Nghiên cứu, xây dựng phần mềm dự báo dòng chảy dựa trên các phương pháp học máy tiên tiế

B NễNG NGHIP V PHT TRIN NễNG THễN TRường đại häc thđy lỵi THUYẾT MINH ĐỀ TÀI NGHIÊN CỨU KHOA HỌC VÀ PHÁT TRIỂN CÔNG NGHỆ Tên đề tài: Nghiên cứu, xây dựng phần mềm dự báo dòng chảy dựa phương pháp học máy tiên tiến Chủ nhiệm đề tài: ThS Phạm Thị Hoàng Nhung HÀ NỘI - 2009 B1-2-TMKHCN THUYẾT MINH ĐỀ TÀI NGHIÊN CỨU KHOA HỌC VÀ PHÁT TRIỂN CÔNG NGHỆ1 I THÔNG TIN CHUNG VỀ ĐỀ TÀI Tên đề tài Mã số Nghiên cứu, xây dựng phần mềm dự báo dòng chảy dựa phương pháp học máy tiên tiến Thời gian thực hiện: 12 tháng (Từ tháng 1/2010 đến tháng 12/2010) Cấp quản lý Nhà nước Bộ Tỉnh Cơ sở Kinh phí 90 triệu đồng, đó: Tổng số (triệu đồng) Nguồn - Từ Ngân sách nghiệp khoa học 90 - Từ nguồn tự có quan - Từ nguồn khác Thuộc Chương trình (ghi rõ tên chương trình, có) Thuộc Dự án KH&CN (ghi rõ tên dự án KH&CN, có) Đề tài độc lập Lĩnh vực khoa học Tự nhiên; Kỹ thuật (Công nghiệp, XD, GT, ); Nông, lâm, ngư nghiệp; Y dược Chủ nhiệm đề tài Họ tên: Năm sinh: Nam/Nữ: Phạm Thị Hoàng Nhung 1979 Nữ Mẫu Thuyết minh dùng cho đề tài nghiên cứu ứng dụng triển khai thực nghiệm thuộc lĩnh vực khoa học nêu mục 7, trang Thuyết minh Thuyết minh trình bày in khổ giấy A4 Theo Quy định tạm thời việc xây dựng quản lý dự án khoa học công nghệ (Quyết định số 11/2005/QĐ-BKHCN ngày 25/8/2005 Bộ trưởng Bộ KH&CN) Học hàm: Học vị: Thạc sỹ Năm phong học hàm: Năm đạt học vị: 2007 Chức danh khoa học: ThS, GV Chức vụ: Điện thoại: Cơ quan: 04 35637021 Nhà riêng: 04.36414138 Mobile: 0988.133.655 Fax: E-mail: phamhoangnhung@wru.edu.vn Tên quan công tác: Khoa CNTT, Trường Đại học Thủy Lợi Địa quan: 175 Tây Sơn, Đống Đa, Hà Nội Địa nhà riêng: P1102, OCT2, ĐN1, Bắc Linh Đàm- Hà Nội Cơ quan chủ trì đề tài Tên quan chủ trì đề tài: Trường Đại học Thủy Lợi Điện thoại: 04.38522201 Fax: 04.35633315 E-mail: Website: http://www.wru.edu.vn Địa chỉ: 175 Tây Sơn, Đống Đa, Hà Nội Họ tên thủ trưởng quan: Nguyễn Quang Kim Số tài khoản: Ngân hàng: Tên quan chủ quản đề tài: Bộ NN & PTNT, Vụ KHCN II NỘI DUNG KHOA HỌC VÀ CÔNG NGHỆ CỦA ĐỀ TÀI 10 Mục tiêu đề tài (bám sát cụ thể hoá mục tiêu đặt hàng - có đặt hàng) - Nghiên cứu phương pháp học máy tiên tiến, so sánh, đánh giá để tìm phương pháp phù hợp giải toán dự báo dòng chảy - Xây dựng phần mềm dự báo 11 Tổng quan tình hình nghiên cứu luận giải cần thiết phải nghiên cứu đề tài (Trên sở đánh giá tổng quan tình hình nghiên cứu ngồi nước, phân tích cơng trình nghiên cứu có liên quan đến đề tài, kết nghiên cứu lĩnh vực nghiên cứu đề tài, đánh giá khác biệt trình độ KH&CN nước giới, nêu giải rồi, cịn tồn tại, hạn chế cụ thể, từ nêu hướng giải - luận giải, cụ thể hố tính cấp thiết đề tài vấn đề KH&CN mà đề tài đặt nghiên cứu) 11.1 Tình trạng đề tài Mới Kế tiếp (tiếp tục hướng nghiên cứu nhóm tác giả) 11.2 Đánh giá tổng quan tình hình nghiên cứu thuộc lĩnh vực đề tài Ngồi nước (phân tích, đánh giá cơng trình nghiên cứu có liên quan đến đề tài, kết nghiên cứu lĩnh vực nghiên cứu đề tài; nêu khác biệt trình độ KH&CN nước giới): Hiện nay, có nhiều phương pháp dự báo dòng chảy đưa dựa mơ hình vật lý toán học Trong nhiều trường hợp, kết dự báo theo mơ hình nói đạt số thành công đáng ghi nhận Tuy nhiên, vấn đề tìm kiếm phương pháp đủ tốt để giải toán dự báo nội dung nghiên cứu thời Trong năm gần việc nghiên cứu, sử dụng phương pháp học máy tiên tiến như: mạng nơron nhân tạo (Artificial Neural Network - ANN), giải thuật di truyền (Genetic Algorithm - GA), tốn dự báo chuỗi thời gian nói chung dự báo dịng chảy nói riêng [5-7,12-14, 19] hướng tiếp cận quan tâm đặc biệt số nhóm nghiên cứu giới Đây coi công cụ mạnh để giải tốn có tính phi tuyến, phức tạp đặc biệt trường hợp mà mối quan hệ q trình khơng dễ thiết lập cách tường minh Demetris F Lekkas [12] cung cấp khung nhìn phương pháp luận phương pháp dự báo dòng chảy Ibrahim Can cộng [5] Cristiane Medina Finzi Quintao cộng [19] công bố số kết nghiên cứu cập nhật dự báo dịng chảy số dịng sơng Thổ Nhĩ Kỳ Brazin Đặc biệt, cơng trình cung cấp cách thức đánh giá kết thực nghiệm phương pháp dự báo thủy văn đề cập Các cơng trình nghiên cứu khác mạng nơ-ron nhân tạo, giải thuật di truyền kết hợp chúng khẳng định hướng nghiên cứu giải tốn dự báo nói chung có dự báo dịng chảy Trong nước: (Phân tích, đánh giá tình hình nghiên cứu nước thuộc lĩnh vực nghiên cứu đề tài, đặc biệt phải nêu cụ thể kết KH&CN liên quan đến đề tài mà cán tham gia đề tài thực hiện; có đề tài chất thực đăng ký nghiên cứu cấp