Luận Văn Tốt Nghiệp: Mô Hình Dự Báo Chất Lượng Không Khí Trong Khoa Học Máy Tính

Chuyên đề nghiên cứu Mô Hình Dự Báo Chất Lượng Không Khí Trong Khoa Học Máy Tính, cập nhật xu hướng mới, giá trị tham khảo cao cho chuyên gia hóa học

• Tác giả: Lê Hiếu Thiện
• Người hướng dẫn: TS. Lê Thanh Vân
• Trường học: Đại học Quốc gia TP.HCM - Trường Đại học Bách Khoa
• Chuyên ngành: Khoa học máy tính
• Đề tài: Xây Dựng Mô Hình Dự Báo Chất Lượng Không Khí
• Loại tài liệu: luận văn tốt nghiệp
• Năm xuất bản: 2022
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• TÓM TẮT ĐỀ TÀI
• DANH SÁCH BẢNG
• DANH SÁCH HÌNH VẼ
• 1. CHƯƠNG 1: GIỚI THIỆU ĐỀ TÀI
• 1.1. Đặt vấn đề
• 1.2. Mục tiêu, đối tượng và phạm vi nghiên cứu
• 1.2.1. Mục tiêu đề tài
• 1.3. Cấu trúc luận văn
• 2. CHƯƠNG 2: KIẾN THỨC NỀN TẢNG
• 2.1. Bài toán dự báo chất lượng không khí
• 2.2. Các chỉ số chất lượng không khí và phương thức tính
• 2.3. Xây dựng mô hình dự báo chất lượng không khí bằng học sâu
• 3. CHƯƠNG 3: CÁC NGHIÊN CỨU LIÊN QUAN
• 3.1. Xây dựng mô hình dự báo chất lượng không khí bằng học sâu
• 3.2. Xây dựng mô hình dự báo chất lượng không khí bằng học máy
• 4. CHƯƠNG 4: XÂY DỰNG MÔ HÌNH DỰ BÁO CHẤT LƯỢNG KHÔNG KHÍ
• 4.1. Lược đồ nghiên cứu
• 4.2. Thu thập dữ liệu
• 4.3. Tiền xử lý và chuẩn hóa dữ liệu
• 4.4. Xây dựng các mô hình dự báo
• 4.5. Tạo tập huấn luyện và đánh giá mô hình
• 4.7. Kết quả thực nghiệm và thảo luận
• 5. CHƯƠNG 5: ỨNG DỤNG QUẢN LÝ VÀ THEO DÕI CHẤT LƯỢNG KHÔNG KHÍ
• 5.1. Xây dựng api server
• 5.2. Ứng dụng quản lý và theo dõi chất lượng không khí
• 6. CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 6.1. Đánh giá kết quả đạt được
• 6.3. Hướng phát triển tương lai

Tóm tắt

I. Giới thiệu đề tài

Ô nhiễm không khí đã trở thành một vấn đề nghiêm trọng không chỉ tại Việt Nam mà còn trên toàn cầu. Theo Tổ chức Y tế Thế giới (WHO), mỗi năm có khoảng 7 triệu người tử vong do các bệnh liên quan đến ô nhiễm không khí. Tại Việt Nam, tình trạng ô nhiễm không khí ngày càng gia tăng, đặc biệt ở các thành phố lớn như Hà Nội và TP.HCM, nơi mà các chỉ số chất lượng không khí thường xuyên vượt mức cho phép. Do đó, việc dự báo chất lượng không khí là vô cùng cần thiết nhằm cung cấp thông tin kịp thời cho người dân và các cơ quan quản lý. Luận văn này tập trung vào việc xây dựng các mô hình dự báo chất lượng không khí bằng các phương pháp học sâu, nhằm nâng cao khả năng dự đoán chính xác các chỉ số ô nhiễm như PM2.5, CO, NO2.

