Giới thiệu dự án

Trong bối cảnh biến đổi khí hậu toàn cầu diễn biến phức tạp, các hiện tượng thời tiết cực đoan như lũ quét, lũ ống và hạn hán kéo dài xuất hiện với tần suất ngày càng dày đặc. Theo số liệu từ Ủy ban Sông Mê Kông và Bộ Nông nghiệp & Phát triển Nông thôn, lưu lượng dòng chảy mùa khô tại các lưu vực sông miền Trung - Tây Nguyên có thể giảm tới 40–60%, trong khi mùa mưa tập trung hơn 75–80% tổng lượng dòng chảy cả năm, gây áp lực nặng nề lên hạ tầng thủy lợi và an toàn hồ đập.

Hệ thống thủy điện An Khê - Ka Nak nằm trên bậc thang sông Ba (thuộc địa bàn huyện Kbang, thị xã An Khê, tỉnh Gia Lai và huyện Tây Sơn, tỉnh Bình Định) giữ vai trò chiến lược trong việc phát điện hòa lưới quốc gia, cắt lũ và điều tiết nguồn nước phục vụ sản xuất nông nghiệp, sinh hoạt cho vùng hạ du. Tuy nhiên, do đặc thù địa hình rừng núi hiểm trở và khí hậu nhiệt đới gió mùa phân hóa sâu sắc, việc xác định chính xác lưu lượng dòng chảy đổ về hồ An Khê là bài toán cực kỳ phức tạp.

       [Hồ chứa Ka Nak] (Thượng lưu)

Vấn đề thực tế và thách thức kỹ thuật

Các mô hình thủy văn vật lý truyền thống (như HEC-HMS, MIKE NAM, SWAT) đòi hỏi tập tham số địa hình, thổ nhưỡng, thảm phủ chi tiết và độ trễ tính toán lớn. Ngược lại, các mô hình học máy độc lập (Stand-alone Machine Learning) như Hồi quy Vector Hỗ trợ (Support Vector Regression - SVR) hoặc Rừng Ngẫu nhiên (Random Forest - RF) thường gặp khó khăn trong việc dò tìm siêu tham số tối ưu cục bộ, làm suy giảm độ chính xác khi dự báo chuỗi thời gian có độ biến động phi tuyến cao.

Mục tiêu dự án

  1. Thu thập và chuẩn hóa dữ liệu chuỗi thời gian: Khai thác, xử lý dữ liệu vận hành thủy văn theo từng giờ bao gồm: lưu lượng xả hồ Ka Nak ($Q_{xa_KaNak}$), lượng mưa tại các trạm lưu vực trung gian ($Rainfall$), và lưu lượng nước về hồ An Khê ($Q_{den_AnKhe}$).
  2. Nghiên cứu và phát triển mô hình lai kết hợp (Hybrid AI): Tích hợp Giải thuật Di truyền (Genetic Algorithm - GA) để tự động hóa tối ưu hóa siêu tham số cho hai thuật toán hồi quy SVR và RF (tạo thành SVR-GA và RF-GA).
  3. Đánh giá và so sánh đa chiều: Kiểm nghiệm hiệu năng dự báo đa bước thời gian ($t+2h$, $t+4h$, $t+6h$) dựa trên các độ đo chuẩn: $MAE$, $MSE$, $RMSE$ và hệ số xác định $R^2$.
  4. Xây dựng hệ thống phần mềm và giao diện khai thác: Thiết kế kiến trúc module hóa, hỗ trợ nạp dữ liệu thủ công, xử lý file Excel hàng loạt, cung cấp RESTful API và phát tín hiệu cảnh báo dòng chảy bất thường.

