Ứng Dụng Phương Pháp K-Lân Cận Gần Nhất Dự Báo Nhiều Bước Lưu Lượng Nước Trên Sông

Luận văn thạc sĩ về ứng dụng K-Lân Cận Gần Nhất dự báo lưu lượng nước sông. Nghiên cứu khoa học máy tính, giải pháp hiệu quả cho dự báo nhiều bước.

• Tác giả: Trịnh Văn Quảng
• Người hướng dẫn: PGS TS Dương Tuấn Anh
• Trường học: Trường Đại học Bách khoa
• Chuyên ngành: Khoa học máy tính
• Đề tài: Ứng dụng phương pháp k-lân cận-gấn nhất dự báo nhiều bƣớc lƣu lƣợng nƣớc trên sông
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2014
• Địa điểm: Tp. Hồ Chí Minh

Tóm tắt

I. Tổng Quan Dự Báo Lưu Lượng Nước Sông và K NN 55 ký tự

Dự báo lưu lượng nước sông là một bài toán quan trọng trong dự báo thủy văn, đặc biệt trong bối cảnh biến đổi khí hậu. Các mô hình truyền thống thường gặp khó khăn trong việc xử lý dữ liệu phi tuyến và phức tạp. Phương pháp K-Nearest Neighbors (K-NN), một kỹ thuật mô hình học máy, nổi lên như một giải pháp tiềm năng. K-NN không đòi hỏi nhiều giả định về dữ liệu và có khả năng thích ứng cao với các đặc tính địa phương của lưu vực sông. Tuy nhiên, việc áp dụng K-NN vào dự báo lưu lượng nước sông vẫn còn nhiều thách thức, đặc biệt là trong việc lựa chọn tham số và xử lý dữ liệu đầu vào. Nghiên cứu này tập trung vào việc khám phá và đánh giá khả năng ứng dụng của K-NN trong dự báo nhiều bước lưu lượng nước.

1.1. Tầm quan trọng của Dự Báo Lưu Lượng Nước Sông

Dự báo lưu lượng nước sông đóng vai trò then chốt trong quản lý tài nguyên nước, đặc biệt là trong các hoạt động dự báo lũ lụt và dự báo hạn hán. Thông tin dự báo chính xác giúp các nhà quản lý đưa ra quyết định kịp thời và hiệu quả, giảm thiểu thiệt hại do thiên tai. Ngoài ra, dự báo lưu lượng nước sông còn hỗ trợ các ngành kinh tế khác như nông nghiệp, giao thông thủy và sản xuất năng lượng. Ví dụ, dự báo chính xác có thể giúp nông dân điều chỉnh kế hoạch tưới tiêu, đảm bảo năng suất cây trồng ngay cả trong điều kiện biến đổi khí hậu.

1.2. Giới thiệu về Phương Pháp K Lân Cận Gần Nhất K NN

Phương pháp K-NN là một thuật toán học máy đơn giản nhưng hiệu quả. Ý tưởng cơ bản của K-NN là dự đoán giá trị của một điểm dữ liệu mới dựa trên giá trị của K điểm dữ liệu gần nhất trong không gian đặc trưng. K-NN không yêu cầu giai đoạn huấn luyện phức tạp và có thể áp dụng cho cả bài toán hồi quy và phân loại. Trong bối cảnh dự báo thủy văn, K-NN có thể sử dụng dữ liệu thủy văn trong quá khứ để dự đoán lưu lượng nước sông trong tương lai.

II. Vấn Đề Khó Khăn Dự Báo Lưu Lượng Nước Sông 59 ký tự

Mặc dù có nhiều ưu điểm, việc dự báo lưu lượng nước sông vẫn gặp nhiều khó khăn. Dữ liệu thủy văn thường bị nhiễu, thiếu và không đồng nhất. Các mô hình dự báo truyền thống thường đòi hỏi nhiều giả định về dữ liệu và không thể nắm bắt được các mối quan hệ phi tuyến phức tạp. Biến đổi khí hậu cũng làm tăng tính bất định của dòng chảy sông ngòi, gây khó khăn cho việc dự báo độ chính xác. Ngoài ra, việc dự báo lưu lượng nước sông cho nhiều ngày tới (dự báo nhiều bước) là một thách thức lớn do sai số tích lũy theo thời gian. Luận văn của Trịnh Văn Quảng đã chỉ ra sự cần thiết phải giải quyết các thách thức này để nâng cao hiệu quả dự báo lưu lượng nước.