khác, nơi khác nhóm nghiên cứu phải giải trình rõ nội dung kỹ thuật liên quan đến đề tài này; phát có đề tài tiến hành mà đề tài phối hợp nghiên cứu cần ghi cụ thể Tên đề tài, tên Chủ nhiệm đề tài Cơ quan chủ trì đề tài đó) Tác giả Lê Xuân Cầu Nguyễn Văn Chương [1] sử dụng mạng thần kinh nhân tạo để xây dựng dự báo lũ sông Cầu, sông Trà Khúc sông Vệ đạt kết khả quan Năm 2003, GS Huỳnh Ngọc Phiên (Viện Công nghệ châu Á – AIT) [2] ứng dụng mạng nơ ron nhân tạo để dự báo mực nước trạm Tạ Bú sông Đà, Yên Bái sông Thao Gềnh Gà sông Lô với thời gian dự báo 6h cho kết tốt, nhiên thời gian dự báo tăng lên 18h hiệu mơ hình giảm 11.3 Liệt kê danh mục cơng trình nghiên cứu có liên quan đến đề tài nêu phần tổng quan (tên cơng trình, tác giả, nơi năm cơng bố - ghi cơng trình tác giả thật tâm đắc trích dẫn để luận giải cho cần thiết nghiên cứu đề tài) [1] Lê Xuân Cầu, Nguyễn Văn Chương (2000), Dự báo lũ sông Cầu, sông Trà Khúc sông Vệ mạng thần kinh nhân tạo, Hội nghị khoa học công nghệ dự báo khí tượng thủy văn, 202-210 [2] Huynh Ngoc Phien and Nguyen Duc Anh Kha (2003), Flood forecasting for the upper reach of the Red river basin, North Vietnam, Water SA, vol 29, no3, p.267-272 [3] Viện Khí tượng Thủy văn Danh sách đề tài, dự án nghiên cứu khoa học công nghệ http://www.imh.ac.vn/c_tt_chuyen_nganh/ce_detai_duan/ [4] Thomas Back (1996), Evolutionary Algorithm in Theory and Practice, Oxford University Press [5] Ibrahim Can, Cahit Yerdelen, Ercan Kahya1 (2007), Stochastic modeling of Karasu River (Turkey) using the methods of Artificial Neural Networks, Proceeding of the AGU Hydrology Days 2007, March 19 - March 21, 2007, Colorado State University, Fort Collins, Colorado, USA, 138-144 [6] Paulin Coulibaly, Francois Anctil, and Bernard Bobee (2001), Multivariate Reservoir Inflow Forecasting Using Temporal Neural Networks, Journal of Hydrologic Engineering, 6(5), 367-376 [7] Oscar R Dolling, Eduardo A Varas (2002), Artificial neural networks for stream flow prediction, Journal of Hydraaulic research, 40(5), 547-554 [8] D.E Goldberg (1989), Genetic Algorithm in Search, Optimization and Machine Learning, Addison Wesley, Reading, MA [9] J Hertz, A Krogh, and R.G Palmer (1991), Introduction to the Theory of Neural Computation, New York: Addison-Wesley [10] Ismail Kilinş, Kerem Ciğizouğlu (2005), Reservoir Management Using Artificial Neural Networks, 14th Reg Directorate of DSI (State Hydraulic Works), Istanbul, Turkey [11] Steve Lawrence and C Lee Giles (2000), Overfitting and Neural Networks: Conjugate Gradient and Backpropagation, International Joint onference on Neural Networks, Como, Italy, July 24–27, 114–119, 2000 [12] D.R Legates, G.J McCabe Jr (1998), Evaluating the Use of "Goodness-of-Fit" Measures in Hydrologic and Hydroclimatic Model Validation; Water Resour Res 1998WR900018, 35(1): 233 [13] Demetris F Lekkas (2002), Development and Comparison of Data-Based Flow Forecasting Methods, PhD Thesis, Department of Civil and Environmental Engineering, Imperial College of Science, Technology and Medicine, London [14] Lekkas D.F., Onof C (2005), Improved flow forecasting using artificial neural networks, 9th International Conference on Environmental and Technology, Rhodes Island, Greece, 1-3 September 2005, 877-884 [15] Chin-Teng Lin, C.S George Lee (1996), Neural fuzzy systems: a neuro-fuzzy synergism to intelligent systems, Prentice-Hall Inc [16] D Montana and L Davis (1989), Training feedforward neural networks using genetic algorithms, In Proceedings of the Eleventh International Joint Conference on Artificial Intelligence, 762-767, Morgan Kaufmann, San Mateo, CA [17] Nelson, M.C and Illingworth, W.T (1991), A Practical Guide to Neural Nets, Reading, MA: Addison-Wesley [18] L.Wessels, E.Barnard (1992), Avoiding False Local Minima by Proper Initialization of Connections, IEEE Trans on Neural Networks [19] Cristiane Medina Finzi Quintao, Walmir Matos Caminhas, Selenio Rocha Silva, Bruno Rabelo Versiani (2004), Neo Fuzzy Neuron and its applications to Prediction flood and wind in Brazil, Workshop on Modelling and Control for Participatory Planning and Managing Water Systems, September 29-October 1, 2004 (Poster), Venice, Italia 11.4 Phân tích, đánh giá cụ thể vấn đề KH&CN tồn tại, hạn chế sản phẩm, công nghệ nghiên cứu nước yếu tố, nội dung cần đặt nghiên cứu, giải đề tài (nêu rõ, thành cơng đạt vần đề gì) Tại Việt Nam có số nghiên cứu thử nghiệm thành công dự báo dòng chảy sử dụng mạng nơron nhân