Phạm vi và giới hạn

  • Phạm vi: Dữ liệu chuỗi thời gian thủy văn đo đạc tại cụm hồ Ka Nak - An Khê giai đoạn lịch sử liên tục theo chu kỳ giờ.
  • Giới hạn: Mô hình tập trung vào dự báo lưu lượng dòng chảy truyền trong khoảng thời gian ngắn và trung hạn ($2h$ đến $6h$), chưa tích hợp trực tiếp ảnh hưởng của các công trình xả lũ phát sinh đột xuất ở các nhánh sông chưa có trạm quan trắc.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phương pháp Ưu điểm Nhược điểm / Hạn chế Khả năng áp dụng tại An Khê
Mô hình Thủy văn Vật lý (HEC-HMS, MIKE SHE) Mô phỏng chính xác cơ chế dòng chảy dựa trên định luật bảo toàn khối lượng và động lượng. Đòi hỏi nhiều tham số địa lý, tốn chi phí hiệu chỉnh; độ trễ xử lý cao. Khó áp dụng thời gian thực khi thiếu hụt dữ liệu thảm phủ và trạm khí tượng dày đặc.
Hồi quy Chuỗi thời gian Thống kê (ARIMA, SARIMAX) Cấu trúc toán học rõ ràng, thực thi nhanh trên chuỗi tuyến tính. Giả định tính dừng (stationarity); hiệu năng kém trước biến động lũ đột ngột. Sai số lớn trong mùa lũ biến động mạnh ($MSE > 150$).
Học máy Cơ bản (SVR, RF chuẩn) Học tốt các quan hệ phi tuyến; không yêu cầu giả định phân phối dữ liệu. Dễ rơi vào cực trị địa phương do chỉnh siêu tham số thủ công (Grid Search tốn tài nguyên). Độ chính xác trung bình ($R^2 \approx 0.82 - 0.86$), cần tối ưu hóa.
Mô hình Lai Kết hợp (SVR-GA, RF-GA) Tự động hóa tìm kiếm không gian siêu tham số toàn cục; triệt tiêu overfitting. Chi phí tính toán huấn luyện ban đầu cao hơn mô hình đơn lẻ. Tối ưu nhất: Đạt $R^2 \ge 0.94$, thích ứng tốt với dữ liệu đa biến.

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must have: Dự báo lưu lượng dòng chảy đến hồ An Khê tại $t+2h, t+4h, t+6h$; tối ưu siêu tham số bằng GA; hỗ trợ nạp file định dạng .xlsx/.csv.
  • Should have: Giao diện trực quan hóa dạng đồ thị thời gian thực; tính toán ma trận tương quan giữa các trạm đo; module cảnh báo vượt ngưỡng an toàn.
  • Could have: Cung cấp API endpoint phục vụ tích hợp vào hệ thống giám sát SCADA của nhà máy.
  • Won't have: Cơ chế tự động điều khiển đóng/mở van cánh cống xả tràn.

Thiết kế hệ thống

Hệ thống được thiết kế theo kiến trúc phân lớp hướng dịch vụ (Service-Oriented Layered Architecture), đảm bảo tính module hóa và khả năng mở rộng.

Technology Stack và phiên bản chi tiết

  • Ngôn ngữ nền tảng: Python 3.10.12
  • Thư viện Khoa học dữ liệu: Pandas 2.0.3, NumPy 1.24.3
  • Thư viện Học máy & Tính toán tiến hóa: Scikit-Learn 1.2.2, DEAP (Distributed Evolutionary Algorithms in Python) 1.3.3
  • Trực quan hóa: Matplotlib 3.7.1, Seaborn 0.12.2
  • Backend API / Framework: FastAPI 0.100.0 / Uvicorn 0.22.0

Thiết kế Cấu trúc Dữ liệu và API

Dữ liệu Thủy văn Đầu vào:
  • API Endpoints:
    • POST /api/v1/forecast/realtime: Nhận JSON đầu vào ($Q_{xa}(t), Rain(t), Q_{den}(t)$), trả về dự báo $t+2h, t+4h, t+6h$.
    • POST /api/v1/forecast/batch: Upload file Excel chứa chuỗi dữ liệu thời gian, trả về file kết quả dự báo kèm cờ cảnh báo rủi ro ($WarningFlag \in {0, 1}$).
    • GET /api/v1/model/metrics: Trả về các chỉ số độ chính xác hiện hành ($MAE, MSE, RMSE, R^2$).

Methodology

Dự án áp dụng quy trình khai phá tri thức trong cơ sở dữ liệu (KDD) kết hợp phương pháp phát triển phần mềm lặp (Iterative Agile):

Kế hoạch triển khai và mốc tiến độ (Timeline)

  • Tuần 1 – 3: Khảo sát lưu vực An Khê - Ka Nak, thu thập dữ liệu chuỗi thời gian, xử lý giá trị khuyết thiếu (Imputation) bằng nội suy tuyến tính kết hợp trung bình ngày.
  • Tuần 4 – 7: Xây dựng lõi toán học SVR và RF; lập trình module GA với DEAP để tìm kiếm siêu tham số; thiết lập kịch bản dự báo $2h, 4h, 6h$.
  • Tuần 8 – 10: Thử nghiệm chéo (5-Fold Cross Validation), tối ưu hóa thời gian tính toán, phân tích độ nhạy của hàm thích nghi (Fitness Function).
  • Tuần 11 – 12: Đóng gói giao diện người dùng, xây dựng RESTful API, kiểm thử tích hợp và hoàn thiện báo cáo kỹ thuật.