2.1. Ảnh hưởng của Biến Đổi Khí Hậu Đến Lưu Lượng Sông

Biến đổi khí hậu gây ra những thay đổi đáng kể về lượng mưa, nhiệt độ và các yếu tố khí hậu khác, ảnh hưởng trực tiếp đến lưu lượng nước sông. Tình trạng hạn hán kéo dài hoặc lũ lụt nghiêm trọng trở nên thường xuyên hơn, gây khó khăn cho việc dự báo thủy văn. Các mô hình dự báo cần phải thích ứng với những thay đổi này để đảm bảo độ tin cậy. Theo Maplecroft, Việt Nam là một trong những quốc gia chịu ảnh hưởng nặng nề nhất của biến đổi khí hậu, đòi hỏi các giải pháp dự báo lưu lượng nước sông hiệu quả.

2.2. Khó khăn trong Xử Lý Dữ Liệu Thủy Văn Thực Tế

Dữ liệu thủy văn thường chứa nhiều sai sót, giá trị thiếu và nhiễu do các yếu tố khách quan và chủ quan. Việc xử lý và làm sạch dữ liệu là một bước quan trọng để đảm bảo chất lượng của mô hình dự báo. Các kỹ thuật phân tích chuỗi thời gian và khai phá dữ liệu có thể được sử dụng để phát hiện và loại bỏ các giá trị ngoại lệ, lấp đầy các giá trị thiếu và giảm thiểu nhiễu. Điều này góp phần cải thiện độ chính xác dự báo.

2.3. Thách thức của Dự Báo Nhiều Bước Lưu Lượng Nước Sông

Dự báo nhiều bước (dự báo cho nhiều ngày tới) là một thách thức lớn trong dự báo thủy văn do sai số có xu hướng tích lũy theo thời gian. Các chiến lược dự báo cần được thiết kế để giảm thiểu sai số và đảm bảo độ tin cậy của dự báo trong dài hạn. Trịnh Văn Quảng đã đề xuất các chiến lược như lặp (đệ quy), trực tiếp, DirRec, MIMO và DirMO, mỗi chiến lược có ưu nhược điểm riêng.

III. K NN Phương Pháp Dự Báo Lưu Lượng Nước Hiệu Quả 58 ký tự

Phương pháp K-NN cung cấp một giải pháp thay thế linh hoạt và hiệu quả cho các mô hình dự báo truyền thống. K-NN không đòi hỏi nhiều giả định về dữ liệu và có khả năng thích ứng cao với các đặc tính địa phương của lưu vực sông. Việc lựa chọn tham số K (số lượng lân cận) và khoảng thời gian trễ là quan trọng để đảm bảo khả năng dự báo tốt nhất. Ngoài ra, các kỹ thuật tiền xử lý dữ liệu và phân tích không gian có thể được sử dụng để cải thiện độ chính xác của mô hình.

3.1. Lựa Chọn Tham Số K Tối Ưu trong Mô Hình K NN

Việc lựa chọn tham số K (số lượng lân cận) có ảnh hưởng lớn đến hiệu quả của mô hình K-NN. Giá trị K quá nhỏ có thể dẫn đến mô hình nhạy cảm với nhiễu, trong khi giá trị K quá lớn có thể làm mất đi các đặc tính địa phương của dữ liệu. Các phương pháp như cross-validation có thể được sử dụng để tìm ra giá trị K tối ưu, đảm bảo cân bằng giữa độ chính xác và độ ổn định của mô hình. Trịnh Văn Quảng đã thử nghiệm với nhiều giá trị K khác nhau để tìm ra cấu hình tốt nhất cho từng lưu vực sông.