tạo Tuy nhiên tác giả sử dụng mạng nơ ron nhân tạo công cụ để thực nghiên cứu, chưa có thay đổi chất mạng giúp chúng thực thi hiệu Ví dụ tác giả thường sử dụng mạng nơ ron nhiều lớp truyền thẳng (Multilayer Perceptron) với thuật toán học lan truyền ngược sai số (error back propagation) Đây phương pháp học mạng nơ-ron nhân tạo, cho phép điều chỉnh trọng số mạng để tối thiểu hoá hàm sai số Giải thuật hoạt động dựa chế giảm gradient, với hàm đơn giản có cực trị phương pháp giảm gradient đưa ta đến cực trị toàn cục Tuy nhiên, biết hàm sai số mạng nơ-ron nhiều lớp hàm có bề mặt phức tạp với nhiều cực trị địa phương, phương pháp khơng thể đảm bảo cho ta tìm thấy cực trị toàn cục bề mặt hàm giá Chính vậy, để cải thiện giải thuật, người ta thường tìm cách thay đổi số học thêm vào thành phần qn tính phép vượt qua cực trị địa phương trình tìm kiếm Việc lựa chọn số học số quán tính vấn đề khó khăn, chúng q lớn đơi dẫn đến tình trạng khơng ổn định q trình tìm kiếm, cịn chọn q nhỏ lại dẫn đến tốc độ học chậm khả vượt qua cực trị địa phương thấp Quá trình tìm kiếm hàm chứng minh toán NP đầy đủ nghĩa ta sử dụng giải pháp tổng quát có độ phức tạp đa thức để đạt đến kết Đề tài sâu vào nghiên cứu chất mạng nơ ron nhân tạo, cải tiến thuật toán học giúp việc áp dụng chúng vào tốn dự báo dịng chảy hiệu Ngồi ra, cơng trình nghiên cứu nước thường sử dụng phần mềm nước ngồi, ví dụ WinNN Việc sử dụng phần mềm nước ngồi có số nhược điểm như: thiếu linh động, khơng thể thay đổi thêm thuật tốn Ngồi ra, cịn phải trả tiền quyền sử dụng 12 Cách tiếp cận (Luận rõ việc lựa chọn cách tiếp cận phù hợp đối tượng nghiên cứu để đạt mục tiêu đặt ra) Tiếp cận số giải pháp có Phân tích ưu nhược điểm phương pháp Tham khảo tài liệu giải pháp giới Tập hợp tranh thủ góp ý cá nhân, tổ chức lĩnh vực thuỷ văn công nghệ thông tin Nội dung nghiên cứu ứng dụng triển khai thực nghiệm (Liệt kê mô tả nội dung nghiên cứu ứng dụng triển khai thực nghiệm cần tiến hành để đạt mục tiêu đặt ra, đó, rõ nội dung mới, nội dung quan trọng để tạo sản phẩm, công nghệ chủ yếu; hoạt động để chuyển giao kết nghiên cứu đến người sử dụng; dự kiến nội dung có tính rủi ro giải pháp khắc phục - có) 13 Nội dung 1: Thu thập tài liệu - Báo cáo thu thập số liệu đo đạc thủy văn số trạm đo lưu vực sông Đà Nội dung 2: Tài liệu nghiên cứu công nghệ liên quan - Tài liệu mạng nơ ron nhân tạo Tài liệu giải thuật di truyền Nội dung 3: Tài liệu phương pháp đề xuất - Tài liệu nghiên cứu việc kết hợp giải thuật di truyền giải thuật lan truyền ngược sai số để luyện mạng nơ ron nhân tạo Nội dung 4: Xây dựng phần mềm - Xây dựng môđun mạng nơ ron nhân tạo với giải thuật lan truyền ngược sai số Xây dựng môđun giải thuật di truyền Xây dựng môđun kết hợp giải thuật di truyền với giải thuật lan truyền ngược sai số Nội dung 5: Thử nghiệm - Tài liệu việc sử dụng phương pháp đề xuất dự báo dòng chảy Nội dung 6: Viết tài liệu hướng dẫn sử dụng - Viết tài liệu hướng dẫn sử dụng Nội dung 7: Tổng kết báo cáo đề tài Phương pháp nghiên cứu, kỹ thuật sử dụng 14 (Luận rõ việc lựa chọn phương pháp nghiên cứu, kỹ thuật sử dụng phù hợp với nội dung đề tài; làm rõ tính mới, sáng tạo, độc đáo phương pháp nghiên cứu kỹ thuật sử dụng) Phương pháp nghiên cứu: - Sử dụng kỹ thuật ngành Khoa học máy tính trí tuệ nhân tạo, tính tốn thơng minh - Dựa vào tài liệu, kết thử nghiệm để đề xuất xây dựng phần mềm phù hợp Kĩ thuật sử dụng: - Mạng nơ ron nhân tạo - Giải thuật di truyền - Kỹ thuật lập trình Windows 15 Hợp tác quốc tế Đã hợp tác Tên đối tác (Người tổ chức khoa học công nghệ) Nội dung hợp tác (Ghi rõ nội dung, lý do, hình thức hợp tác, kết thực hỗ trợ cho đề tài này) 10 Dự kiến hợp tác Tên đối tác (Người tổ chức khoa học công nghệ) Nội dung hợp tác (Ghi rõ nội dung cần hợp tác; lý hợp tác; hình thức thực hiện; dự kiến kết hợp tác đáp ứng yêu cầu đề tài) 16 Tiến độ thực (phù hợp với nội dung nêu mục 13) Các nội dung, công việc chủ yếu cần thực (các mốc đánh giá chủ yếu) Sản phẩm phải đạt Thời gian (bắt đầu, kết thúc) Người, quan thực Thu thập tài liệu - Báo cáo thu thập số liệu đo T1/2010 đạc thủy văn số trạm đến đo lưu vực sông Đà T2/2010 Khoa CNTT Nghiên cứu công nghệ liên quan - Tài liệu mạng nơ ron nhân T3/2010 tạo đến - Tài liệu giải thuật di truyền T4/2010 Khoa CNTT Nghiên cứu giải pháp đề xuất cho việc luyện mạng nơ ron nhân tạo - Tài liệu nghiên cứu việc kết T5/2010 hợp giải thuật di truyền giải đến thuật lan truyền ngược sai số để T6/2010 luyện mạng nơ ron nhân tạo Khoa CNTT Xây dựng