Dự Báo Chất Lượng Không Khí Dựa Trên Dữ Liệu Chuỗi Thời Gian

Tìm hiểu phương pháp dự báo chất lượng không khí sử dụng dữ liệu chuỗi thời gian. Ứng dụng các mô hình học sâu tiên tiến để dự đoán ô nhiễm hiệu quả.

• Tác giả: Nguyễn Duy Nguyên
• Người hướng dẫn: Ts. Võ Thị Hồng Thắm
• Trường học: Trường Đại học Nguyễn Tất Thành
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Dự báo Chất lượng Không khí Dựa trên Dữ liệu Chuỗi Thời gian
• Loại tài liệu: Đề án thạc sĩ
• Năm xuất bản: 2024
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: GIỚI THIỆU VỀ ĐỀ TÀI
• 1.1. Các thách thức còn tồn tại
• 1.2. Lý do chọn đề tài
• 1.3. Mục tiêu của đề tài
• 1.4. Nội dung nghiên cứu
• 1.5. Phương pháp nghiên cứu
• 1.6. Phạm vi nghiên cứu
• 1.7. Kế hoạch thực hiện
• 1.8. Cấu trúc đề án
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT LIÊN QUAN ĐỀ TÀI NGHIÊN CỨU
• 2.1. Khái niệm về chuỗi thời gian
• 2.2. Ý nghĩa của chuỗi thời gian
• 2.3. Phân tích chuỗi thời gian
• 2.4. Các kiểu dữ liệu chuỗi thời gian
• 2.5. Phương pháp phân tích chuỗi thời gian
• 2.5.1. Mô hình AutoRegressive Integrated Moving Average (ARIMA)
• 3. CHƯƠNG 3: CÁC MÔ HÌNH VÀ GIẢI PHÁP CHO BÀI TOÁN DỰ BÁO CHUỖI THỜI GIAN
• 3.1. Mô hình GRU (Gated Recurrent Unit)
• 3.1.1. Mô hình GRU là gì?
• 3.1.2. Ý nghĩa của mô hình GRU
• 3.1.3. Hoạt động của mô hình GRU
• 3.2. Mô hình Long Short-Term Memory (LSTM)
• 3.2.1. Mô hình LSTM là gì?
• 3.2.2. Ý nghĩa của mô hình LSTM
• 3.2.3. Hoạt động của mô hình LSTM
• 3.3. Mô hình BiLSTM (Bidirectional Long Short-Term Memory)
• 3.3.1. Mô hình BiLSTM là gì?
• 3.3.2. Ý nghĩa của mô hình BiLSTM
• 3.3.3. Hoạt động của mô hình BiLSTM
• 3.4. Mô hình AE&GRU (Auto encoding & Gated Recurrent Unit)
• 3.4.1. Mô hình AE&GRU là gì?
• 3.4.2. Ý nghĩa của mô hình AE&GRU
• 3.4.3. Hoạt động của mô hình AE&GRU
• 4. CHƯƠNG 4: PHÂN TÍCH VÀ THIẾT KẾ MÔ HÌNH THỰC NGHIỆM
• 4.1. Mô tả bài toán
• 4.2. Các bước xây dựng mô hình thực nghiệm
• 4.3. Thực nghiệm với bộ dữ liệu 1
• 4.3.1. Tiền xử lý dữ liệu
• 4.3.2. Thực nghiệm với mô hình GRU
• 4.3.3. Thực nghiệm với mô hình LSTM
• 4.3.4. Thực nghiệm với mô hình BiLSTM
• 4.3.5. Thực nghiệm với mô hình AE&GRU
• 4.3.6. Đánh giá hiệu suất giữa các mô hình
• 4.4. Thực nghiệm với bộ dữ liệu 2
• 4.4.1. Tiền xử lý dữ liệu
• 4.4.2. Thực nghiệm với mô hình GRU
• 4.4.3. Thực nghiệm với mô hình LSTM
• 4.4.4. Thực nghiệm với mô hình Bi-LSTM
• 4.4.5. Thực nghiệm với mô hình AE&GRU
• 4.4.6. Đánh giá hiệu suất giữa các mô hình
• 4.5. Thực nghiệm với bộ dữ liệu 3
• 4.5.1. Tiền xử lý dữ liệu
• 4.5.2. Thực nghiệm với mô hình GRU
• 4.5.3. Thực nghiệm với mô hình LSTM
• 4.5.4. Thực nghiệm với mô hình Bi-LSTM
• 4.5.5. Thực nghiệm với mô hình AE&GRU
• 4.5.6. Đánh giá hiệu suất giữa các mô hình
• 5. CHƯƠNG 5: KẾT LUẬN VÀ KHUYẾN NGHỊ
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Dự Báo Chất Lượng Không Khí Ứng Dụng Học Sâu

Ô nhiễm không khí đang trở thành một vấn đề cấp bách toàn cầu, đặc biệt trong bối cảnh đô thị hóa và công nghiệp hóa diễn ra nhanh chóng. Các hạt vật chất độc hại như PM2.5, PM10, CO2, và các chất ô nhiễm khác gây ảnh hưởng nghiêm trọng đến sức khỏe con người và hoạt động kinh tế - xã hội. Việc dự báo chất lượng không khí với độ chính xác cao là vô cùng quan trọng để phòng ngừa và giảm thiểu tác động tiêu cực này. Các phương pháp dự báo truyền thống thường gặp khó khăn trong việc xử lý dữ liệu phức tạp và khối lượng lớn. Do đó, việc ứng dụng mô hình học sâu đã mở ra một hướng đi mới, mang lại hiệu quả và độ chính xác cao hơn trong việc dự báo ô nhiễm không khí. Nghiên cứu của nhiều học giả đã chứng minh tiềm năng của học sâu trong lĩnh vực này.