3.2. Xác Định Khoảng Thời Gian Trễ Phù Hợp cho Dự Báo K NN

Khoảng thời gian trễ (lag time) xác định số lượng giá trị quá khứ được sử dụng để dự đoán giá trị hiện tại. Việc lựa chọn khoảng thời gian trễ phù hợp là quan trọng để nắm bắt được các mối quan hệ thời gian trong dữ liệu thủy văn. Các phương pháp như hàm tự tương quan (ACF) và hàm tương quan chéo (CCF) có thể được sử dụng để xác định khoảng thời gian trễ tối ưu. Theo Trịnh Văn Quảng, dữ liệu quá khứ sẽ được dùng để dự đoán giá trị hiện tại.

3.3. Tiền Xử Lý Dữ Liệu để Nâng Cao Độ Chính Xác K NN

Dữ liệu thủy văn thường chứa nhiều sai sót và nhiễu. Các phương pháp tiền xử lý dữ liệu như loại bỏ giá trị ngoại lệ, điền giá trị thiếu và làm mịn dữ liệu có thể giúp cải thiện độ chính xác dự báo của mô hình K-NN. Các kỹ thuật như Z-score normalization hoặc Min-Max scaling có thể được sử dụng để chuẩn hóa dữ liệu, đảm bảo rằng các biến có cùng mức độ ảnh hưởng đến mô hình.

IV. Ứng Dụng Nghiên Cứu Dự Báo Lưu Lượng Nước Thực Tế 59 ký tự

Nghiên cứu của Trịnh Văn Quảng đã áp dụng phương pháp K-NN để dự báo lưu lượng nước sông trên ba lưu vực sông khác nhau tại Việt Nam: sông Serepok (Đắk Lắk), sông Bé (Bình Dương) và sông Lô (Hà Giang). Kết quả cho thấy rằng hiệu quả của các chiến lược dự báo nhiều bước (lặp, trực tiếp, DirRec, MIMO, DirMO) phụ thuộc vào đặc điểm của dữ liệu và số bước dự báo. Chiến lược MIMO thường hoạt động tốt với dữ liệu nhỏ, trong khi DirREC hiệu quả hơn với dữ liệu lớn và số bước dự báo ngắn.

4.1. Kết Quả Dự Báo trên Sông Serepok Đắk Lắk

Dữ liệu lưu lượng nước trên sông Serepok được thu thập từ trạm đo Buôn Hồ và Cầu 14. Kết quả cho thấy rằng chiến lược DirREC đạt độ chính xác cao nhất cho dự báo ngắn hạn (7 bước), trong khi chiến lược MIMO tốt hơn cho dự báo dài hạn (30 bước). Việc áp dụng kỹ thuật giả lân cận gần nhất không cải thiện đáng kể kết quả dự báo. Kết quả lỗi sẽ cho ra 7 bước dự báo trên tập dữ liệu của trạm Buôn Hồ sông Serepok.

4.2. Kết Quả Dự Báo trên Sông Bé Bình Dương

Dữ liệu lưu lượng nước trên sông Bé được thu thập từ trạm đo Phước Hòa. Kết quả cho thấy rằng chiến lược MIMO hoạt động tốt nhất cho dự báo 12 bước. Sự khác biệt về hiệu quả giữa các chiến lược là không đáng kể, cho thấy rằng K-NN có thể cung cấp kết quả dự báo ổn định trên lưu vực sông này. Bảng xếp hạng của chiến lược này cho thấy tập dữ liệu có kích thước nhỏ.

4.3. Kết Quả Dự Báo trên Sông Lô Hà Giang

Dữ liệu lưu lượng nước trên sông Lô được thu thập từ trạm đo Chiêm Hóa. Kết quả cho thấy rằng chiến lược DirMO đạt độ chính xác cao nhất cho dự báo 11 bước. Các chiến lược khác cũng cho kết quả tương đương, cho thấy tính ổn định của K-NN trên các lưu vực sông khác nhau. So sánh và đánh giá kết quả sẽ cho thấy số bước dự báo lớn.