phần mềm - Phần mềm có khả xây mô T7/2010 mạng nơ ron nhân tạo đến với giải thuật học: lan T10/2010 truyền ngược sai số, giải thuật di truyền giải thuật đề xuất Khoa CNTT Thử nghiệm - Thử nghiệm phần mềm T10/2010 việc dự báo dòng chảy lưu đến vực sông Đà Đánh giá, so sánh T11/2010 tiêu dự báo Khoa CNTT Viết tài liệu sử dụng - Giúp người sử dụng dễ T11/2010 dàng cài đặt, vận hành, khai thác phần mềm cách hiệu Khoa CNTT Tổng kết báo cáo đề tài T12/2010 11 Khoa { } sắc thể), P (t ) = x1t , x2t , , xnt Mỗi lời giải xit lượng giá để biết độ “thích nghi” Sau lần lặp thứ t+1, quần thể hình thành cách chọn giữ lại cá thể thích nghi Một số cá thể quần thể trải qua biến đổi nhờ lai tạo (phép lai) đột biến (phép đột biến), hình thành nên lời giải Phép lai kết hợp tính chất hai nhiễm sắc thể ‘cha’ ‘mẹ’ để tạo nhiễm sắc thể ‘con’ cách hoán vị đoạn gen tương ứng cha mẹ Ví dụ: cha mẹ biểu diễn vectơ chiều (a ,b ,c ,d ,e ) (a ,b ,c ,d ,e ), lai tạo, hốn vị vị trí thứ sinh nhiễm sắc thể (a ,b ,c ,d ,e ) (a ,b ,c ,d ,e ) Phép lai cho phép trao đổi thông tin lời giải Khác với phép lai, phép đột biến thay đổi cách ngẫu nhiên hay nhiều gen nhiễm sắc thể chọn, thay đổi thực với xác suất thể tốc độ đột biến Phép đột biến cho phép đưa thêm thông tin vào quần thể làm cho chất liệu di truyền phong phú thêm Sau tìm hiểu giải thuật di truyền đơn giản 2.1.3 Giải thuật di truyền đơn giản a Cấu trúc giải thuật di truyền đơn giản Trong giải thuật di truyền đơn giản, hệ gen cá thể biểu diễn thành chuỗi nhị phân gồm giá trị Mỗi thành phần chuỗi số gọi allele (gen tương ứng) Giải thuật di truyền đơn giản bao gồm toán tử sau: - Tái tạo (Reproduction) - Lai ghép (Crossover) - Đột biến (Mutation) Xét ví dụ tốn hộp đen sau: Cho hộp đen với dãy công tắc đầu vào Một tổ hợp trạng thái cơng tắc ứng với tín hiệu (output) hàm f, biểu diễn theo toán học f(s), s tổ hợp trạng thái cụ thể công tắc Mục tiêu tốn phải đặt cơng tắc để đặt giá trị tối đa có hàm f Với phương pháp khác tốn tối ưu, làm việc trực tiếp với thông số (việc đặt công tắc) bật tắt công tắc từ trạng thái sang trạng thái khác cách dùng quy tắc chuyển đổi theo phương pháp chuyên biệt Với giải thuật di truyền đơn giản, ta mã hố dãy cơng tắc thành chuỗi có chiều dài xác định Cách mã hoá tự nhiên: dùng chuỗi dài kí tự gồm giá trị 1, với quy ước ‘0’ = tắt, ‘1’ = mở Ví dụ: chuỗi 11101 nghĩa cơng tắc thứ tắt, cơng tắc cịn lại mở Với giải thuật di truyền đơn giản, ta không cần biết nguyên tắc làm việc hộp đen Giải thuật di truyền đơn giản bắt đầu với quần thể chuỗi sau phát sinh thành cơng quần thể chuỗi khác Với toán hộp đen, bắt đầu ngẫu nhiên cách tung đồng tiền (ngửa = ‘1’, sấp= ‘0’) sản sinh quần thể ban đầu có kích thước n=4 sau: 01101 11000 01000 23 10011 Tiếp theo, tác động toán tử di truyền, quần thể tiến hố đời quần thể có độ thích nghi cao Tái tạo: Tái tạo q trình chuỗi biểu diễn cá thể chép lại tuỳ theo giá trị hàm mục tiêu f (hàm thích nghi) Tốn tử xem trình chọn lọc tự nhiên Hàm mục tiêu f(i) gán cho cá thể quần thể Việc chép lại chuỗi tuỳ theo giá trị thích nghi chúng có nghĩa là: Những chuỗi có giá trị thích nghi cao có nhiều hội đóng góp chuỗi cho hệ Thao tác sinh sản hay gọi thao tác chọn cha mẹ điều khiển cách quay bánh xe roulette, chuỗi quần thể chiếm khe có kích thước tỉ lệ với độ thích nghi (fitness) bánh xe Giả sử chuỗi quần thể ban đầu khởi tạo tốn hộp đen có giá trị hàm thích nghi bảng sau Lấy tổng độ thích nghi chuỗi, 1170 Ta tính tỉ lệ % độ thích nghi chuỗi quần thể: Bảng 2.1 Các chuỗi tốn mẫu giá trị thích nghi STT Chuỗi 01101 11000 01000 10001 Tổng cộng Độ thích nghi 169 576 64 361 1170 Tỉ lệ (%) 14.4 49.2 5.5 30.9 100.0 Bánh xe rollete đánh trọng số phù hợp cho tái tạo hệ thể hình sau: Hình 2.1 Sự sinh sản đơn giản phân bố chuỗi cháu nhờ sử dụng bánh xe roulette với khe hở tỷ lệ với độ thích nghi Với toán hộp đen, để sinh sản cần quay bánh xe roulette lần tốn này, chuỗi có giá trị thích nghi 169, đại diện cho 14.4% bánh xe roulette, lần quay xác suất chọn chuỗi 0.144 Tương tự với chuỗi lại Mỗi yêu cầu hệ khác, vòng quay đơn giản bánh xe đánh trọng số chọn ứng cử viên để sinh sản Bằng cách này, chuỗi thích nghi có số lượng cháu lớn hệ 24 Lai ghép: Mỗi chuỗi chọn để sinh sản, xác chuỗi tạo Các đưa vào bể ghép đơi (matingpool) Tốn tử lai ghép đơn giản tiến hành theo hai bước: Bước 1: Các thành viên chuỗi đơn giản bể ghép ghép đôi với cách ngẫu nhiên Bước 2: Mỗi cặp chuỗi trải qua việc ghép chéo sau: Một số nguyên vị trí k dọc theo chuỗi