1.1. Tình hình ô nhiễm không khí tại Việt Nam

Tình trạng ô nhiễm không khí tại Việt Nam đang ở mức báo động với nhiều nguyên nhân như phát triển công nghiệp, đô thị hóa nhanh chóng và gia tăng phương tiện giao thông. Theo số liệu thống kê, Việt Nam đứng thứ 17 trong danh sách các quốc gia ô nhiễm nhất thế giới. Điều này không chỉ ảnh hưởng đến sức khỏe cộng đồng mà còn gây thiệt hại kinh tế lớn. Cần có các biện pháp quản lý và theo dõi chất lượng không khí hiệu quả để bảo vệ sức khỏe người dân và môi trường.

II. Các mô hình dự báo chất lượng không khí

Luận văn đã nghiên cứu và phát triển nhiều mô hình dự báo khác nhau dựa trên các thuật toán học máy và học sâu. Các mô hình này bao gồm ANN, RNN, LSTM, CNN-LSTM và các mô hình hybrid. Mỗi mô hình được đánh giá dựa trên độ chính xác của các dự báo cho các chỉ số chất lượng không khí khác nhau. Kết quả cho thấy mô hình LSTM-LSTM và ESN có hiệu suất dự báo tốt nhất, với sai số thấp nhất trong hầu hết các thí nghiệm. Việc áp dụng các mô hình này không chỉ giúp cải thiện độ chính xác của dự báo mà còn giúp phát triển các ứng dụng theo dõi chất lượng không khí một cách hiệu quả.

2.1. Phân tích dữ liệu và xây dựng mô hình

Trước khi xây dựng mô hình, dữ liệu chất lượng không khí được thu thập từ các trạm quan trắc khác nhau. Quá trình tiền xử lý dữ liệu bao gồm việc chuẩn hóa và phân tích thống kê để tìm hiểu mối quan hệ giữa các chỉ số ô nhiễm. Các yếu tố như PM2.5, TSP, CO được xem xét kỹ lưỡng để xác định các đặc tính dữ liệu và lựa chọn input features phù hợp cho việc huấn luyện mô hình. Kết quả cho thấy mối tương quan giữa các chỉ số ô nhiễm là rất quan trọng trong việc dự báo chính xác chất lượng không khí.

III. Ứng dụng và giá trị thực tiễn

Luận văn không chỉ dừng lại ở việc xây dựng mô hình dự báo mà còn phát triển một ứng dụng quản lý và theo dõi chất lượng không khí. Ứng dụng này cung cấp thông tin tức thời về chất lượng không khí cho người dân, giúp họ có thể chủ động trong việc lên kế hoạch cho các hoạt động ngoài trời. Việc phát triển ứng dụng này có ý nghĩa lớn trong việc nâng cao nhận thức cộng đồng về ô nhiễm không khí, từ đó thúc đẩy các hành động bảo vệ sức khỏe và môi trường.

3.1. Tác động đến cộng đồng

Sự phát triển của ứng dụng theo dõi chất lượng không khí không chỉ giúp người dân nắm bắt thông tin kịp thời mà còn tạo ra một nền tảng để các cơ quan chức năng có thể đưa ra các chính sách phù hợp nhằm cải thiện chất lượng không khí. Nhờ vào việc sử dụng các mô hình dự báo hiện đại, ứng dụng có thể cung cấp các dự báo chính xác về tình trạng ô nhiễm trong tương lai gần, từ đó người dân có thể có các biện pháp bảo vệ sức khỏe hiệu quả hơn.

Nội dung chính

Tổng quan nghiên cứu

Ô nhiễm không khí đang là một trong những thách thức môi trường và sức khỏe cộng đồng nghiêm trọng nhất trên phạm vi toàn cầu. Theo báo cáo từ Tổ chức Y tế Thế giới, mỗi năm có khoảng 7 triệu người tử vong do các bệnh lý liên quan trực tiếp đến suy giảm chất lượng không khí. Tại Việt Nam, tình trạng ô nhiễm bụi mịn tại các đô thị lớn đang ở mức báo động; trong cơ cấu 10 bệnh có tỷ lệ tử vong cao nhất trong nước thì có tới 6 bệnh thuộc đường hô hấp. Thiệt hại kinh tế do ô nhiễm không khí tại Việt Nam ước tính lên đến 10 tỷ USD mỗi năm, tương đương 5% đến 7% tổng sản phẩm quốc nội (GDP).