V. Tổng Kết Ưu Điểm và Hạn Chế của Dự Báo K NN 59 ký tự

Phương pháp K-NN chứng tỏ là một công cụ hữu ích cho dự báo lưu lượng nước sông, đặc biệt trong bối cảnh biến đổi khí hậu. K-NN dễ triển khai, không đòi hỏi nhiều giả định về dữ liệu và có khả năng thích ứng với các đặc tính địa phương. Tuy nhiên, việc lựa chọn tham số, xử lý dữ liệu và giải quyết vấn đề sai số tích lũy vẫn là những thách thức cần được giải quyết để nâng cao hiệu quả dự báo thủy văn.

5.1. Ưu Điểm của Phương Pháp K NN trong Dự Báo Thủy Văn

K-NN có nhiều ưu điểm vượt trội so với các phương pháp dự báo truyền thống. K-NN không yêu cầu giai đoạn huấn luyện phức tạp, dễ dàng triển khai và có khả năng thích ứng với các dữ liệu phi tuyến. Ngoài ra, K-NN có thể sử dụng nhiều nguồn dữ liệu khác nhau (lượng mưa, nhiệt độ, độ ẩm) để cải thiện độ chính xác dự báo.

5.2. Hạn Chế và Hướng Cải Thiện Mô Hình Dự Báo K NN

K-NN có một số hạn chế cần được khắc phục. K-NN có thể chậm khi áp dụng cho dữ liệu lớn. Việc lựa chọn tham số K và khoảng thời gian trễ có thể tốn thời gian và đòi hỏi kinh nghiệm. Việc áp dụng các kỹ thuật giảm chiều dữ liệu và tối ưu hóa tham số có thể giúp cải thiện hiệu quả của K-NN. Ngoài ra, việc kết hợp K-NN với các phương pháp khác (ví dụ: mạng nơ-ron) có thể tạo ra các mô hình dự báo mạnh mẽ hơn.

VI. Tương Lai Phát Triển Mô Hình Dự Báo Lưu Lượng Nước 58 ký tự

Nghiên cứu về dự báo lưu lượng nước sông bằng phương pháp K-NN vẫn còn nhiều tiềm năng phát triển. Các hướng nghiên cứu trong tương lai có thể tập trung vào việc kết hợp K-NN với các kỹ thuật học sâu, sử dụng dữ liệu vệ tinh và hệ thống thông tin địa lý (GIS) để cải thiện độ chính xác dự báo và xây dựng các hệ thống cảnh báo sớm hiệu quả.

6.1. Kết Hợp K NN với Học Sâu để Nâng Cao Độ Chính Xác

Việc kết hợp K-NN với các mô hình học sâu như mạng nơ-ron tích chập (CNN) hoặc mạng nơ-ron hồi quy (RNN) có thể tạo ra các mô hình dự báo mạnh mẽ hơn. Các mô hình học sâu có khả năng tự động trích xuất các đặc trưng quan trọng từ dữ liệu, giúp K-NN hoạt động hiệu quả hơn.

6.2. Sử Dụng Dữ Liệu Vệ Tinh và GIS trong Dự Báo Lưu Lượng

Dữ liệu vệ tinh và GIS cung cấp thông tin quan trọng về địa hình, độ che phủ thực vật và các yếu tố môi trường khác, có thể cải thiện độ chính xác của mô hình dự báo. Các kỹ thuật phân tích không gian có thể được sử dụng để tích hợp dữ liệu vệ tinh và GIS vào mô hình K-NN.

Trích đoạn nội dung tài liệu

CHƯƠNG 1 PHÁT BIỂU VẤN ĐỀ Phần này sẽ giới thiệu vấn đề, mục tiêu và nội dung sơ lƣợc của đề tài, từ đó cho thấy sự cần thiết để thực hiện đề tài này. Giới thiệu vấn đề Chuỗi dữ liệu thời gian hay chuỗi thời gian là sự quan sát các dữ liệu theo thời gian tuần tự. Đối với loại dữ liệu này, cấu trúc dữ liệu có thể là hai hay nhiều chiều trong đó có chiều thời gian, tức là dữ liệu đƣợc theo dõi và ghi lại tại một thời điểm nhất định. Tuy nhiên trong hầu hết các ứng dụng thực tế, dữ liệu đƣợc đo cách nhau trong một khoảng thời gian cố định nên để đơn giản hóa quá trình lƣu trữ cũng nhƣ độ phức tạp của dữ liệu, ngƣời ta chỉ lƣu lại thứ tự các giá trị dữ liệu theo một trình tự thời gian nhất định có dạng X=<x1, x2, …xn> trong đó xi là dữ liệu đƣợc đo ở thời điểm thứ i.