1.1. Tầm quan trọng của Dự báo Chất lượng Không khí chính xác

Dự báo chất lượng không khí chính xác đóng vai trò quan trọng trong việc bảo vệ sức khỏe cộng đồng, giúp người dân chủ động phòng tránh các tác động tiêu cực của ô nhiễm. Bên cạnh đó, nó còn hỗ trợ các nhà quản lý môi trường đưa ra các biện pháp kiểm soát ô nhiễm hiệu quả, đồng thời giúp tối ưu hóa hoạt động công nghiệp và dự báo thời tiết. Dữ liệu chuỗi thời gian là một nguồn thông tin quan trọng để xây dựng các mô hình dự báo chính xác. Theo nghiên cứu của Nguyễn Duy Nguyên, đề tài tập trung vào việc sử dụng các mô hình học sâu để cải thiện dự báo chất lượng không khí.

1.2. Thách thức trong Dự báo Chất lượng Không khí truyền thống

Các phương pháp dự báo truyền thống, như dự báo số và dự báo thống kê, thường đòi hỏi sự kết hợp giữa kiến thức chuyên môn và khả năng xử lý dữ liệu phức tạp. Tuy nhiên, chúng có thể không hiệu quả khi đối mặt với lượng lớn dữ liệu và sự phức tạp của các yếu tố ảnh hưởng đến chất lượng không khí. Các mô hình này thường bỏ qua các phản ứng vật lý và hóa học phức tạp của các chất ô nhiễm. Do đó, cần có những phương pháp mới, có khả năng tự động học hỏi và thích ứng với sự thay đổi của dữ liệu. Thuật toán học sâu hứa hẹn giải quyết vấn đề này.

II. Vấn Đề Nhức Nhối Hạn Chế Mô Hình Truyền Thống về AQI

Mặc dù các mô hình truyền thống như cây quyết định (decision trees), rừng ngẫu nhiên (random forests) và hồi quy vectơ hỗ trợ (support vector regression) đã được sử dụng trong dự báo chất lượng không khí, nhưng chúng vẫn còn nhiều hạn chế. Các mô hình này thường kém hiệu quả trong việc xử lý lượng lớn dữ liệu và không còn phù hợp với yêu cầu hiện tại về dữ liệu lớn và phức tạp. Ngoài ra, chúng cũng gặp khó khăn trong việc nắm bắt các mối quan hệ phi tuyến tính giữa các chất ô nhiễm và các yếu tố ảnh hưởng đến chỉ số chất lượng không khí (AQI). Các nghiên cứu gần đây đã tập trung vào việc ứng dụng học sâu để vượt qua những hạn chế này.

2.1. Khả năng Xử lý Dữ liệu Lớn của Học Sâu vượt trội

Học sâu có khả năng xử lý và phân tích lượng lớn dữ liệu một cách hiệu quả, cho phép các mô hình nắm bắt được các mối quan hệ phức tạp và các yếu tố ẩn ảnh hưởng đến chất lượng không khí. Điều này đặc biệt quan trọng trong bối cảnh dữ liệu về ô nhiễm không khí ngày càng phong phú và đa dạng. Các mô hình LSTM, GRU, và CNN đã chứng minh khả năng vượt trội trong việc trích xuất các đặc trưng quan trọng từ dữ liệu chuỗi thời gian.

2.2. Hạn chế trong việc nắm bắt Quan hệ Phi Tuyến tính

Các mô hình truyền thống thường gặp khó khăn trong việc nắm bắt các quan hệ phi tuyến tính giữa các chất ô nhiễm và các yếu tố ảnh hưởng đến AQI. Trong khi đó, học sâu có khả năng mô hình hóa các mối quan hệ phức tạp này một cách hiệu quả, giúp cải thiện độ chính xác của mô hình dự báo. Việc sử dụng các lớp mạng nơ-ron sâu cho phép mô hình tự động học các đặc trưng quan trọng và mối quan hệ giữa chúng. Dẫn chứng từ tài liệu gốc chỉ ra rằng các nghiên cứu đã bắt đầu ứng dụng thuật toán Machine Learning để giải quyết các hạn chế về độ chính xác, hiệu quả, tốc độ xử lý, tính phi tuyến tính của mô hình.

III. Phương Pháp Mới Mô Hình LSTM và GRU cho Dự Báo AQI

Mô hình LSTM (Long Short-Term Memory) và GRU (Gated Recurrent Unit) là các kiến trúc mạng nơ-ron hồi quy (RNN) đặc biệt phù hợp cho việc xử lý dữ liệu chuỗi thời gian. Chúng có khả năng ghi nhớ thông tin từ quá khứ xa và sử dụng nó để dự đoán các giá trị trong tương lai. Điều này rất quan trọng trong dự báo chất lượng không khí, vì các yếu tố ảnh hưởng đến ô nhiễm không khí thường có mối tương quan theo thời gian. Các nghiên cứu đã chỉ ra rằng LSTM và GRU có thể đạt được độ chính xác cao hơn so với các mô hình truyền thống trong việc dự báo AQI.

