trường ngày, Tạp chí Khoa học Công nghệ - Đại học Đà Nẵng, số 11(96), 2, trang 35-39 [4] V Vapnil (1995) Support-Vector Networks Machine Learning, 20, 273-297 Hình Sai số học sai số kiểm tra kết ước lượng thành phần phi tuyến với RHmin mơ hình lai KẾT LUẬN Khi ước lượng toán phi tuyến, để giảm bớt mức độ phức tạp giải pháp, mơ hình hỗn hợp tách riêng thành phần tuyến tính thành phần phi tuyến để xử lý Thành phần tuyến tính xác định thơng qua việc sử dụng khai triển theo giá trị kỳ dị (SVD) Thuật toán cho phép xác định hàm quan hệ tuyến tính độ ẩm lớn (hoặc thấp nhất) ngày ngày trước từ hệ phương trình ước lượng xấp xỉ viết dạng ma trận có số hàng nhiều số cột Thành phần phi tuyến xác định thông qua việc sử dụng mơ hình mạng nơron khác nhau; Qua thực nghiệm cho thấy sai số học sai số kiểm tra dự báo độ ẩm lớn (RHmax) thấp (RHmin), kết thu tốt sử dụng mạng SVM Vì vậy, ta thấy ứng dụng mạng SVM mơ hình hỗn hợp cho tốn dự báo số thơng số thời tiết phù hợp, sai số học sai số kiểm tra mức trung bình, đặc biệt sai số kiểm tra có giá trị tương đối ổn định; Kết sai số trung bình tuyệt đối dự báo 3,35% (độ ẩm lớn nhất), 4,23% (độ ẩm nhỏ nhất) TÀI LIỆU THAM KHẢO [1] Trần Hoài Linh (2009) Mạng nơron ứng dụng xử lý tín hiệu NXB Bách khoa [5] Parag P Kadu et al Temperature Prediction System Using Back propagation Neural Network an Approch International Journal of Computer Science & Communication Networks, Vol 2(1), pp 61-64 [6] Mohsen Hayati and Zahra Mohebi (2007) Temperature forecating based on neural network approach World Applied Sciences Journal 2(6), pp 613-620 [7] H Wang and D Hu (2005) Comparison of SVM and ls-SVM for regression, in Neural Networks and Brain ICNN&B’05 International Conference on, vol IEEE, pp 279-283 [8] Y.Radhika and M.Shashi (2009) Atmospheric Temperature Prediction using Support Vector Machines International Journal of Computer Theory and Engineering, Vol 1, No 1, April 2009, pp 55-58 [9] Ani Shabri Least Square Support Vector Machines as an Alternative Method in Seasonal Time Series Forecasting, Applied Mathematical Sciences, Vol 9, 2015, no 124, pp 6207 - 6216 [10] T Joachims (1998) Making large-Scale Support Vector Machine Learning Practical, in Advances in Kernel Methods - Support Vector Learning B Schölkopf and C Burges and A Smola (ed.), MITPress, Cambridge, MA [11] D.E Rumelhart; G.E Hinton and R.J Williams (1986) Learning internal representations by error propagation, Rumelhart, D.E et al (eds.) Parallel distributed processing: Explorations in the microstructure of cognition (Cambridge MA.: MIT Press), 318-362 [12] R.A Fisher (1936) The Use of Multiple Measurements in Taxonomic Problems Annals of Eugenics, No 7, pp 179-188 [13] Dinh Do Van, Nhuong Dinh Van, Hoai Linh Tran (2016) Applications of SVM networks in hybrid model for environment parameters estimation The 4th IEEE International Conference on Sustainable Energy Technologies (ICSET) November 14-16, Hanoi, Viet Nam, pp 190-195 24 Tạp chí Nghiên cứu khoa học - Đại học Sao Đỏ, ISSN 1859-4190 Số 1(60).2018 ... mơ hình ANN kiểm chứng [7-10,13] Mặt khác, báo đề xuất ứng dụng mạng nơron SVM mơ hình lai [2] để dự báo độ ẩm khơng khí, kết nghiên cứu thực nghiệm cho thấy ứng dụng mạng SVM mơ hình lai dự báo. .. A ngày d Cấu trúc mơ hình dự báo độ ẩm lớn nhất, nhỏ ngày dựa vào số liệu đo khứ hình Hình Sơ đồ cấu trúc mơ hình dự báo thơng số khí tượng 2.2 Các thuật tốn xây dựng mơ hình dự báo 2.2.1 Mơ hình. .. dự báo độ ẩm khơng khí cho kết khả quan so với mơ hình mạng nơron khác (như mạng RBF, MLP, MLR, Elman, BRtree,…) ỨNG DỤNG MẠNG SVM TRONG MƠ HÌNH LAI DỰ BÁO ĐỘ ẨM MƠI TRƯỜNG Bài toán dự báo trường