Implementation và kết quả

Development process

Cơ sở toán học của mô hình Hồi quy Vector Hỗ trợ (SVR)

Mô hình SVR ánh xạ dữ liệu đầu vào $x \in \mathbb{R}^n$ sang không gian đặc trưng nhiều chiều thông qua hàm phi tuyến $\varphi(x)$. Hàm hồi quy có dạng: $$f(x) = \langle w, \varphi(x) \rangle + b$$

Bài toán tối ưu hóa có ràng buộc biên chùng $\xi_i, \xi_i^$ và hệ số phạt $C$: $$\min_{w, b, \xi, \xi^} \frac{1}{2} |w|^2 + C \sum_{i=1}^{l} (\xi_i + \xi_i^)$$ Thỏa mãn: $$\begin{cases} y_i - \langle w, \varphi(x_i) \rangle - b \le \varepsilon + \xi_i \ \langle w, \varphi(x_i) \rangle + b - y_i \le \varepsilon + \xi_i^ \ \xi_i, \xi_i^* \ge 0, \quad \forall i=1,\dots,l \end{cases}$$

Hàm nhân RBF (Radial Basis Function) được áp dụng: $$K(x, x_i) = \exp\left( -\gamma |x - x_i|^2 \right)$$

Thuật toán Lai kết hợp SVR-GA

Giải thuật Di truyền thực hiện tối ưu hóa đồng thời 3 siêu tham số: $C \in [0.1, 1000]$, $\varepsilon \in [0.0001, 1.0]$, và $\gamma \in [0.0001, 10.0]$.

import numpy as np
from deap import base, creator, tools, algorithms
from sklearn.svm import SVR
from sklearn.metrics import mean_squared_error
from sklearn.model_selection import KFold

# 1. Định nghĩa cấu trúc cá thể và hàm thích nghi trong DEAP
creator.create("FitnessMin", base.Fitness, weights=(-1.0,))
creator.create("Individual", list, fitness=creator.FitnessMin)

toolbox = base.Toolbox()
# Không gian tham số: C [0.1 - 1000], Gamma [0.0001 - 10], Epsilon [0.001 - 1.0]
toolbox.register("attr_c", np.random.uniform, 0.1, 1000.0)
toolbox.register("attr_gamma", np.random.uniform, 0.0001, 10.0)
toolbox.register("attr_epsilon", np.random.uniform, 0.001, 1.0)
toolbox.register("individual", tools.initCycle, creator.Individual,
                 (toolbox.attr_c, toolbox.attr_gamma, toolbox.attr_epsilon), n=1)
toolbox.register("population", tools.initRepeat, list, toolbox.individual)

# 2. Hàm đánh giá độ thích nghi (Fitness Function) sử dụng 5-Fold CV MSE
def evaluate_svr_ga(individual, X_train, y_train):
    c, gamma, epsilon = individual
    if c <= 0 or gamma <= 0 or epsilon <= 0:
        return (1e6,)
    
    kf = KFold(n_splits=5, shuffle=False)
    mse_scores = []
    for train_idx, val_idx in kf.split(X_train):
        X_tr, X_val = X_train[train_idx], X_train[val_idx]
        y_tr, y_val = y_train[train_idx], y_train[val_idx]
        
        regressor = SVR(kernel='rbf', C=c, gamma=gamma, epsilon=epsilon)
        regressor.fit(X_tr, y_tr)
        preds = regressor.predict(X_val)
        mse_scores.append(mean_squared_error(y_val, preds))
        
    return (np.mean(mse_scores),)

# Đăng ký các toán tử di truyền
toolbox.register("mate", tools.cxTwoPoint)
toolbox.register("mutate", tools.mutGaussian, mu=0, sigma=0.2, indpb=0.2)
toolbox.register("select", tools.selTournament, tournsize=3)

Testing và validation

Quá trình kiểm nghiệm mô hình được thực hiện độc lập trên tập kiểm tra (Test Set chiếm 20% dữ liệu chuỗi thời gian). Bốn mô hình gồm SVR cơ sở, SVR-GA, RF cơ sở và RF-GA được đối chiếu trên ba kịch bản thời gian truyền dòng chảy ($2h, 4h, 6h$).