3.1. Ưu điểm của LSTM trong Dự Báo Chuỗi Thời Gian

LSTM có khả năng ghi nhớ thông tin từ quá khứ xa và sử dụng nó để dự đoán các giá trị trong tương lai. Điều này đặc biệt quan trọng trong dự báo chất lượng không khí, vì các yếu tố ảnh hưởng đến ô nhiễm không khí thường có mối tương quan theo thời gian. LSTM giúp khắc phục vấn đề biến mất đạo hàm (vanishing gradient) thường gặp trong các mạng RNN truyền thống, cho phép mô hình học được các mối quan hệ dài hạn trong dữ liệu.

3.2. GRU Sự lựa chọn hiệu quả cho Bài Toán Dự Báo

GRU là một biến thể đơn giản hơn của LSTM, nhưng vẫn giữ được khả năng ghi nhớ thông tin từ quá khứ. GRU có ít tham số hơn LSTM, do đó nó có thể huấn luyện nhanh hơn và ít tốn tài nguyên hơn. Một số nghiên cứu đã chỉ ra rằng GRU có thể đạt được hiệu suất tương đương hoặc thậm chí tốt hơn LSTM trong một số bài toán dự báo chuỗi thời gian. Theo Athira và cộng sự [2], GRU có hiệu suất tốt hơn RNN và LSTM trong việc dự đoán giá trị PM10.

3.3. BiLSTM Nắm bắt thông tin 2 chiều cho Dự báo chính xác hơn

BiLSTM (Bidirectional Long Short-Term Memory) là một biến thể của LSTM, cho phép mô hình xử lý thông tin theo cả hai chiều, từ quá khứ đến tương lai và ngược lại. Điều này giúp mô hình nắm bắt được các mối quan hệ phức tạp hơn trong dữ liệu chuỗi thời gian, đặc biệt là trong các bài toán mà thông tin từ tương lai có thể ảnh hưởng đến các giá trị trong quá khứ. Điều này có thể giúp cải thiện độ chính xác của dự báo chất lượng không khí.

IV. AE GRU Giải Pháp Tối Ưu Hóa và Tăng Độ Chính Xác Dự Báo

Mô hình AE&GRU (Autoencoding & Gated Recurrent Unit) kết hợp khả năng trích xuất đặc trưng của Autoencoder (AE) với khả năng dự báo chuỗi thời gian của GRU. Autoencoder giúp giảm chiều dữ liệu và trích xuất các đặc trưng quan trọng, giúp GRU tập trung vào các thông tin quan trọng nhất. Sự kết hợp này có thể giúp cải thiện độ chính xác và hiệu quả của mô hình dự báo.

4.1. Autoencoder Tự động trích xuất Đặc trưng quan trọng

Autoencoder là một loại mạng nơ-ron tự mã hóa, có khả năng tự động trích xuất các đặc trưng quan trọng từ dữ liệu. Nó hoạt động bằng cách mã hóa dữ liệu đầu vào thành một biểu diễn có chiều thấp hơn, sau đó giải mã biểu diễn này trở lại thành dữ liệu gốc. Quá trình này buộc Autoencoder phải học các đặc trưng quan trọng nhất để tái tạo dữ liệu gốc một cách chính xác nhất. Điều này giúp giảm chiều dữ liệu và loại bỏ nhiễu, giúp các mô hình dự báo hoạt động hiệu quả hơn.

4.2. Lợi ích khi kết hợp AE và GRU cho Dự báo AQI

Việc kết hợp Autoencoder và GRU mang lại nhiều lợi ích trong dự báo chất lượng không khí. Autoencoder giúp trích xuất các đặc trưng quan trọng từ dữ liệu đầu vào, giảm chiều dữ liệu và loại bỏ nhiễu. GRU sau đó sử dụng các đặc trưng này để dự đoán các giá trị trong tương lai. Sự kết hợp này giúp cải thiện độ chính xác và hiệu quả của mô hình dự báo, đặc biệt là khi đối mặt với dữ liệu phức tạp và nhiễu.

V. Ứng Dụng Thực Tế Đánh Giá Mô Hình Dự Báo Chất Lượng

Các mô hình học sâu như LSTM, GRU, và AE&GRU đã được ứng dụng rộng rãi trong dự báo chất lượng không khí ở nhiều thành phố trên thế giới. Các nghiên cứu đã chứng minh rằng các mô hình này có thể đạt được độ chính xác cao hơn so với các mô hình truyền thống. Kết quả dự báo có thể được sử dụng để cảnh báo người dân về nguy cơ ô nhiễm không khí, giúp họ chủ động phòng tránh và bảo vệ sức khỏe. Việc đánh giá hiệu suất của các mô hình là rất quan trọng để đảm bảo tính tin cậy của kết quả dự báo.

5.1. Các Tiêu Chí Đánh Giá Hiệu Suất Mô Hình Dự Báo AQI

Có nhiều tiêu chí để đánh giá hiệu suất của mô hình dự báo chất lượng không khí, bao gồm RMSE (Root Mean Squared Error), MAE (Mean Absolute Error), và R-squared. RMSE đo lường độ lệch giữa giá trị dự đoán và giá trị thực tế. MAE đo lường trung bình giá trị tuyệt đối của sai số. R-squared đo lường mức độ phù hợp của mô hình với dữ liệu. Các tiêu chí này giúp so sánh hiệu suất của các mô hình khác nhau và xác định mô hình tốt nhất cho từng bài toán cụ thể. Cần xem xét các bảng 4.1, 4.2, và 4.3 trong tài liệu gốc để so sánh kết quả thực nghiệm của các mô hình với các bộ dữ liệu khác nhau.