lựa chọn qua giá trị ngẫu nhiên nằm khoảng từ đến chiều dài chuỗi L-1 ([1, L-1]) Hai chuỗi tạo cách hoán đổi tương ứng chuỗi ký tự từ vị trí đến k từ k+1 đến L hai chuỗi cha-mẹ cho Ví dụ: xét chuỗi A A từ quần thể ban đầu: A = 0110|1 A = 1100|0 Giả sử chọn số ngẫu nhiên nằm khoảng từ đến 4, k = (như dấu ngăn cách “|”) Kết việc ghép chéo làm sinh hai chuỗi A’ A’ , dấu ’ có nghĩa chuỗi phần tử hệ A’ = 01100 A’ = 11001 Cơ chế sinh sản ghép chéo đơn giản, bao gồm việc sinh số ngẫu nhiên, chép chuỗi trao đổi chuỗi thành phần Tuy nhiên, điểm cần nhấn mạnh việc sinh sản trao đổi thơng tin có cấu trúc (dù cách ngẫu nhiên) trình ghép chéo làm cho giải thuật di truyền tăng thêm sức mạnh Đột biến: Nếu sinh sản theo độ thích nghi kết hợp với ghép chéo cho giải thuật di truyền có lực xử lý tốt hơn, đột biến đóng vai trò định thứ hai hoạt động giải thuật di truyền Sự đột biến cần thiết vì: cho dù sinh sản ghép chéo tìm kiếm hiệu tái kết hợp lại gen với nhau, chúng làm vài gen hữu ích (bít hay bít vị trí đặc biệt đó) Trong hệ thống gen nhân tạo, tốn tử đột biến chống lại mát không khơi phục Trong giải thuật di truyền đơn giản, đột biến thay đổi ngẫu nhiên không thường xuyên (với xác xuất nhỏ) trị số vị trí chuỗi Trong việc mã hóa nhị phân tốn hộp đen có nghĩa cần đổi thành ngược lại Sự đột biến hoạt động ngẫu nhiên không gian chuỗi, dùng với sinh sản ghép chéo sách bảo hiểm chống lại nguy mát gen quan trọng Ba toán tử tái tạo, lai ghép, đột biến áp dụng lặp lặp lại để tạo nhiễm sắc thể Coi hệ tương ứng với trình sinh sản tạo xong bao gồm quần thể chuỗi nhiễm sắc thể, giải thuật di truyền sinh nhiều hệ b Sơ đồ giải thuật di truyền đơn giản Giải thuật di truyền bao gồm bước sau: Khởi tạo quần thể ban đầu chuỗi nhiễm sắc thể Xác định giá trị hàm mục tiêu cho chuỗi nhiễm sắc thể 25 Tạo chuỗi nhiễm sắc thể sinh sản từ chuỗi nhiễm sắc thể tại, có tính đến ghép chéo đột biến xảy (nếu có) Xác định hàm mục tiêu cho chuỗi nhiễm sắc thể đưa vào quần thể Nếu điều kiện dừng thỏa mãn dừng lại trả chuỗi nhiễm sắc thể tốt với giá trị hàm mục tiêu nó, khơng quay bước Lưu đồ thuật toán: Tạo quần thể ban đầu chuỗi nhiễm sắc thể Xác định giá trị hàm mục tiêu chuỗi nhiễm sắc thể Tạo chuỗi nhiễm sắc thể cách sinh sản từ chuỗi nhiễm sắc thể (Có xét đến ghép chéo đột biến xảy ra) Tính tốn giá trị mục tiêu chuỗi nhiễm sắc thể đưa vào quần thể N Kiểm tra xem điều kiện dừng thoả mãn chưa? Y Kết thúc Hình 2.2 Lưu đồ thuật toán giải thuật di truyền đơn giản 26 TÀI LIỆU THAM KHẢO [1] Ibrahim Can, Cahit Yerdelen, Ercan Kahya1 (2007), Stochastic modeling of Karasu River (Turkey) using the methods of Artificial Neural Networks, Proceeding of the AGU Hydrology Days 2007, March 19 - March 21, 2007, Colorado State University, Fort Collins, Colorado, USA, 138-144 [2] Oscar R Dolling, Eduardo A Varas (2002), Artificial neural networks for stream flow prediction, Journal of Hydraaulic research, 40(5), 547-554 [3] Ismail Kilinş, Kerem Ciğizouğlu (2005), Reservoir Management Using Artificial Neural Networks, 14th Reg Directorate of DSI (State Hydraulic Works), Istanbul, Turkey [4] Lekkas D.F., Onof C (2005), Improved flow forecasting using artificial neural networks, 9th International Conference on Environmental and Technology, Rhodes Island, Greece, 1-3 September 2005, 877-884 [5] Chin-Teng Lin, C.S George Lee (1996), Neural fuzzy systems: a neuro-fuzzy synergism to intelligent systems, Prentice-Hall Inc [6] 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 [7] Nelson, M.C and Illingworth, W.T (1991), A Practical Guide to Neural Nets, Reading, MA: Addison-Wesley [8] L.Wessels, E.Barnard (1992), Avoiding False Local Minima by Proper Initialization of Connections, IEEE Trans on Neural Networks [9] J Hertz, A Krogh, and R.G Palmer (1991), Introduction to the Theory of Neural Computation, New York: Addison-Wesley [10] Steve Lawrence and C Lee Giles (2000), Overfitting and Neural Networks: Conjugate Gradient and Backpropagation, International Joint onference on Neural Networks, Como, Italy, July 24–27, 114–119, 2000 [11] D.E Goldberg (1989), Genetic Algorithm in Search, Optimization and Machine Learning, Addison Wesley, Reading, MA [12] J Hertz, A Krogh, and R.G Palmer (1991), Introduction to the Theory of Neural Computation, New York: Addison-Wesley [13] Ismail Kilinş, Kerem Ciğizouğlu (2005), Reservoir Management Using Artificial Neural Networks, 14th Reg Directorate of DSI (State Hydraulic Works), Istanbul, Turkey [14] D Montana