Trước thực trạng đó, đề tài tập trung giải quyết bài toán xây dựng mô hình dự báo nồng độ các chất ô nhiễm không khí ngắn hạn trong khung thời gian 4 giờ kế tiếp, phục vụ công tác cảnh báo sớm cho đô thị. Nghiên cứu sử dụng nguồn dữ liệu thực nghiệm thu thập liên tục theo từng giờ trong suốt giai đoạn từ ngày 24/02/2021 đến ngày 26/02/2022 tại 6 trạm quan trắc tự động trên địa bàn Thành phố Hồ Chí Minh. Các vị trí này đại diện cho 4 loại hình không gian điển hình: khu dân cư, khu công nghiệp, khu đô thị và các nút giao thông trọng điểm.

Mục tiêu cốt lõi của công trình là phân tích tương quan không gian - thời gian của chuỗi dữ liệu môi trường, phát triển các kiến trúc học sâu chuyên sâu và thiết kế mô hình lai nhằm tối ưu hóa sai số dự đoán. Đồng thời, nghiên cứu hiện thực hóa sản phẩm thông qua hệ thống API Server và ứng dụng di động theo dõi chất lượng không khí theo thời gian thực, tạo tiền đề vững chắc cho việc ứng dụng trí tuệ nhân tạo vào quản lý đô thị thông minh.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên nền tảng lý thuyết học sâu và các quy chuẩn môi trường quốc gia hiện hành. Cụ thể, các tiêu chí đánh giá nồng độ chất ô nhiễm tuân thủ nghiêm ngặt theo Quy chuẩn kỹ thuật quốc gia QCVN 05:2013/BTNMT và phương pháp tính toán chỉ số chất lượng không khí Việt Nam (VN_AQI) theo Quyết định 1459/QĐ-TCMT của Tổng cục Môi trường. Trong đó, thuật toán Nowcast sử dụng trọng số trượt từ 12 giá trị quan trắc 1 giờ gần nhất để phản ánh chính xác mức độ phơi nhiễm bụi mịn PM2.5 và PM10.

Khung lý thuyết mô hình hóa dựa trên 3 cấu trúc mạng nơ-ron chuỗi thời gian tiên tiến:

• Mạng nơ-ron hồi quy có cổng nhớ dài - ngắn hạn (Long Short-Term Memory - LSTM): Giải quyết triệt để hiện tượng suy giảm đạo hàm (vanishing gradient) trong mạng RNN truyền thống nhờ cấu trúc 3 cổng gồm cổng quên (forget gate), cổng vào (input gate) và cổng ra (output gate), duy trì trạng thái tế bào (cell state) qua các bước thời gian dài.
• Mô hình chuỗi sang chuỗi (Sequence-to-Sequence): Sử dụng kiến trúc Mã hóa - Giải mã (Encoder - Decoder) kết hợp các lớp LSTM và CNN để chuyển đổi chuỗi quan trắc quá khứ thành vector ngữ cảnh (context vector), từ đó dự báo chuỗi kết quả đa bước trong tương lai.
• Mạng trạng thái tiếng vang (Echo State Network - ESN): Thuộc nhánh Reservoir Computing, sử dụng một vùng chứa động với ma trận trọng số ngẫu nhiên cố định để trích xuất đặc trưng phi tuyến và chỉ huấn luyện hồi quy tuyến tính tại lớp đầu ra, giúp tốc độ huấn luyện nhanh gấp nhiều lần mạng truyền thống.