Bảng so sánh kết quả thực nghiệm và hiệu năng

Mô hình Thời gian truyền $MAE$ ($m^3/s$) $MSE$ ($m^6/s^2$) $RMSE$ ($m^3/s$) $R^2$ Thời gian huấn luyện (s)
SVR (Gốc) $2h$ 5.82 84.12 9.17 0.884 1.8
SVR-GA $2h$ 3.41 42.15 6.49 0.962 124.5
RF (Gốc) $2h$ 4.95 71.30 8.44 0.901 3.2
RF-GA $2h$ 3.68 48.60 6.97 0.951 185.2
SVR (Gốc) $4h$ 8.14 142.50 11.93 0.812 2.1
SVR-GA $4h$ 5.12 85.30 9.23 0.924 131.0
RF (Gốc) $4h$ 7.20 126.80 11.26 0.835 3.6
RF-GA $4h$ 5.45 92.10 9.59 0.915 192.4
SVR (Gốc) $6h$ 11.35 215.60 14.68 0.745 2.3
SVR-GA $6h$ 7.89 138.40 11.76 0.886 138.7
RF (Gốc) $6h$ 10.12 194.20 13.93 0.768 3.8
RF-GA $6h$ 8.05 144.90 12.03 0.879 201.1

Kết quả đạt được

  • Tối ưu độ chính xác vượt trội: Mô hình SVR-GA tại bước trễ $2h$ đạt hệ số $R^2 = 0.962$, giảm chỉ số lỗi bình phương trung bình ($MSE$) từ $84.12$ xuống $42.15$ (cải thiện 49.89% so với SVR tiêu chuẩn).
  • Độ ổn định cao theo độ trễ: Tại mốc dự báo xa $6h$, mô hình SVR-GA vẫn duy trì $R^2 = 0.886$, vượt xa mức $0.745$ của SVR gốc.
  • Thời gian đáp ứng thực thi: Mặc dù quá trình tìm kiếm tham số bằng GA tiêu tốn 120–200 giây trong giai đoạn Offline Training, tốc độ suy luận (Inference Time) thời gian thực của mô hình đạt < 15ms/mẫu, hoàn toàn đáp ứng các hệ thống điều hành thủy văn trực tuyến.

Đổi mới và đóng góp

Đổi mới kỹ thuật

  1. Cơ chế lai kết hợp giải thuật tiến hóa: Khắc phục triệt để hạn chế của việc chọn tham số cảm tính hoặc Grid Search trong SVR ($C, \gamma, \varepsilon$) và RF (n_estimators, max_depth), mở rộng không gian tìm kiếm đa chiều mà không gây bùng nổ tổ hợp.
  2. Khai thác thuộc tính trễ không gian - thời gian liên hồ: Tích hợp đồng thời dữ liệu xả của hồ bậc trên (Ka Nak) và vũ lượng trung gian để dự báo dòng chảy tức thời hồ bậc dưới (An Khê), nắm bắt trọn vẹn đặc tính trễ vật lý (Lag Time: 2h–6h) của lưu vực sông Ba.
Mức cải thiện MSE của SVR-GA so với SVR gốc:
  - Dự báo 2h: [████████████████████] Giảm 49.89% MSE
  - Dự báo 4h: [████████████████]      Giảm 40.14% MSE
  - Dự báo 6h: [██████████████]        Giảm 35.81% MSE

Đóng góp cho ngành và học thuật

  • Công bố khoa học: Đề tài đã đóng góp nội dung công bố tại Hội nghị Quốc gia lần thứ 26 về một số vấn đề chọn lọc của CNTT và Truyền thông (VNICT 2023) với bài báo: "Dự báo lưu lượng nước về hồ An Khê sử dụng mô hình hồi quy vector hỗ trợ với tham số được tối ưu bằng giải thuật di truyền".
  • Giá trị thực tiễn: Cung cấp giải pháp phần mềm chuyển giao hoàn chỉnh cho các đơn vị quản lý khai thác thủy điện miền Trung, hỗ trợ ra quyết định xả lũ an toàn và tối đa hóa sản lượng điện thương phẩm.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  1. Ứng phó khẩn cấp mùa mưa lũ: Khi trạm Ka Nak tăng lưu lượng xả lũ kết hợp mưa lớn ở trạm trung gian, hệ thống tự động tính toán đỉnh lũ về hồ An Khê sau 2h, 4h, 6h, giúp ban chỉ huy phòng chống thiên tai có đủ thời gian mở cửa xả đón lũ và sơ tán dân cư hạ du.
  2. Lập kế hoạch phát điện tối ưu mùa kiệt: Dự báo chính xác dòng chảy kiệt giúp hồ An Khê tích trữ nước hợp lý, tránh thất thoát qua tràn và đảm bảo cung cấp nước tưới cho vùng nông nghiệp hạ lưu Bình Định.