Trong các úng dụng thực tế, có rất nhiều loại dữ liệu chuỗi thời gian nhƣ sự theo dõi biến đổi giá của chứng khoán, dữ liệu đo điện tim đồ, dữ liệu theo dõi mực nƣớc sông hay là sự ghi lại việc truy cập các trang web của ngƣời dùng. Th ng thƣờng, các loại dữ liệu chuỗi thời gian này là rất lớn, đƣợc đo và lƣu trữ lại trong một khoảng thời gian dài cho nên việc lƣu trữ và khai phá dữ liệu này thƣờng tốn kém chi phí thời gian. Do đó việc sử dụng các công cụ khai phá dữ liệu này đƣợc áp dụng trên nền máy tính đã thu hút sự quan tâm, nghiên cứu và ứng dụng trong rất nhiều các lĩnh vực trong những năm gần đây.1 bên dƣới là ví dụ minh họa về đƣờng biểu diễn dữ liệu chuỗi thời gian 2 Hình 1.1 Đường biễu diễn dữ liệu chuỗi thời gian Một số vấn đề khi nghiên cứu chuỗi thời gian:  Khối lượng dữ liệu Một trong những đặc trƣng của chuỗi thời gian là dữ liệu rất lớn. Ví dụ khi đo đạc dữ liệu điện tâm đồ trong 1 giờ khoảng 1 Gigabyte.

Đây là một trong những vấn đề thách thức trong quá trình phân tích, tính toán và xử lý dữ liệu chuỗi thời gian trong việc tạo ra kết quả đƣợc chính xác trong thời gian hợp lý.  Phụ thuộc yếu tố chủ quan Trong thực tế, các kết quả dữ liệu chuỗi thời gian thu đƣợc chịu ảnh hƣởng yếu tố chủ quan của ngƣời đo dữ liệu, điều kiện và các công cụ đo…  Dữ liệu không đồng nhất Quá trình thu thập dữ liệu chuỗi thời gian đƣợc đo trên những định dạng khác nhau, số lƣợng và tần số lấy mẫu kh ng đồng nhất cũng ảnh hƣởng đến tính toàn vẹn của dữ liệu. Thêm vào đó quá trình đo đạc không chính xác do nhiễu, thiếu một vài giá trị hay dữ liệu không sạch. Chính vì những đặc điểm nêu trên mà việc dự báo trên dữ liệu chuỗi thời gian trở nên phức tạp và là một thách thức lớn.

Các phƣơng pháp thƣờng đƣợc dùng để dự báo dữ 3 liệu chuỗi thời gian mang lại hiệu quả cao là các phƣơng pháp máy học. Trong lĩnh vực này đã có rất nhiều nghiên cứu từ lựa chọn mô hình, truyển đổi dữ liệu, các giải thuật huấn luyện,…hơn nữa các nghiên cứu này tập trung rất nhiều vào việc giải quyết các bài toán dự báo trong ngắn hạn (một bƣớc) và các nghiên cứu này đã cho ra những mô hình dự báo có độ chính xác rất cao, trong đó dùng m hình k phần tử lân cận gần nhất để dự báo cho một bƣớc cũng đã cho thấy rất hiệu quả. Trong khi đó bài toán dự báo nhiều bước (multi-step ahead prediction) vẫn là một thách thức lớn đối với việc dự báo chuỗi thời gian. Bài toán dự báo nhiều bƣớc lại tồn tại rất nhiều trong yêu cầu thực tế.