Các khái niệm cơ bản được chuẩn hóa trong nghiên cứu bao gồm: nồng độ chất ô nhiễm (PM2.5, TSP, NO2, O3, CO), cửa sổ trượt thời gian (sliding window), vector đặc trưng trễ (lag features) và hàm mất mát sai số tuyệt đối trung bình (MAE).

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm bao gồm 8.065 mốc quan trắc mỗi trạm, tương ứng với tổng cộng 48.390 bản ghi được thu thập liên tục trong 367 ngày tại 6 trạm quan trắc thuộc Thành phố Hồ Chí Minh. Phương pháp chọn mẫu phân tầng theo vị trí địa lý được áp dụng để bao quát các đặc trưng môi trường: Trạm 1 (Thư viện ĐHQG - khu đô thị), Trạm 2 (Bình Tân - giao thông), Trạm 3 (KCN Tân Bình - công nghiệp), Trạm 4 (Bình Thạnh - dân cư), Trạm 5 (Quận 3 - giao thông) và Trạm 6 (Quận 10 - giao thông).

Quy trình tiền xử lý dữ liệu được thực hiện chặt chẽ qua các bước:

• Lọc dữ liệu khuyết tật: Các chỉ số có tỷ lệ mất mát quá cao trên 70% (như CO tại Trạm 2 với chỉ 358/8.065 bản ghi) được loại bỏ để tránh gây nhiễu mô hình.
• Khôi phục chuỗi thời gian: Dữ liệu bị gián đoạn dưới 10 giờ liên tục được điền bằng phương pháp nội suy tuyến tính; đồng thời áp dụng kỹ thuật bù dữ liệu chéo dựa trên hệ số tương quan giữa các trạm lân cận (điển hình là Trạm 5 và Trạm 6 có khoảng cách 3,13 km).
• Chuẩn hóa phân phối: Toàn bộ dữ liệu được chuẩn hóa theo thang đo Min-Max về khoảng giá trị từ 0 đến 1, loại bỏ hiện tượng lệch thang đo giữa các chất ô nhiễm.

Lý do lựa chọn phương pháp phân tích học sâu xuất phát từ tính chất phi tuyến tính mạnh và mối liên hệ phức tạp giữa các yếu tố khí tượng và nồng độ hóa chất. Các cấu trúc mạng thử nghiệm gồm ANN, RNN, CFNN, ESN, LSTM, CNN-LSTM, LSTM-LSTM và Hybrid. Quá trình huấn luyện sử dụng thuật toán tối ưu hóa Adam với hệ số học 0.001, kích thước batch size 20, trải qua 50 epochs trên môi trường tính toán Google Colab với thư viện TensorFlow và Keras.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đa kịch bản trên 6 trạm quan trắc đã mang lại các phát hiện khoa học mang tính thực tiễn cao:

Thứ nhất, mô hình kiến trúc chuỗi sang chuỗi LSTM-LSTM và mạng ESN đạt hiệu suất dự báo vượt trội nhất ở hầu hết các chỉ số ô nhiễm. Cụ thể, trong bài toán dự báo trước 4 giờ cho chỉ số bụi mịn PM2.5 tại Trạm 6, mô hình LSTM-LSTM ghi nhận sai số MAE thấp nhất, giảm hơn 25% sai số so với mô hình ANN và SimpleRNN truyền thống.

Thứ hai, mối tương quan không gian đóng vai trò quyết định trong việc nâng cao độ chính xác dự báo. Tại Trạm 5 và Trạm 6, khi tích hợp thêm các biến đầu vào từ trạm lân cận (khoảng cách 3,13 km với hệ số tương quan đạt trên 0,78), sai số dự báo các chỉ số TSP và NO2 giảm trung bình từ 12% đến 18% so với khi chỉ sử dụng dữ liệu đơn trạm.

Thứ ba, mô hình kết hợp (Hybrid) xây dựng trên 4 mạng nơ-ron có hiệu năng cao nhất giúp duy trì độ ổn định vượt trội khi dự báo các chất có tính biến thiên nhanh như Ozone (O3) và bụi lơ lửng (TSP). Mô hình Hybrid đã làm giảm đáng kể độ lệch chuẩn của sai số dự báo trong các khung giờ cao điểm có biến động thời tiết đột ngột.