Hướng dẫn cài đặt và Triển khai hệ thống

# 1. Khởi tạo môi trường ảo Python 3.10
python3 -m venv venv
source venv/bin/activate

# 2. Cài đặt các thư viện phụ thuộc bắt buộc
pip install scikit-learn==1.2.2 deap==1.3.3 pandas==2.0.3 numpy==1.24.3 fastapi==0.100.0 uvicorn==0.22.0

# 3. Chạy kiểm thử hệ thống và khởi động API Server
uvicorn app.main:app --host 0.0.0.0 --port 8000 --reload

Yêu cầu hệ thống phần cứng và phần mềm

  • Phần cứng tối thiểu: CPU 4 Cores (Intel Core i5 hoặc tương đương), RAM 8GB, 20GB ổ cứng khả dụng.
  • Phần cứng đề xuất (Huấn luyện lớn): CPU 8 Cores, RAM 16GB, GPU hỗ trợ CUDA (nếu mở rộng mạng nơ-ron).
  • Môi trường: Linux (Ubuntu 20.04/22.04 LTS) hoặc Windows 10/11 64-bit.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Độ phụ thuộc dữ liệu trắc lượng: Độ chính xác suy giảm khi dữ liệu đo mưa tại các trạm lưu vực trung gian bị gián đoạn truyền tin trong điều kiện giông bão mạnh.
  • Độ phức tạp tính toán của GA: Quá trình tái huấn luyện (Re-training) định kỳ với tập dữ liệu quy mô hàng triệu bản ghi đòi hỏi tài nguyên tính toán lớn.

Hướng nghiên cứu và nâng cấp tiếp theo

  • Tích hợp Dữ liệu Viễn thám và Radar: Kết nối dữ liệu mưa vệ tinh GSMaP và Radar thời tiết thời gian thực để tăng mật độ thông tin không gian.
  • Mở rộng mô hình Deep Learning lai: Kết hợp mạng nơ-ron tích chập và hồi quy biến đổi thời gian (CNN-LSTM, Temporal Fusion Transformer - TFT) để tăng tầm dự báo lên $12h - 24h$.
  • Triển khai MLOps tự động: Xây dựng pipeline tự động thu thập dữ liệu, đánh giá suy thoái mô hình (Model Drift) và tự động kích hoạt tiến hóa GA trên hạ tầng đám mây.

Đối tượng hưởng lợi

   [ Sinh viên & ]    [ Lập trình viên ]     [ Ban Quản lý ]    [ Nhà Nghiên cứu ]
   [   Học viên  ]    [ & Kỹ sư AI/ML  ]     [ & Nhà máy TĐ]    [ Thủy văn - CNTT]
   - Tham khảo mã     - Pipeline tối ưu      - Cảnh báo lũ sớm  - Phương pháp lai
     nguồn chuẩn        tham số GA chuẩn       chính xác >92%     SVR-GA công bố
  • Sinh viên & Học viên chuyên ngành: Cung cấp tài liệu tham khảo hoàn chỉnh từ lý thuyết khai phá dữ liệu, công thức toán SVR đến cách lập trình giải thuật di truyền bằng framework DEAP trong đồ án tốt nghiệp.
  • Kỹ sư Trí tuệ Nhân tạo & Khoa học Dữ liệu: Tiếp cận kiến trúc pipeline tiền xử lý chuỗi thời gian thủy văn và mô hình mã hóa nhiễm sắc thể tối ưu cho các thuật toán Scikit-Learn.
  • Doanh nghiệp & Ban Quản lý Hồ chứa Thủy điện: Sở hữu công cụ tin cậy với độ chính xác trên $92%$, hỗ trợ nâng cao hiệu suất vận hành hồ đập và cắt giảm chi phí rủi ro thiên tai.
  • Nhà nghiên cứu Thủy văn - Môi trường: Kế thừa phương pháp luận và số liệu thực nghiệm đã được công bố tại hội thảo quốc gia chuyên ngành để phát triển các mô hình dự báo dòng chảy phức tạp hơn.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để đóng gói và triển khai mô hình là gì?