Một ví dụ về bài toán dự báo nhiều bƣớc trên chuỗi dữ liệu thời gian là bài toán dự báo lƣu lƣợng nƣớc trên sông. Và việc dự báo hiệu quả lƣu lƣợng nƣớc trên s ng có ý nghĩa rất lớn đối với việc giải quyết bài toán biến đổi khí hậu, một yêu cầu cấp thiết hiện nay. Biến đổi khí hậu là một trong những thách thức lớn nhất đối với nhân loại trong thế kỷ 21 ảnh hƣởng nghiêm trọng đến sản xuất, đời sống và m i trƣờng và nhiều lĩnh vực khác của ngƣời Việt Nam. Việt Nam đƣợc đánh giá là một trong những quốc gia chịu ảnh hƣởng mạnh mẽ nhất do biến đổi khí hậu.2013, Văn ph ng phân tích nguy cơ Maplecroft Anh đã c ng bố kết luận Việt Nam xếp hạng 26 về mức tổn t n do b ến đổi khí hậu.

Vì vậy, việc thích nghi và giảm nhẹ ảnh hƣởng của biến đổi khí hậu phải trở thành vấn đề ƣu tiên cao trong kế hoạch phát triển quốc gia. Việc xác định đƣợc các ảnh hƣởng của biến đối khí hậu, dự đoán đƣợc sự ảnh hƣởng của biến đổi khí hậu đóng vai tr quan trọng trong việc hoạch đinh các chính sách, chiến lƣợc dài hạn. Một trong những nhiệm vụ quan trọng là đánh giá tác động của biến đổi khí hậu, nƣớc biển dâng đến từng lĩnh vực do; xác định các giải pháp ứng phó với biến đổi khí hậu trên cơ sở kịch bản biến đổi khí hậu, nƣớc biển dâng và định hƣớng phát triển kinh tế xã hội từng thời kỳ đồng thời triển khai thí điểm mô hình thích ứng với biến đổi khí hậu và mô hình giảm nhẹ phát thải khí nhà kính trong các lĩnh vực ƣu tiên: n ng nghiệp, lâm nghiệp, sử dụng đất, tài nguyên nƣớc, năng lƣợng, giao thông vận tải, xây dựng 4 Việc dự báo lƣu lƣợng nƣớc trên sông sẽ phản ánh rõ nét sự ảnh hƣởng của biến đổi khí hậu đến tài nguyên nƣớc, đồng thời cũng có ý nghĩa lớn đối với ngành nông nghiệp và vận tải trong phạm vi lƣu vực của sông 1. Mục tiêu nghiên cứu củ đề tài - Thu thập và làm sạch dữ liệu về lƣu lƣợng nƣớc trên sông Serepok của tỉnh Đắc Lắc, s ng B của tỉnh Bình Dƣơng và s ng L của tỉnh Hà Giang.

- Nghiên cứu các kiến trúc mô hình k-lân cận-gần nhất dùng để dự báo nhiều bƣớc. - Tìm hiểu phƣơng pháp giả-lân cận-gần nhất, xây dựng lại không gian pha để loại bỏ các giả lân cận - Áp dụng các chiến lƣợc dự báo nhiều bƣớc với mô hình k-lân cận-gần nhất lên tập dữ liệu thƣờng lẫn tập dữ liệu đã xây dựng lại không gian pha theo kỹ thuật giả-lân cận-gần nhất. - Hiện thực và thực nghiệm năm chiến lƣợc dự báo nhiều bƣớc trên các tập dữ liệu chuỗi thời gian lƣu lƣợng nƣớc từ đó đƣa ra kết luận và đề xuất chiến lƣợc dự báo nhiều bƣớc phù hợp nhất. Phạm vi nghiên cứu - Kiến trúc mô hình k-lân cận-gần nhất dùng làm m hình nền tảng để dự báo nhiều bƣớc trên chuỗi thời gian.