5.2. Ứng dụng trong Cảnh Báo Ô nhiễm và Bảo Vệ Sức Khỏe

Kết quả dự báo chất lượng không khí có thể được sử dụng để cảnh báo người dân về nguy cơ ô nhiễm không khí, giúp họ chủ động phòng tránh và bảo vệ sức khỏe. Các cảnh báo có thể được phát hành thông qua các ứng dụng di động, trang web, và các phương tiện truyền thông khác. Điều này giúp người dân đưa ra các quyết định thông minh về việc đi lại, tập thể dục, và các hoạt động khác, giảm thiểu tiếp xúc với ô nhiễm không khí. Kết quả dự báo cũng có thể giúp các nhà quản lý môi trường đưa ra các biện pháp kiểm soát ô nhiễm kịp thời và hiệu quả.

VI. Kết Luận Hướng Phát Triển Dự Báo AQI Bằng Học Sâu

Việc ứng dụng mô hình học sâu trong dự báo chất lượng không khí đã mang lại những kết quả đầy hứa hẹn. Các mô hình như LSTM, GRU, và AE&GRU có khả năng xử lý dữ liệu phức tạp và đạt được độ chính xác cao hơn so với các mô hình truyền thống. Tuy nhiên, vẫn còn nhiều thách thức cần vượt qua, bao gồm việc thu thập và xử lý dữ liệu chất lượng cao, tối ưu hóa kiến trúc mô hình, và đảm bảo tính tin cậy của kết quả dự báo. Các nghiên cứu trong tương lai có thể tập trung vào việc kết hợp các mô hình học sâu với các kỹ thuật khác, như mô hình hóa thống kê và khí tượng học, để tạo ra các giải pháp dự báo toàn diện và chính xác hơn.

6.1. Thách thức và Cơ hội trong Tương lai

Một trong những thách thức lớn nhất trong dự báo chất lượng không khí là việc thu thập và xử lý dữ liệu chất lượng cao. Dữ liệu cần phải đầy đủ, chính xác, và đại diện cho các điều kiện khác nhau. Ngoài ra, cần có các phương pháp hiệu quả để xử lý dữ liệu bị thiếu hoặc bị nhiễu. Về cơ hội, việc kết hợp các mô hình học sâu với các kỹ thuật khác có thể mang lại những kết quả đột phá. Ví dụ, việc kết hợp mô hình hóa thống kê với LSTM có thể giúp nắm bắt cả các mối quan hệ tuyến tính và phi tuyến tính trong dữ liệu.

6.2. Hướng nghiên cứu mới cho Dự báo Chất lượng Không khí

Các nghiên cứu trong tương lai có thể tập trung vào việc phát triển các mô hình học sâu có khả năng tự động thích ứng với sự thay đổi của điều kiện môi trường. Điều này có thể đạt được bằng cách sử dụng các kỹ thuật học tăng cường (reinforcement learning) hoặc học chuyển giao (transfer learning). Ngoài ra, việc phát triển các mô hình có khả năng giải thích kết quả dự báo cũng rất quan trọng, giúp người dùng hiểu rõ hơn về các yếu tố ảnh hưởng đến chất lượng không khí.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh đô thị hóa và công nghiệp hóa ngày càng phát triển, chất lượng không khí trở thành một vấn đề cấp thiết ảnh hưởng trực tiếp đến sức khỏe cộng đồng và môi trường. Theo ước tính, các hạt vật chất như CO2, PM2.5, PM10 và các chất ô nhiễm khác gây ra nhiều tác hại nghiêm trọng. Việc dự báo chính xác chất lượng không khí giúp ngăn ngừa ô nhiễm và các bệnh liên quan. Nghiên cứu này tập trung vào dự báo chất lượng không khí dựa trên dữ liệu chuỗi thời gian, sử dụng các mô hình học sâu hiện đại nhằm nâng cao độ chính xác dự báo.

Mục tiêu chính của luận văn là xây dựng và cải tiến mô hình dự báo chất lượng không khí, so sánh hiệu suất giữa các mô hình LSTM, GRU, BiLSTM và mô hình kết hợp AE&GRU. Phạm vi nghiên cứu bao gồm dữ liệu phát thải khí CO2 và PM2.5 từ các cơ quan quản lý môi trường trong giai đoạn từ năm 1973 đến năm 2023, với các bộ dữ liệu được thu thập theo tháng và ngày. Ý nghĩa nghiên cứu được thể hiện qua việc cải thiện các chỉ số đánh giá mô hình như MAE, RMSE và MAPE, góp phần nâng cao hiệu quả quản lý môi trường và bảo vệ sức khỏe cộng đồng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình phân tích chuỗi thời gian, bao gồm:

• Mô hình ARIMA (AutoRegressive Integrated Moving Average): Mô hình thống kê truyền thống dùng để dự báo chuỗi thời gian dựa trên các giá trị quá khứ và sai phân dữ liệu nhằm làm dừng chuỗi.
• Mô hình GARCH (Generalized Autoregressive Conditional Heteroskedasticity): Mô hình dùng để mô phỏng biến động không đồng nhất trong dữ liệu chuỗi thời gian, đặc biệt trong dự báo phương sai.
• Mô hình học sâu (Deep Learning): Bao gồm các mạng nơ-ron hồi quy như RNN, LSTM, GRU, BiLSTM và mô hình kết hợp AE&GRU. Các mô hình này có khả năng xử lý dữ liệu chuỗi thời gian phức tạp, tự động trích xuất đặc trưng và học các mối quan hệ dài hạn trong dữ liệu.