and L Davis (1989), Training feedforward neural networks using genetic algorithms, In Proceedings of the Eleventh International Joint Conference on Artificial Intelligence, 762-767, Morgan Kaufmann, San Mateo, CA [15] 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 27 [16] D Whitley, T Starkweather et C Bogart (1990), Genetic algorithms and neural networks: optimizing connections and connectivity, in: Parallel Computing 14, 347361, North-Holland [17] Demetris F Lekkas (2002), Development and Comparison of Data-Based Flow Forecasting Methods, PhD Thesis, Department of Civil and Environmental Engineering, Imperial College of Science, Technology and Medicine, London [18] Thomas Back (1996), Evolutionary Algorithm in Theory and Practice, Oxford University Press 28 GIỚI THIỆU Hiện có nhiều toán đặt dự báo thuỷ văn dự báo dòng chảy, dự báo mực nước, dự báo lưu lượng nước sông, dự báo lũ tượng khác sơng ngịi hồ [1-11] Cùng với phát triển dự báo thuỷ văn, dự báo lưu lượng nước đến hồ chứa (nói riêng hồ Hồ Bình) trở nên vơ quan trọng ý nghĩa thực tiễn Dự báo xác lưu lượng nước đến hồ có ý nghĩa đặc biệt quan trọng hoạch định kế hoạch đảm bảo tốt chức mà cơng trình phải thực Đối với hồ Hồ Bình, phịng lũ cho hạ du cho cơng trình, phòng tránh hạn hán ổn định lượng điện cho nước Dự báo lưu lượng chịu tác động nhiều nhân tố mưa, nhiệt độ, độ ẩm, khí hậu, địa chất thổ nhưỡng, thảm phủ thực vật hoạt động người lưu vực… Trong nhân tố đó, nhân tố địa chất, thổ nhưỡng, thảm phủ thực vật thay đổi Sự thay đổi chế độ dòng chảy, nguồn nước theo thời gian chủ yếu nhân tố khí hậu định, đặc biệt nhân tố mưa, sau tác động nguồn nước dự trữ tầng chứa nước lưu vực Thời gian dự báo cơng trình u cầu trước 1-2 ngày (dự báo ngắn hạn), 5-10 ngày (dự báo trung hạn), tháng (dự báo dài hạn)) mùa (dự báo siêu dài hạn) Hiện nay, dự báo thủy văn ngắn hạn đạt thành công đáng kể phương pháp dự báo lẫn kết dự báo Phương pháp dự báo dài hạn cho kết tin cậy vấn đề nghiên cứu nhận quan tâm đặc biệt giới Trong năm gần sử dụng mơ hình mạng nơ-ron nhân tạo (Artificial Neural Network - ANN) dự báo lưu lượng nước đến hồ chứa hướng tiếp cận quan tâm đặc biệt số nhóm nghiên cứu giới [3-6,8-11] ANN coi công cụ mạnh để giải tốn có tính phi tuyến, phức tạp đặc biệt trường hợp mà mối quan hệ q trình khơng dễ thiết lập cách tường minh Khai thác giải pháp trình bày [4,6,9,11], đề xuất phương án ứng dụng mơ hình ANN vào việc dự báo lưu lượng nước đến hồ Hồ Bình với thời gian dự báo 10 ngày Mục báo giới thiệu nội dung số cơng trình nghiên cứu liên quan Mục trình bày việc áp dụng mơ hình mạng nơ-ron dự báo thời gian mười ngày lưu lượng nước hồ Hịa Bình Chương trình phần mềm tương ứng hoạt động cho kết dự báo tốt (phương án thứ ba cho số R2 đạt tới 0.8737) Mục trình bày số bàn luận mơ hình ứng dụng hướng nghiên cứu MỘT SỐ CƠNG TRÌNH LIÊN QUAN Mạng nơ-ron nhân tạo mơ tốn học mạng nơ-ron sinh học Một mạng nơron nhân tạo xây dựng từ thành phần sở nơ-ron nhân tạo gồm nhiều http://dut.ud.edu.vn/xdtl/modules.php?name=News&file=save&sid=8 12/10/2006 Hiệu cơng trình thủy điện với cơng tác phịng chống lũ Proceeding of the AGU Hydrology Days 2007, March 19 - March 21, 2007, Colorado State University, Fort Collins, Colorado, USA http://hydrologydays.colostate.edu/Proceeding_2007.htm đầu vào đầu (hình 1) Các đầu vào tiếp nhận kích thích từ đầu nơ-ron khác từ mơi trường Mỗi nơ-ron vào có trọng số nhằm khuếch đại tín hiệu kích thích sau tất cộng lại Tín hiệu sau tiếp tục biến đổi nhờ hàm phi tuyến, thường gọi hàm kích hoạt Và cuối tín hiệu đưa đến đầu nơron để lại trở thành đầu vào nơ-ron khác trở thành tín hiệu tồn mạng x1 w1 x2 xm ∑ w2 θi wm Hình Kiến trúc nơ-ron nhân tạo Khi kết hợp nơ-ron lại với ta có mạng nơ-ron nhân tạo Tuỳ theo cách thức liên kết nơ-ron mà ta có loại mạng khác như: mạng truyền thẳng (Hình 2), mạng phản hồi,… Ta xem mạng nơ-ron nhân tạo mơ hình tốn Y=F(X) với X véctơ số liệu đầu vào Y véctơ số liệu đầu Ưu điểm mạng nơ-ron nhân tạo cho phép xây dựng mơ hình tính tốn có khả học liệu cao Có thể coi mạng nơ-ron nhân tạo hộp đen có nhiều đầu vào nhiều đầu có khả học mối quan hệ đầu đầu vào dựa liệu học Chin-Teng Lin C.S George Lee [10] cho cần đưa vào mạng tập mẫu liệu trình học mạng phát ràng buộc liệu hữu ích mà khơng cần phải có thêm tri thức miền ứng dụng thuận lợi xây dựng mơ hình liệu Chính lý đó, mạng nơ-ron ứng dụng mơ hình dự báo Theo tác giả, cần đưa thêm số quán tính để tăng tốc độ học tránh cực tiểu cục zq (q=1,…, l) x1 