Thứ tư, hệ thống đã hoàn thiện việc chuyển giao công nghệ thành công thông qua API Server dự báo 4 bước thời gian với độ trễ phản hồi dưới 500 mili-giây, kết nối trực tiếp với ứng dụng di động hiển thị thông tin trực quan theo 6 mức cảnh báo của VN_AQI.

Thảo luận kết quả

Hiệu năng vượt trội của mô hình LSTM-LSTM được giải thích bởi khả năng mã hóa toàn bộ ngữ cảnh chuỗi thời gian 24 giờ quá khứ thành một vector ẩn cố định tại phần Encoder, sau đó phân phối lại qua lớp RepeatVector và TimeDistributed Dense tại phần Decoder. Cơ chế này giúp thông tin dự báo ở các bước xa (từ bước 1 đến bước 4) không bị suy giảm tín hiệu như trong các mạng hồi quy đơn lớp. Trong khi đó, mạng ESN với 24 nơ-ron trong vùng chứa động (reservoir) lại thể hiện ưu thế tính toán vượt trội, giảm thời gian huấn luyện hơn 80% so với LSTM mà vẫn duy trì sai số MAE cạnh tranh.

Trong thực tế phân tích dữ liệu, kết quả có thể được biểu diễn trực quan qua các hình thức sau:

• Biểu đồ Box Plot: Minh họa sự phân tán của nồng độ chất ô nhiễm trước và sau khi chuẩn hóa Min-Max, cho thấy trung bình dữ liệu sau xử lý tập trung tối ưu quanh ngưỡng 0,2 đến 0,5, loại bỏ hoàn toàn các giá trị dị biệt cục bộ.
• Biểu đồ đường đa trục (Multi-line chart): So sánh trực tiếp giữa đường giá trị thực tế và đường giá trị dự báo trong 4 giờ kế tiếp của mạng LSTM-LSTM và ESN, chứng minh đường dự báo bám sát các đỉnh và đáy chu kỳ trong ngày của chất ô nhiễm O3 và NO2.
• Bảng ma trận nhiệt (Heatmap): Trình bày ma trận khoảng cách và hệ số tương quan liên trạm, làm sáng tỏ căn cứ khoa học cho việc trích xuất đặc trưng chéo giữa các trạm đo lân cận.

So với các nghiên cứu tương tự tại Malaysia sử dụng mạng ANN 7-20-4 hay nghiên cứu tại Tây Bắc Trung Quốc dùng mô hình lai, phương pháp tích hợp tương quan không gian kết hợp Seq2Seq trong luận văn này thể hiện sự thích ứng vượt trội với điều kiện dữ liệu khí tượng đặc thù và biến động giao thông phức tạp tại miền Nam Việt Nam.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm, các giải pháp và khuyến nghị chiến lược được đề xuất nhằm nâng cao hiệu quả giám sát chất lượng không khí đô thị:

1. Nâng cấp và chuẩn hóa hạ tầng trạm quan trắc thông minh: Sở Tài nguyên và Môi trường cần phối hợp với các đơn vị công nghệ để triển khai lắp đặt bổ sung 15 đến 20 trạm đo tự động tại các cửa ngõ giao thông trọng điểm và khu chế xuất trong vòng 12 đến 24 tháng tới. Mục tiêu giảm tỷ lệ mất mát dữ liệu chuỗi thời gian xuống dưới mức 5%, đảm bảo mật độ quan trắc phủ kín 100% các quận nội thành.
2. Tích hợp mô hình học sâu LSTM-LSTM vào cổng thông tin cảnh báo môi trường đô thị: Trung tâm Quản lý Điều hành Đô thị thông minh cần đưa mô hình dự báo ngắn hạn 4 giờ vào vận hành chính thức trong vòng 6 tháng. Mục tiêu đạt tối thiểu 500.000 lượt người dùng tiếp cận cảnh báo qua ứng dụng di động, giúp người dân chủ động điều chỉnh lịch trình di chuyển và sinh hoạt khi chỉ số VN_AQI vượt ngưỡng 150.
3. Ứng dụng công nghệ dự báo không gian - thời gian phục vụ điều tiết giao thông: Sở Giao thông Vận tải cần khai thác dữ liệu dự báo nồng độ NO2 và bụi PM2.5 theo thời gian thực để thiết lập các phương án phân luồng giao thông động tại các nút giao có mật độ phát thải cao. Lộ trình triển khai trong 18 tháng, hướng tới mục tiêu giảm 10% đến 15% nồng độ ô nhiễm cục bộ trong các khung giờ cao điểm từ 07:00 đến 09:00 và từ 17:00 đến 19:00.
4. Xây dựng khung chuẩn mực dữ liệu mở và liên thông API quan trắc: Ủy ban Nhân dân Thành phố cần ban hành quy định bắt buộc các khu công nghiệp và doanh nghiệp phát thải lớn kết nối dữ liệu cảm biến về máy chủ tập trung trước năm 2025. Việc này sẽ mở rộng tập dữ liệu huấn luyện cho các mô hình AI, nâng cao độ chính xác dự báo dài hạn từ 24 giờ lên 72 giờ tiếp theo.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả thực nghiệm của luận văn mang lại giá trị thực tiễn cao cho 4 nhóm đối tượng trọng tâm:

• Chuyên gia phân tích dữ liệu và kỹ sư AI: Nắm bắt phương pháp xử lý dữ liệu chuỗi thời gian không đồng nhất, kỹ thuật sliding window, cách cấu hình chi tiết các mạng học sâu tiên tiến (LSTM-LSTM, ESN, CFNN) và cách xây dựng mô hình Hybrid để giải quyết các bài toán hồi quy phi tuyến.
• Cơ quan quản lý nhà nước và nhà hoạch định chính sách môi trường: Tiếp cận cơ sở khoa học vững chắc về sự phân bố và quy luật biến động của các chất ô nhiễm đô thị (PM2.5, NO2, O3, TSP), từ đó xây dựng kế hoạch kiểm soát phát thải và ban hành các chính sách bảo vệ sức khỏe cộng đồng phù hợp.
• Kỹ sư phát triển phần mềm và hệ thống IoT: Tham khảo kiến trúc toàn diện từ khâu thu thập dữ liệu cảm biến, xây dựng RESTful API Server dự báo bằng TensorFlow đến khâu thiết kế ứng dụng di động hoàn chỉnh phục vụ người dùng cuối.
• Giảng viên, học viên cao học và sinh viên chuyên ngành Khoa học Máy tính: Sử dụng luận văn như một tài liệu tham khảo chuẩn mực về phương pháp nghiên cứu ứng dụng, kỹ thuật tiền xử lý dữ liệu thực tế tại Việt Nam và quy trình đánh giá mô hình học máy chuyên sâu.

Câu hỏi thường gặp

1. Tại sao mô hình Seq2Seq LSTM-LSTM lại cho kết quả dự báo chất lượng không khí vượt trội hơn ANN truyền thống? Mạng LSTM-LSTM tích hợp cấu trúc cổng quên và cổng nhớ giúp duy trì trạng thái ngữ cảnh dài hạn mà không bị pha loãng thông tin. Kiến trúc Encoder-Decoder cho phép trích xuất đặc trưng chuỗi 24 giờ quá khứ thành một vector cố định, giúp dự báo chính xác chuỗi liên tục 4 giờ tiếp theo với sai số MAE giảm hơn 25% so với mạng ANN chỉ nhận đầu vào phẳng.