Các khái niệm chính được sử dụng gồm chuỗi thời gian, tính dừng, tính phi tuyến, các cổng trong mạng LSTM và GRU, cơ chế chú ý (attention mechanism) trong BiLSTM, và kỹ thuật nén dữ liệu trong Auto-encoding.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp phân tích tổng luận tài liệu kết hợp thực nghiệm mô hình trên ba bộ dữ liệu phát thải khí CO2 và PM2.5:

• Nguồn dữ liệu: Bộ dữ liệu 1 gồm lượng phát thải CO2 hàng tháng từ năm 1973 đến 2023; bộ dữ liệu 2 và 3 gồm lượng phát thải CO2 và PM2.5 theo ngày trong năm 2023.
• Phương pháp phân tích: Tiền xử lý dữ liệu loại bỏ giá trị không hợp lệ, chia dữ liệu thành tập huấn luyện (70%) và kiểm thử (30%). Các mô hình GRU, LSTM, BiLSTM và AE&GRU được huấn luyện với các tham số như 4 lớp RNN, 256 nơ-ron ẩn, 50 epochs, batch size 32.
• Timeline nghiên cứu: Thực hiện trong 5 tháng từ tháng 11/2023 đến tháng 3/2024, bao gồm xây dựng đề cương, nghiên cứu lý thuyết, huấn luyện mô hình, so sánh kết quả và hoàn thiện luận văn.

Các chỉ số đánh giá hiệu suất mô hình gồm MAE, RMSE và MAPE được sử dụng để đo lường độ chính xác dự báo.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu suất mô hình LSTM vượt trội: Với bộ dữ liệu 1, LSTM đạt MAE 10,8679, RMSE 13,1993 và MAPE 0,1239, thấp hơn so với các mô hình GRU (MAE 11,7684), BiLSTM (MAE 14,3797) và AE&GRU (MAE 14,7708).
2. Mô hình GRU có hiệu suất gần tương đương LSTM: GRU cho kết quả MAE 11,7684, RMSE 14,2887, MAPE 0,1328, thể hiện khả năng xử lý chuỗi thời gian hiệu quả với cấu trúc đơn giản hơn.
3. BiLSTM và AE&GRU có độ lỗi cao hơn: BiLSTM và AE&GRU có MAE lần lượt là 14,3797 và 14,7708, RMSE lần lượt 17,2524 và 17,4666, MAPE lần lượt 0,1525 và 0,1625, cho thấy mô hình này cần tối ưu thêm để phù hợp với dữ liệu.
4. Ảnh hưởng của tham số mô hình: Khi giảm số nơ-ron ẩn từ 512 xuống 64, hiệu suất các mô hình giảm rõ rệt, ví dụ LSTM từ MAE 12,0989 tăng lên 15,0959, cho thấy việc lựa chọn tham số phù hợp rất quan trọng.

Thảo luận kết quả

Nguyên nhân LSTM đạt hiệu suất tốt hơn là do khả năng lưu giữ thông tin dài hạn và xử lý hiệu quả vấn đề biến mất gradient. GRU với cấu trúc đơn giản hơn vẫn duy trì hiệu suất gần tương đương, phù hợp với các bài toán có dữ liệu lớn cần tính toán nhanh. BiLSTM mặc dù có khả năng học cả ngữ cảnh tiến và lùi, nhưng trong thực nghiệm với dữ liệu dài hạn, mô hình này gặp khó khăn do mất thông tin và cần cơ chế chú ý để cải thiện. Mô hình AE&GRU kết hợp Auto-encoding giúp giảm chiều dữ liệu nhưng chưa tối ưu hoàn toàn về độ chính xác dự báo.

Kết quả so sánh có thể được trình bày qua bảng và biểu đồ so sánh MAE, RMSE, MAPE giữa các mô hình, giúp trực quan hóa hiệu suất và thời gian chạy. So với các nghiên cứu trước đây, việc áp dụng mô hình học sâu đã cải thiện đáng kể độ chính xác so với mô hình thống kê truyền thống.

Đề xuất và khuyến nghị

1. Tăng cường tối ưu tham số mô hình: Đề xuất điều chỉnh số lớp, số nơ-ron ẩn và epochs để cân bằng giữa độ chính xác và thời gian huấn luyện, nhằm nâng cao hiệu suất dự báo.
2. Áp dụng cơ chế chú ý cho BiLSTM: Triển khai attention mechanism để giảm mất thông tin trong chuỗi dài, cải thiện độ chính xác dự báo chất lượng không khí.
3. Mở rộng dữ liệu huấn luyện: Thu thập thêm dữ liệu đa dạng về không gian và thời gian để mô hình học sâu có thể học được các đặc trưng phức tạp hơn, nâng cao khả năng tổng quát hóa.
4. Phát triển hệ thống dự báo thời gian thực: Xây dựng hệ thống ứng dụng mô hình LSTM hoặc GRU để dự báo chất lượng không khí theo thời gian thực, hỗ trợ quản lý môi trường và cảnh báo sớm.

