Chương 6 Các giải pháp và đóng góp nổi bật
1.20So sánh mô hình
Khi đào sâu nghiên cứu, rất nhiều mô hình được đề xuất, như Hernandez et al. [8] sử dụng mạng nơ ron nhân tạo hay Ahmad et al. [9] đề xuất mô hình sử dụng Feature Selection kết hợp mạng nơ ron nhân tạo nhưng chưa mô hình nào sử dụng Sequence to Sequence, do đó em quyết định sử dụng mô hình này với dữ liệu được cung cấp bởi công ty PJM [11]. Tuy rằng bộ dữ liệu do PJM cung cấp (bao gồm thuộc tính thời gian, khu vực, công ty cung cấp, điện năng tiêu thụ) là không hoàn toàn là dữ liệu thật nhưng PJM lấp trống bằng việc dự đoán giá trị và điền vào chỗ trống đó bằng mô hình của riêng PJM. Vì vậy, mô hình em sử dụng hoạt động rất hiệu quả và độ chính xác xấp xỉ 99%.
Ngoài ra vì bộ dữ liệu cung cấp các khu vực cung cấp điện, nên em muốn khai thác thông tin liên quan đến vị trí địa lý. Do đó em áp dụng mô hình DCRNN được đề xuất bởi Li et al. [12] để khai thác dữ liệu không gian. Nhưng vì bộ dữ liệu không đủ thông tin nên mô hình hoạt động không hiệu quả bằng Sequence to Sequence dùng LSTM. Em quyết định tìm bộ dữ liệu khác để thử, và tìm thấy bài báo bởi Gong et al. [10] đề xuất mô hình sử dụng Sequence to Sequence kết hợp Attention Mechanism và Residual Network.
Vậy là trong lúc em đang thử nghiệm, có người đã đăng bài báo sử dụng mô hình đó cùng với các kĩ thuật khác. Đứng trước nguy cơ có thể phải bỏ toàn bộ công việc từ trước đến giờ, em tiếp tục so sánh mô hình đơn giản của mình với mô hình đã có. Em tự xây lại mô hình của Gong et al. rồi sử dụng bộ dữ liệu được các tác giả sử dụng [14] để thử nghiệm. Ngoài ra, em áp dụng thêm BiLSTM vì dữ liệu thời gian có tính quá khứ và tương lai, để xem có cải thiện độ chính xác không. Kết quả cho thấy mô hình sử dụng Sequence to Sequence đơn thuần hiệu quả hơn. Qua đó em rút ra là tùy vào từng bài toán mà sẽ có những mô hình phù hợp, không phải cứ áp dụng các kĩ thuật tốt là sẽ hiệu quả với bài toán đó, vì Deep Learning là một hộp đen nên việc kiểm thử là cần thiết.
Bảng 7 Kết quả so sánh hai mô hình
Chú thích: chỉ số MAPE được sử dụng làm thước đo cho mô hình ở bài toán dự đoán điện năng lượng tiêu thụ