xj y1 vqj zq wiq yi xm yn Lớp vào Lớp ẩn Lớp Hình Mạng nơ-ron lan truyền thẳng Demetris F Lekkas [8] giới thiệu hai tiếp cận mơ hình mạng nơ-ron nhân tạo dự báo lưu lượng Iterative Forecasting Procedure (Sequential Forecasting Procedure) Simultaneous Forecasting Procedure (Direc multi-step Forecasting Procedure) Các số dự báo sử dụng để đánh giá chất lượng phương pháp dự báo Dưới số số dự báo thông dụng [1]: Sai số quân phương (Mean Square Error): = MSE Sai số quân phương (Root Mean Square Error):= RMSE Sai số tuyệt đối (Mean Absolute Error): = MAE ( n ∑ Qi − Qˆi n i =1 ( ) n ∑ Qi − Qˆi n i =1 n ∑ Qi − Qˆi n i =1 (1) ) (2) (3) Trong đó: o Qˆ i : Giá trị tính tốn thời điểm i o Qi : Giá trị thực đo thời điểm i Tuy số (1)-(3) trực quan tính tốn dễ dàng song nhiều trường hợp dung lượng liệu lớn hay liệu có độ biến động cao số trở nên q thơ sơ D.R Legates G.J McCabe Jr [7] trình bày số hiệu - E (Coefficient of Efficiency) số xác định - R2 (Coefficient of Determination) có độ phức tạp tính tốn cao song khắc phục hạn chế số (1)-(3): ∑ ( Q − Qˆ ) n E = 1− i =1 n i ∑ (Q − Q ) i =1 i (4) i ∑ ( Q − Q ) ( Qˆ − Qˆ ) n R2 = i =1 i i ∑ ( Q − Q ) ∑ ( Qˆ − Qˆ ) n n i =i =i (5) i Các số E R2 dùng theo cách kết hợp riêng rẽ Phương pháp tốt phương pháp nhận giá trị số lớn Lekkas D.F Onof C [9] trình bày số phương pháp cập nhật mạng nơ-ron dự báo lưu lượng để nâng cao hiệu dự báo Ibrahim Can đồng tác giả [4] trình bày việc ứng dụng hai mơ hình mạng nơ-ron mơ hình one-hidden layer feed forward backpropagation (FFBP) mơ hình Generalized Regression Neural Networks (GRNN) vào dự báo tháng lưu lượng nước sông Karasu Thổ Nhĩ Kỳ Các tác giả mơ hình GRNN cho kết tốt (chỉ số R2 đạt tới 0.8572) Trong nghiên cứu mình, dùng mạng nơ-ron nhiều lớp lan truyền thẳng làm công cụ cho dự báo lưu lượng nước đến hồ Hồ Bình với giải thuật học lan truyền ngược sai số (Hình 2) Chỉ số sai số quân phương - RMSE số xác định R2 sử dụng để đánh giá độ xác dự báo ỨNG DỤNG MẠNG NƠ-RON NHÂN TẠO DỰ BÁO LƯU LƯỢNG NƯỚC ĐẾN HỒ HỒ BÌNH TRƯỚC 10 NGÀY 3.1 Số liệu sử dụng Chúng sử dụng số liệu từ năm 1964 đến năm 2002 trạm đo Tạ Bú sông Đà, trạm đo lưu lượng gần hồ Hồ Bình Số liệu đo mùa cạn từ tháng 12 năm trước đến tháng năm sau Bộ liệu chia làm hai phần: - Phần liệu học (training set): Từ cuối năm 1964 đến đầu năm 1995 - Phần liệu kiểm tra (test set): Từ cuối năm 1995 đến đầu năm 2002 3.2 Các tham số mạng - Kiến trúc mạng: sử dụng mạng nơ-ron lan truyền thẳng ba lớp: lớp vào, lớp ẩn lớp Trong lớp vào đầu vào tham số phục vụ cho việc dự báo Lớp có nơ-ron, giá trị đầu nơ-ron lưu lượng nước cần dự báo - Hàm kích hoạt sử dụng hàm sigmoid - Giá trị trọng số khởi tạo ngẫu nhiên khoảng (-3, 3) - Chúng sử dụng thêm số quán tính nhằm tăng tốc độ học tránh cực tiểu cục [10] 3.3 Các phương án thử nghiệm Chúng tiến hành thử nghiệm số phương án dự báo để tìm phương án tối ưu Để thực điều xây dựng phần mềm mô mạng nơ-ron truyền thẳng sử dụng thuật toán học lan truyền ngược sai số Phần mềm phát triển riêng cho việc dự báo dòng chảy q trình chạy tham số dự báo ln tính tốn hiển thị trực quan giúp cho người dự báo dễ dàng lựa chọn phương án (hình 3) Hình Giao diện phần mềm dự báo 3.3.1 Phương án Trong phương án việc dự báo lưu lượng nước tương lai trước 10 ngày Q(t+10) dựa vào lưu lượng nước thời điểm khứ Chúng sử dụng ba giá trị lưu lượng làm đầu vào mạng gồm: - Lưu lượng nước tại: Q(t) - Lưu lượng nước trước 10 ngày: Q(t-10) - Lưu lượng nước trước 20 ngày: Q(t-20) Q(= t + 10) f ( Q(t ), Q(t − 10), Q(t − 20) ) (6) Ta dùng mạng nơ-ron để học mối quan hệ Kết sau học, số dự báo với liệu kiểm tra (test file): - Sai số quân phương RSME = 110.49 m3/s - Chỉ số R2 = 0.7509 1200 Lưu lượng (m3/s) 1000 800 Thực tế 600 Dự báo 400 200 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 Mẫu thử Hình Kết dự báo với liệu kiểm tra theo phương án 3.3.2 Phương án Theo nghiên cứu thuỷ văn, liệu mưa lưu vực ảnh hưởng lớn đến lưu lượng nước tương lai Việc dự báo cần thông số lượng mưa thời điểm lượng mưa khứ (do ảnh hưởng đến trữ lượng nước ngầm) Trong phương án này, dự báo lưu lượng nước tương lai trước 10 ngày Q(t+10) dựa vào lưu lượng nước khứ ( Q(t ), Q(t − 10), Q(t − 20) ) phương án mà phụ thuộc vào lượng mưa khứ tại lưu vực ( X (t ), X (t − 10), X (t − 20) ) Q(= t + 10) f ( Q(t ), Q(t − 10), Q(t − 20), X (t ), X (t − 10), X (t − 20) ) (7) Chúng tiến hành cho mạng nơ-ron học mối quan hệ cho kết dự báo xác phương án Kết với liệu kiểm tra: - Sai số quân phương