Các giải pháp này nên được thực hiện trong vòng 6-12 tháng, phối hợp giữa các nhà nghiên cứu công nghệ thông tin, chuyên gia môi trường và các cơ quan quản lý.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành Công nghệ Thông tin: Nắm bắt kiến thức về ứng dụng mô hình học sâu trong dự báo chuỗi thời gian, đặc biệt trong lĩnh vực môi trường.
2. Chuyên gia môi trường và quản lý đô thị: Áp dụng kết quả dự báo chất lượng không khí để xây dựng chính sách, kế hoạch giảm thiểu ô nhiễm.
3. Doanh nghiệp phát triển phần mềm và công nghệ: Phát triển các sản phẩm, giải pháp dự báo và giám sát chất lượng không khí dựa trên mô hình học sâu.
4. Cơ quan quản lý nhà nước: Sử dụng dữ liệu và mô hình dự báo để nâng cao hiệu quả quản lý môi trường, bảo vệ sức khỏe cộng đồng.

Mỗi nhóm đối tượng có thể ứng dụng kết quả nghiên cứu để cải thiện công tác dự báo, phân tích dữ liệu và ra quyết định chính xác hơn trong lĩnh vực của mình.

Câu hỏi thường gặp

1. Tại sao chọn mô hình học sâu thay vì mô hình thống kê truyền thống?
   Mô hình học sâu có khả năng tự động trích xuất đặc trưng và xử lý dữ liệu phi tuyến, phức tạp, giúp cải thiện độ chính xác dự báo so với mô hình thống kê như ARIMA hay GARCH.

2. Mô hình nào cho kết quả dự báo tốt nhất trong nghiên cứu?
   Mô hình LSTM cho kết quả tốt nhất với MAE 10,8679, RMSE 13,1993 và MAPE 0,1239, thể hiện khả năng xử lý chuỗi thời gian dài và phức tạp hiệu quả.

3. Tại sao BiLSTM và AE&GRU có hiệu suất thấp hơn?
   BiLSTM gặp khó khăn khi xử lý chuỗi dài do mất thông tin, cần cơ chế chú ý để cải thiện. AE&GRU mặc dù giảm chiều dữ liệu nhưng chưa tối ưu hoàn toàn về độ chính xác dự báo.

4. Các chỉ số MAE, RMSE và MAPE có ý nghĩa gì?
   MAE đo sai số trung bình tuyệt đối, RMSE nhấn mạnh sai số lớn hơn, MAPE thể hiện sai số dưới dạng phần trăm, giúp đánh giá tổng quan độ chính xác mô hình.

5. Làm thế nào để cải thiện mô hình dự báo trong tương lai?
   Có thể tối ưu tham số mô hình, áp dụng cơ chế chú ý, mở rộng dữ liệu huấn luyện và phát triển hệ thống dự báo thời gian thực để nâng cao hiệu quả và độ tin cậy.

Kết luận

• Luận văn đã xây dựng và so sánh hiệu suất các mô hình học sâu LSTM, GRU, BiLSTM và AE&GRU trong dự báo chất lượng không khí dựa trên dữ liệu chuỗi thời gian.
• Mô hình LSTM đạt hiệu suất tốt nhất với các chỉ số MAE, RMSE và MAPE thấp nhất, phù hợp cho bài toán dự báo dài hạn.
• Mô hình GRU thể hiện hiệu quả gần tương đương với cấu trúc đơn giản hơn, giúp giảm thời gian huấn luyện.
• BiLSTM và AE&GRU cần được tối ưu thêm, đặc biệt là áp dụng cơ chế chú ý để cải thiện độ chính xác.
• Đề xuất tiếp tục nghiên cứu tối ưu tham số, mở rộng dữ liệu và phát triển hệ thống dự báo thời gian thực trong vòng 6-12 tháng tới nhằm ứng dụng thực tiễn hiệu quả.

Hành động tiếp theo là triển khai các giải pháp đề xuất và áp dụng mô hình LSTM hoặc GRU trong các hệ thống giám sát chất lượng không khí hiện có, góp phần bảo vệ môi trường và sức khỏe cộng đồng.

Trích đoạn nội dung tài liệu

Chương 1: Giới thiệu về đề tài - Chương 2: Cơ sở lý thuyết liên quan đề tài nghiên cứu - Chương 3: Các mô hình và giải pháp cho bài toán dự báo chuỗi thời gian - Chương 4: Phân tích thiết ke mô hình thực nghiệm - Chương 5: Ket luận và khuyến nghị Trang 5 CHƯƠNG II. Cơ SỞ LÝ THUYẾT LIÊN QUAN ĐỀ TÀI NGHIÊN cứu 2. Khái niệm về chuỗi thời gian Time-series là một chuồi dữ liệu được thu thập hoặc ghi lại theo thời gian liên tục hoặc theo các khoảng thời gian cố định. Chuỗi thời gian thường biểu thị các giá trị dữ liệu trong các khoảng thời gian co định, ví dụ: giá cố phiếu hàng ngày, nhiệt độ hàng giờ, doanh số bán hàng hàng tháng, và nhiều loại dữ liệu khác.

Chuỗi thời gian thường có the được biếu diễn dưới dạng đồ thị thời gian, trong đó trục ngang thường biếu thị thời gian và trục đứng biếu thị giá trị dữ liệu. Các ứng dụng phổ biến của chuỗi thời gian bao gồm dự đoán, phân tích và kiểm tra các biến đối theo thời gian. Các phương pháp thống kê và các công cụ máy tính có thể được sử dụng để nghiên cứu và phân tích chuồi thời gian để tìm ra các mô hình, xu hướng và biến đoi trong dữ liệu thời gian. Machine learning và deep learning cũng đã được sử dụng rộng rãi để dự đoán và phân tích chuỗi thời gian trong các ứng dụng như dự đoán giá cố phiếu, dự báo thời tiết và nhiều lĩnh vực khác.