2. Nghiên cứu xử lý như thế nào đối với tình trạng dữ liệu quan trắc bị khuyết tật trong chuỗi thời gian? Với dữ liệu gián đoạn dưới 10 giờ liên tục, phương pháp nội suy tuyến tính được áp dụng để lấp đầy chuỗi. Đặc biệt, nghiên cứu tận dụng tương quan không gian giữa các trạm gần nhau (như Trạm 5 và Trạm 6 cách nhau 3,13 km có hệ số tương quan trên 0,78) để điền dữ liệu khuyết chéo, đồng thời loại bỏ các chuỗi thiếu quá dài trên 70% để đảm bảo tính chuẩn xác.

3. Thuật toán Nowcast có vai trò gì trong việc tính toán chỉ số chất lượng không khí VN_AQI? Theo Quyết định 1459/QĐ-TCMT, thuật toán Nowcast sử dụng giá trị bình quân có trọng số từ 12 mốc giờ gần nhất của bụi PM2.5 để phản ánh kịp thời sự thay đổi đột ngột của chất lượng không khí. Khi nồng độ bụi dao động mạnh, trọng số các giờ gần nhất tăng lên, giúp cảnh báo tức thời nguy cơ phơi nhiễm cho người dân thay vì độ trễ 24 giờ như cách tính trung bình cộng truyền thống.

4. Mạng trạng thái tiếng vang (ESN) mang lại lợi ích gì nổi bật trong bài toán dự báo chuỗi thời gian môi trường? Mạng ESN sử dụng một vùng chứa động ngẫu nhiên gồm 24 nơ-ron không cần cập nhật trọng số nội tại qua lan truyền ngược, mà chỉ tối ưu hóa ma trận trọng số đầu ra bằng hồi quy tuyến tính. Điều này giúp giảm hơn 80% thời gian huấn luyện so với LSTM sâu, cho phép triển khai dự báo tức thời ngay trên các thiết bị tính toán biên hoặc máy chủ IoT cấu hình giới hạn.

5. Ứng dụng di động xây dựng trong luận văn đem lại giá trị thực tiễn gì cho người dân đô thị? Ứng dụng kết nối trực tiếp với API Server để truy xuất kết quả dự báo nồng độ bụi PM2.5, TSP, NO2, O3 trong 4 giờ kế tiếp. Thông qua giao diện trực quan phân cấp theo 6 màu sắc chuẩn của VN_AQI, người dân có thể nắm bắt nguy cơ ô nhiễm trước 4 tiếng để chủ động đeo khẩu trang chuyên dụng, bật máy lọc không khí hoặc điều chỉnh lộ trình di chuyển.

Kết luận

• Luận văn đã xây dựng thành công bộ mô hình học sâu toàn diện để giải quyết bài toán dự báo ngắn hạn 4 giờ cho các chất ô nhiễm trọng yếu tại Thành phố Hồ Chí Minh.
• Kiến trúc chuỗi sang chuỗi LSTM-LSTM và mạng ESN chứng minh hiệu năng dẫn đầu với sai số MAE thấp nhất và khả năng thích ứng linh hoạt với dữ liệu chuỗi thời gian phức tạp.
• Khai thác thành công mối liên kết tương quan không gian giữa 6 trạm quan trắc thực tế, mở ra giải pháp hiệu quả cho bài toán khôi phục và bù khuyết dữ liệu môi trường.
• Đã hoàn thiện sản phẩm ứng dụng di động và hệ thống API Server thời gian thực, sẵn sàng cho việc tích hợp vào trung tâm điều hành đô thị thông minh.
• Trong giai đoạn tiếp theo, nghiên cứu cần mở rộng tích hợp các yếu tố vi khí hậu (tốc độ gió, độ ẩm, bức xạ nhiệt) và mở rộng phạm vi dự báo lên 24 đến 72 giờ.

Hãy liên hệ ngay với tác giả hoặc truy cập kho lưu trữ luận văn của Trường Đại học Bách Khoa - ĐHQG TP.HCM để khám phá trọn vẹn bộ mã nguồn và dữ liệu thực nghiệm giá trị này.