RSME = 103.22 m3/s - Chỉ số R2 = 0.7866 1200 Lưu lượng (m3/s) 1000 800 Thực tế 600 Dự báo 400 200 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 Mẫu thử Hình Kết dự báo với liệu kiểm tra theo phương án 3.3.3 Phương án Chúng tơi nhận thấy ngồi yếu tố nêu phương án 2, lưu lượng nước 10 ngày tới phụ thuộc vào lưu lượng nước ngày Q ng (t) lượng mưa ngày X ng (t) (khác với Q(t) X(t) giá trị lưu lượng lượng mưa trung bình 10 ngày) Do đó: Q(= t + 10) f ( Q(t ), Q(t − 10), Q(t − 20), Qng (t ), X (t ), X (t − 10), X (t − 20), X ng (t ) ) (8) Kết với liệu kiểm tra: - Sai số quân phương RSME = 76.10 m3/s - Chỉ số R2 = 0.8737 1200 Lưu lượng (m 3/s) 1000 800 Thực tế 600 Dự báo 400 200 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 Mẫu thử Hình Kết dự báo với liệu kiểm tra theo phương án Độ xác phương án dự báo cao nhiều so với hai phương án chứng tỏ nhận xét Lưu lượng nước ngày Q ng (t) lượng mưa ngày X ng (t) ảnh hưởng nhiều đến lưu lượng nước 10 ngày tới KẾT LUẬN Mạng nơ-ron nhân tạo ứng dụng nhiều lĩnh vực: nhận dạng, điều khiển, tối ưu hố,… Trong nghiên cứu này, chúng tơi ứng dụng mạng nơ-ron nhân tạo vào việc dự báo lưu lượng nước đến hồ Hồ Bình trước 10 ngày Kết thu khả quan với số R2 đạt 0.8737 (phương án 3), số cao dự báo lưu lượng nước trước 10 ngày Trong thời gian tới, tiếp tục phát triển thêm kết nghiên cứu Ibrahim Can đồng tác giả [4], chúng tơi hy vọng mơ hình cho độ xác dự báo cao mở rộng thời gian dự báo Hơn nữa, quan tâm cải tiến mơ hình theo hướng tăng tốc độ thực chương trình LỜI CẢM ƠN Chúng tơi xin chân thành cảm ơn GS TS Hà Văn Khối, Chủ nhiệm Bộ mơn Thủy văn Cơng trình, Trường Đại học Thuỷ lợi hỗ trợ cung cấp tài liệu số liệu thử nghiệm TÀI LIỆU THAM KHẢO [1] Lê Văn Nghinh, Bùi Cơng Quang, Hồng Thanh Tùng (2006) Mơ hình tốn thuỷ văn, Nhà xuất xây dựng [2] Viện Khí tượng Thủy văn Danh sách đề tài, dự án nghiên cứu khoa học công nghệ http://www.imh.ac.vn/c_tt_chuyen_nganh/ce_detai_duan/ [3] Paulin Coulibaly, Francois Anctil, and Bernard Bobee (2001) Multivariate Reservoir Inflow Forecasting Using Temporal Neural Networks Journal of Hydrologic Engineering, 6(5), 367-376 [4] Ibrahim Can, Cahit Yerdelen, Ercan Kahya1 (2007) Stochastic modeling of Karasu River (Turkey) using the methods of Artificial Neural Networks, Proceeding of the AGU Hydrology Days 2007, March 19 - March 21, 2007, Colorado State University, Fort Collins, Colorado, USA, 138-144 [5] Oscar R Dolling, Eduardo A Varas (2002) Artificial neural networks for stream flow prediction Journal of Hydraaulic research, 40(5), 547-554 [6] Ismail Kilinş, Kerem Ciğizouğlu (2005) Reservoir Management Using Artificial Neural Networks, 14th Reg Directorate of DSI (State Hydraulic Works), Istanbul, Turkey, (http://balwois.mpl.ird.fr/balwois/administration/full_paper/ffp-471.pdf) [7] D.R Legates, G.J McCabe Jr (1998) Evaluating the Use of "Goodness-of-Fit" Measures in Hydrologic and Hydroclimatic Model Validation; Water Resour Res 1998WR900018, 35 (1): 233 [8] Demetris F Lekkas (2002) Development and Comparison of Data-Based Flow Forecasting Methods, PhD Thesis, Department of Civil and Environmental Engineering, Imperial College of Science, Technology and Medicine, London, March 2002 [9] Lekkas D.F., Onof C (2005) Improved flow forecasting using artificial neural networks 9th International Conference on Environmental and Technology, Rhodes Island, Greece, 1-3 September 2005, 877-884 [10] Chin-Teng Lin, C.S George Lee (1996) Neural fuzzy systems: a neuro-fuzzy synergism to intelligent systems, Prentice-Hall Inc [11] Cristiane Medina Finzi Quintao, Walmir Matos Caminhas, Selenio Rocha Silva, Bruno Rabelo Versiani (2004) Neo Fuzzy Neuron and its applications to Prediction flood and wind in Brazil Workshop on Modelling and Control for Participatory Planning and Managing Water Systems, September 29-October 1, 2004 (Poster), Venice, Italia ... TRƯỜNG ĐẠI HỌC THỦY LỢI THUYẾT MINH ĐỀ TÀI NGHIÊN CỨU KHOA HỌC VÀ PHÁT TRIỂN CÔNG NGHỆ Tên đề tài: Nghiên cứu, xây dựng phần mềm dự báo dòng chảy dựa phương pháp học máy tiên tiến (Phần Hướng... MINH ĐỀ TÀI NGHIÊN CỨU KHOA HỌC VÀ PHÁT TRIỂN CÔNG NGHỆ1 I THÔNG TIN CHUNG VỀ ĐỀ TÀI Tên đề tài Mã số Nghiên cứu, xây dựng phần mềm dự báo dòng chảy dựa phương pháp học máy tiên tiến Thời gian... NGHIÊN CỨU KHOA HỌC VÀ PHÁT TRIỂN CÔNG NGHỆ Tên đề tài: Nghiên cứu, xây dựng phần mềm dự báo dòng chảy dựa phương pháp học máy tiên tiến (Phần Giải thuật đề xuất) CƠ QUAN CHỦ QUẢN: BỘ NÔNG NGHIỆP