Ý nghĩa của chuỗi thời gian - Dựa theo dữ liệu chuỗi thời gian cùa quá khứ, chúng ta có the dự đoán được giá trị ở tương lai với độ chính xác có thể chấp nhận được. Điều này vô cùng quan trọng và pho biến trong nhiều ngành nghề như khí tượng (dự báo thời tiết, dự báo chất lượng không khí, .), tài chính (dự báo biến động tài chính, chứng khoán,. - Chuỗi thời gian giúp phát hiện xu hướng và biến đổi trong dữ liệu theo thời gian. Chuỗi thời gian cho ta thấy xu hướng lên hoặc xuống, tăng hoặc giảm của giá trị trong tương lai, kết hợp với sự biến đổi dữ liệu theo tháng, theo quý, theo năm, theo chu kỳ và các yeu tố bất thường để đưa ra các dự báo chính xác hơn.

- Chuỗi thời gian được ứng dụng vào nhiều lình vực hoạt động trong cuộc sống như: + Trong lĩnh vực thống kê, kinh tế, tài chính, khí tượng, truyền thông, vật lý,. chuỗi thời gian được phân tích đe dự báo cho tưong lai. Trang 6 + Trong xử lý tín hiệu, kỹ thuật truyền thông và kỹ thuật điều khiển, dữ liệu chuỗi thời gian được sử dụng để ước tính và phát hiện tín hiệu. + Trong công nghệ thông tin, dừ liệu chuỗi thời gian được sử dụng đe phân loại, phân cụm, truy vấn, phát hiện bất thường và dự báo liên quan nhận dạng mẫu, khai phá dữ liệu và học máy.

Phân tích chuỗi thòi gian Phân tích chuỗi thời gian là một cách cụ thể để phân tích chuỗi các điểm dữ liệu được thu thập theo thời gian. Phân tích chuỗi thời gian nhằm mục tiêu: - Hiếu được nguyên lý hoạt động của chuồi thời gian và các yếu tố tác động đến các biến nhất định trong những thời điểm khác nhau. - Phân tích chuỗi thời gian sẽ giúp chúng ta hiểu biết sâu sắc về các đặc trưng, thuộc tính của tập dữ liệu nhất định khi thời gian thay đối. - Hỗ trợ đưa ra dự báo về giá trị của chuỗi thời gian trong tương lai.

- Giả sử nguồn gốc thời gian không tác động đến các tính chất của quá trình theo hệ số thống kê. Do đó việc phân tích chuỗi thời gian gồm các thành phần: - Xu hướng: là tiêu cực hoặc tích cực hoặc không. Tất cả khoảng thời gian trong bộ dữ liệu đều liên tục và hội tụ. - Tính thời vụ: Trong đó khoảng thời gian thường xuyên hoặc cố định thay đổi trong bộ dữ liệu theo chuỗi thời gian liên tục.

Sẽ là đường răng cưa hoặc đường cong chuông - Chu kỳ: là sự biến đối định kỳ của chuồi thời gian theo tác động định kỳ của các yếu tố liên quan. - Tính bất thường: Các tình huống/sự kiện/kịch bản bất ngờ và tăng đột biến trong khoảng thời gian ngắn. Các kiếu dữ liệu chuỗi thời gian Dữ liệu chuỗi thời gian có thể được phân thành hai loại cố định và không co định tùy thuộc vào tính on định của các đặc điếm thống kê qua thời gian. - Dữ liệu chuỗi thời gian cố định (Stationary Time Series Data): Dữ liệu chuỗi thời gian cố định là loại dữ liệu trong đó các đặc điểm thống kê cùa chuồi là ổn định và không biến đổi theo thời gian.

Các đặc điểm thống kê bao gồm Trang 7 phương sai, giá trị trung bình và hàm tương quan. Đối với dữ liệu chuồi thời gian cố định, các giá trị này là ổn định và không biến đổi theo thời gian. Điều này làm cho việc dự đoán và mô hình hóa dễ dàng hơn. Tuy nhiên, trong thực tế nhiều chuồi thời gian không phải lúc nào cũng cố định.

- Dữ liệu chuồi thời gian không co định (Non-Stationary Time Series Data): Loại dữ liệu này là khi các đặc diem thống kê của chuỗi thời gian thay đoi theo thời gian. Điều này có thế bao gồm xu hướng tăng/giảm, biến đoi mùa vụ, hoặc biến đối ngẫu nhiên. Dữ liệu chuồi thời gian không cố định thường đòi hỏi xử lý đặc biệt và sẽ phức tạp hơn trong việc mô hình hóa và dự đoán. Đe làm cho dữ liệu này trở nên on định, có the cần phải thực hiện các biến đổi như sai phân (differencing) để loại bỏ xu hướng hoặc lựa chọn mô hình phù hợp.