Trích đoạn nội dung tài liệu

Chương 1. Giới thiệu tổng quan về đề tài, mục tiêu, đối tượng và phạm vi nghiên cứu. Trình bày cơ sở lý thuyết về các chỉ số chất lượng không khí, các mô hình học máy và học sâu sẽ được áp dụng • Chương 3. Nêu các nghiên cứu liên quan về dự báo chất lượng không khí.

Xây dựng mô hình dự báo chất lượng không khí, thực nghiệm các mô hình dự báo chất lượng không khí, đánh giá kết quả và thảo luận. Ứng dụng quản lý và theo dõi chất lượng không khí • Chương 6. Đánh giá các kết quả đã đạt được và hướng phát triển trong tương lai. Luận văn tốt nghiệp Trang 5/72 Đại học quốc gia thành phố Hồ Chí Minh - Trường Đại học Bách Khoa Khoa Khoa Học và Kỹ Thuật Máy Tính Chương 2 CƠ SỞ LÝ THUYẾT 2.1 Bài toán dự báo chất lượng không khí Bài toán dự báo chất lượng không khí là một lớp bài toán dự báo, dùng dữ liệu trong quá khứ để xây dựng mô hình dự báo các giá trị trong tương lai.

Mục tiêu mô hình là tối ưu giá trị sai số dự đoán từ mô hình và giá trị thực tế. Tập dữ liệu thường dùng là các chỉ số chất lượng không khí như AQI, PM2.5, O3, TSP, CO, SO2, NO2.dữ liệu sẽ được thu thập trong một khoảng thời gian liên tục trong quá khứ, càng có nhiều dữ liệu thì mô hình sẽ có hiệu quả cao hơn. Các phương pháp tiếp cận thường được dùng trong việc xây dựng mô hình dự báo chất lượng không khí là các phương pháp sử dụng thống kê, các phương pháp học máy và học sâu: • Sử dụng các phương pháp thống kê truyền thống: Sử dụng các phân tích thông kê để tìm ra các đặc trưng của dữ liệu như tính xu hướng, tính mùa, tính chu kì, tính ổn định của dữ liệu. Sau đó dựa vào đặc tính của dữ liệu mà sử dụng các phương pháp phù hợp để xây dựng mô hình dự báo.

Ví dụ như mô hìn trung bình trượt (Moving average) và mô hình làm mượt lũy thừa (Exponential smoothing method) thích hợp cho dữ liệu không có tính mùa và xu hướng. Mô hình tự hồi quy (Autoregressive model) phù hợp cho các chuỗi dữ liệu có tự tương quan giữa các điểm thời gian. Đặc biệt mô hình ARIMA có thể áp dụng với mọi loại dữ liệu. • Sử dụng các phương pháp học máy (Machine learning), học sâu (Deep learning): Trong những năm gần đây, với sự phát triển tốc độ tính toán và lưu trữ của máy tính thì việc xử lý các tập dữ liệu lớn trở nên nhanh chóng và dễ dàng hơn.

Vì vậy các phương pháp học máy và học sâu đã được nghiên cứu áp dụng rất nhiều trong việc xây dựng mô hình dự báo chất lượng không khí. Các mô hình này thường không đòi hỏi các đặc tính cụ thể của dữ liệu, thích hợp cho việc xử lý các loại dữ liệu lớn và độ chính xác trong tính toàn thường cao hơn so với các mô hình thống Luận văn tốt nghiệp Trang 6/72 Đại học quốc gia thành phố Hồ Chí Minh - Trường Đại học Bách Khoa Khoa Khoa Học và Kỹ Thuật Máy Tính kê truyền thống. Một số các mô hình học máy và học sâu thường dùng trong dự báo chất lượng không khí là Regression, Support Vector machine, Random forest. và đặc biệt là các mô hình mạng Neurol network như ANN, CNN, RNN, LSTM.2 Các chỉ số chất lượng không khí và phương thức tính 2.