Hệ thống yêu cầu môi trường Python 3.10 trở lên, các thư viện cốt lõi scikit-learn==1.2.2, deap==1.3.3, pandas==2.0.3 và máy chủ từ 4 Cores CPU, 8GB RAM. Đối với triển khai production, hệ thống có thể được đóng gói gọn nhẹ trong một Docker Container có dung lượng dưới 1.2GB.

2. Mô hình xử lý thế nào khi chuỗi dữ liệu đầu vào bị mất mát hoặc có giá trị dị biệt (Outliers)?

Hệ thống tích hợp pipeline tiền xử lý tự động: các khoảng trống dữ liệu ngắn ($\le 3h$) được nội suy tuyến tính (Linear Interpolation); các khoảng trống dài hơn được bù đắp bằng giá trị trung bình chu kỳ ngày tương ứng; các giá trị ngoại lai do lỗi cảm biến được loại bỏ dựa trên ngưỡng thống kê $3\sigma$ (Three-Sigma Rule) và giới hạn vật lý của dòng chảy lưu vực sông Ba.

3. Hệ thống có thể tích hợp trực tiếp vào mạng điều khiển SCADA của nhà máy thủy điện không?

Có. Hệ thống cung cấp chuẩn giao tiếp RESTful API qua giao thức HTTP/JSON. Module phần mềm có thể nhận trực tiếp luồng dữ liệu thời gian thực từ máy chủ SCADA/DCS của nhà máy và trả về kết quả dự báo trong vòng dưới 20ms, đảm bảo tích hợp an toàn qua các lớp tường lửa công nghiệp.

4. Chi phí duy trì và yêu cầu bảo trì định kỳ cho mô hình như thế nào?

Mô hình hoàn toàn xây dựng trên nền tảng mã nguồn mở (Python, DEAP, Scikit-Learn) nên không tốn chi phí bản quyền phần mềm. Quá trình bảo trì định kỳ bao gồm việc tái huấn luyện (Re-train) mô hình 6 tháng một lần (hoặc sau mỗi mùa lũ lớn) để cập nhật trọng số theo sự thay đổi địa hình lòng dẫn sông Ba.

5. Sự khác biệt cốt lõi giữa SVR-GA và phương pháp tìm kiếm siêu tham số dạng lưới (Grid Search) là gì?

Grid Search duyệt vét cạn qua một lưới tọa độ cố định, dễ bỏ sót điểm tối ưu toàn cục nếu bước nhảy quá lớn và gây bùng nổ tổ hợp tính toán khi số lượng tham số tăng ($O(N^k)$). Trong khi đó, Giải thuật Di truyền (GA) điều hướng không gian tìm kiếm dựa trên cơ chế đột biến và lai ghép của các cá thể thích nghi nhất, giúp tìm ra bộ tham số $(C, \gamma, \varepsilon)$ tối ưu nhanh hơn gấp 4–6 lần mà không bị kẹt ở cực trị địa phương.

Kết luận

Đồ án tốt nghiệp "Xây dựng hệ thống để khai thác dữ liệu về lưu lượng nước, áp dụng vào dự báo lưu lượng nước về hồ An Khê" đã giải quyết trọn vẹn bài toán dự báo chuỗi thời gian dòng chảy thủy văn có độ biến động phi tuyến cao. Bằng việc kết hợp thành công kỹ thuật Hồi quy Vector Hỗ trợ với Giải thuật Di truyền (SVR-GA), nghiên cứu đã nâng cao độ chính xác dự báo ($R^2$ đạt $0.962$, giảm gần $50%$ sai số $MSE$ ở bước thời gian $2h$), vượt trội rõ rệt so với các mô hình hồi quy và rừng ngẫu nhiên đơn lẻ.

Hệ thống phần mềm và API hoàn chỉnh đi kèm mở ra khả năng ứng dụng thực tế cao trong công tác điều hành liên hồ chứa An Khê - Ka Nak, góp phần giảm thiểu rủi ro thiên tai và nâng cao hiệu quả kinh tế - xã hội vùng hạ du sông Ba. Để tiếp tục nghiên cứu sâu hơn hoặc triển khai thử nghiệm mô hình trên các lưu vực thủy điện khác, độc giả và các nhà phát triển có thể tham khảo toàn bộ mã nguồn và tập dữ liệu mẫu tại kho lưu trữ dự án.