Phương pháp phân tích chuỗi thời gian 2. Mô hình AutoRegressive Integrated Moving Average (ARIMA) Mô hình ARIMA bao gom ba phần chính gồm: AutoRegressive (AR), Integrated (I), Moving Average (MA). Trong đó: AR (AutoRegressive): Phần này liên quan đến các giá trị trong chuỗi dữ liệu được dự đoán dựa trên các giá trị trước đó trong chuỗi. AR cho phép mô hình hồi quy tuyến tính của dữ liệu.

xt = c + ộỵX^ỵ + 02^t—2 + —L QpXt-p + et (2.1) Trong đó Xt là giá trị của chuỗi dữ liệu tại thời điếm t, c là hằng số, ội, ỘI, ., ội là các hệ số tự hoi quy, Et là thành phần ngẫu nhiên - I (Integrated): Phần này liên quan đến việc chuyển đổi chuồi dữ liệu để làm cho nó dễ dàng dự đoán. Phép toán chuyển đổi này thường liên quan đến việc lấy sai phân (difference) bậc d giữa các giá trị trong chuỗi dữ liệu. Ký hiệu là AdXt MA (Moving Average): Phần này liên quan đến việc dự đoán giá trị tiếp theo trong chuồi dựa trên các sai phân trước đó và các thành phần ngẫu nhiên như công thức (2. Trang 8 Xt — c + ft + ^l£t-l + ^2£t-2 + "■ + ^q£t-q (2.2) Trong đó Xt là giá trị của chuồi dữ liệu tại thời điểm t, c là hằng số, £t-i, £t-2, £t-q là thành phần ngẫu nhiên, 01,02, ., 0q là các hệ số dự đoán cho sai phân trước đó.

Ngoài ra, công thức ARIMA tong quát có the được biểu diễn dưới dạng sau: Xt = c + $lXt-l + $2X1-2 T "■ $pXị-p — dỵ£t-l — Ỡ2£t-2 — ®q£t-q + £t (2.3) Trong đó Xt là giá trị của chuỗi dữ liệu tại thời điếm t, c là hằng số, £t-i, £t-2, £t-q là thành phần ngẫu nhiên, Ộ1, Ộ1,., Ộ1 là các hệ số tự hồi quy, 01,02 , ., 0q là các hệ số dự đoán cho sai phân trước đó. Đe sử dụng mô hình ARIMA, chúng ta cần thực hiện các bước: - Thu thập dữ liệu chuỗi thời gian và kiểm tra tính dừng cùa chuỗi. - Xác định các tham số p, d và q bằng cách sử dụng kiểm tra ADF, kiểm tra PACF và kiểm tra ACF. - Ước tính các tham số của mô hình ARIMA.

- Xây dựng mô hình và kiểm tra nó bằng cách sử dụng dữ liệu kiểm tra. - Điều chỉnh mô hình nếu cần và sử dụng nó đê dự đoán tương lai hoặc phân tích chuỗi thời gian. Mô hình Generalized Autoregressive Conditional Heteroskedasticity (GARCH) Mô hình GARCH (Generalized Autoregressive Conditional Heteroskedasticity) là một mô hình thống kê được sử dụng để mô hình hóa biến động không đồng nhất trong dừ liệu thời gian. Mô hình này được phát triển để xác định mức độ biến động trong phân phối cùa một chuỗi dữ liệu thời gian và giả định rằng biến động trong tương lai có thế dự đoán được từ các giá trị trước đó của chuỗi thời gian.

Đối với việc dự đoán, sau khi đã ước lượng được các hệ so w, at và pj từ dữ liệu, ta có thể sử dụng mô hình để dự đoán phương sai tương lai và từ đó ước tính mức độ biến động trong dữ liệu. Công thức cơ bản của một mô hình GARCH(p, q) được mô tả như sau: Trang 9 p q Ơ? = w + ^ arf-i + ^ prf-j (2.4) i=l j=l Trong đó: ơf là phương sai của chuỗi thời gian tại thời điếm t. w là hằng số không âm ơj và Pj là các hệ số không âm p là bậc cùa thành phần ARCH (Autoregressive Conditional Heteroskedasticity). q là bậc của thành phần GARCH (Generalized Autoregressive Conditional Heteroskedasticity).

£ t là giá trị lồi tại thời điểm t, có phân phối chuẩn với mean là 0 và phương sai ơf Dưới đây là các bước cơ bản đế sử dụng mô hình GARCH: - Thu thập dữ liệu chuỗi thời gian và kiếm tra tính dừng của chuỗi. Điều này là quan trọng vì mô hình GARCH yêu cầu chuỗi có tính cố định. - Xác định cấu trúc mô hình GARCH. Cụ the, chúng ta cần xác định số lượng bước thời gian trước đó mà chúng ta muốn xem xét trong phần GARCH và ARCH, thường được đại diện bằng các tham số p và q.

- Ước tính các tham so cùa mô hình GARCH. Cách thường được sử dụng là sử dụng phương pháp cực đại hợp lý (maximum likelihood estimation) để ước tính các tham số của mô hình. - Kiểm tra mô hình. Sau khi ước tính, chúng ta cần kiểm tra xem mô hình có phù họp với dữ liệu không bằng cách sử dụng kiểm tra thống kê và kiểm tra sự phân phối của sai số.

Mô hình học sâu Mô hình học sâu thường bao gom một số lớp an được xếp chồng lên nhau, cho phép chúng học biểu diễn dữ liệu ở các mức trừu tượng và phức tạp Những mô hình học sâu thường gặp: Trang 10 - Mạng nơ-ron hồi quy (RNN): Như đã đề cập ờ trên, RNN là mạng nơ-ron sâu được ứng dụng đế xử lý dữ liệu chuỗi thời gian và dữ liệu có mối quan hệ thời gian.