- Kỹ thuật giả-lân cận-gần nhất, xây dựng lại kh ng gian pha để loại bỏ các lân cận giả - Hiện thực và thực nghiệm năm chiến lƣợc dự báo nhiều bƣớc cho 3 tập dữ liệu chuỗi thời gian lƣu lƣợng nƣớc theo ngày trên sông Serepok của tỉnh Đắc Lắc, và 2 tập dữ liệu chuỗi thời gian lƣu lƣợng nƣớc theo tháng trên s ng B của tỉnh Bình Dƣơng và s ng L của tỉnh Hà Giang 1. P n p áp n ên ứu Sử dụng kết hợp giữa nghiên cứu lý luận và nghiên cứu thực tiễn. - Nghiên cứu lý luận: thu thập các thông tin thông qua nghiên cứu các tài liệu về dự báo chuỗi thời gian, dự báo dùng mô hình k-lân cận-gần nhất, dự báo nhiều bƣớc 5 dùng mô hình k-lân cận-gần nhất trong các lĩnh vực có liên quan. Tìm hiểu phƣơng pháp giả-lân cận-gần nhất để loại bỏ các lân cận giả nhằm mang lại hiệu quả cho quá trình tính toán tìm ra các lân cận gần nhất - Nghiên cứu thực tiễn: từ kết quả các cơ sở lý thuyết đã rút ra trong quá trình nghiên cứu lý luận để áp dụng vào thực tế cho việc dự báo dữ liệu lƣu lƣợng nƣớc trên các sông Serepok, s ng B và s ng L.

Ý n ĩ n ên ứu - Kết quả nghiên cứu sẽ cung cấp giải pháp hỗ trợ việc dự báo sự thay đổi lƣu lƣợng nƣớc trong năm trên s ng, giúp đánh giá sự biến đổi về tài nguyên nƣớc dƣới tác động của biến đổi khí hậu - Kết quả nghiên cứu có thể đƣợc vận dụng để đƣa ra những chính sách đối với ngành nông nghiệp và vận tải trong phạm vi lƣu vực của sông nhằm đối phó với tình hình biến đổi khí hậu 1. Tóm tắt kết quả đã đạt đ ợc - Xây dựng hệ thống dự báo nhiều bƣớc dữ liệu chuỗi thời gian bằng mô hình k lân cận gần nhất hai phƣơng pháp khác nhau: +Phƣơng pháp th ng thƣờng: sử dụng 5 chiến lƣợc là chiến lƣợc lặp, chiến lƣợc trực tiếp, kết hợp cả hai chiến lƣợc đệ quy và trực tiếp, đƣợc gọi là DirRec, chiến lƣợc nhiều ngõ vào-nhiều ngõ ra (MIMO), và chiến lƣợc DirMo nhằm giữ lại những đặc tính tốt nhất của cả hai chiến lƣợc trực tiếp và MIMO +Kỹ thuật giả-lân cận-gần nhất đƣợc sử dụng vào chiến lƣợc dự báo nhiều bƣớc là chiến lƣợc lặp. - Tiến hành thực nghiệm trên 4 tập dữ liệu thực tế về lƣu lƣợng nƣớc: 2 tập dữ liệu lƣu lƣợng nƣớc đo theo ngày trên sông Serepok của tỉnh Đắc Lắc từ năm 1990 tới năm 2011, 1 tập dữ liệu lƣu lƣợng nƣớc đo theo tháng trên s ng B của tỉnh Bình Dƣơng từ năm 1976 đến năm 1993, và 1 tập dữ liệu lƣu lƣợng nƣớc đo theo tháng trên s ng L của tỉnh Hà Giang từ năm 1966 đến năm 1985. 6 - So sánh hiệu quả của năm chiến lƣợc dự báo nhiều bƣớc cùng sử dụng m hình k- lân cận-gần nhất 1.

Cấu trúc của luận văn Chƣơng 1: Giới thiệu về ý tƣởng đề tài, mục tiêu, phạm vi nghiên cứu và tóm tắt về các kết quả đã đạt đƣợc của luận văn. Chƣơng 2: Giới thiệu một số nghiên cứu có liên quan đến nội dung nghiên cứu của luận văn. Trong đó tập trung giới thiệu một số nghiên cứu về chiến lƣợc dự báo nhiều bƣớc, các kỹ thuật dự báo bằng mô hình k-lân cận-gần nhất Chƣơng 3: Trình bày những lý thuyết cơ bản liên quan đến mô hình k-lân cận-gần nhất nhƣ giải thuật xác định các lân cận gần nhất, các chiến lƣợc dự báo nhiều bƣớc, kỹ thuật giả-lân cận-gần nhất để loại bỏ các lân cận giả Chƣơng 4: M tả cách thức giải quyết vấn đề mà luận văn đặt ra là dự báo nhiều bƣớc bằng mô hình k-lân cận-gần nhất.