ĐẠI HOC QUOC GIA TP. HO CHÍ MINH TRUONG DAI HỌC CONG NGHỆ THONG TIN KHOA MANG MAY TINH VA TRUYEN THONG HO MINH HAO - 20521290 TRAN NGỌC QUÝ - 20521817 KHÓA LUẬN TÓT NGHIỆP TRANSFORM CHO BÀI TOÁN DU DOAN CHAT LƯỢNG KHONG KHÍ DEEP LEARNING BASED WAVELET TRANSFORM MODEL FOR AIR QUALITY PREDICTION CU NHAN NGANH MANG MAY TINH VA TRUYEN THONG DU LIEU GIANG VIEN HUONG DAN TS. LE KIM HUNG TP. HO CHÍ MINH, 2024 LỜI CẢM ƠN Lời đầu tiên, chúng em xin chân thành gửi lời cảm ơn đến các quý Thay/Cé của Trường Đại học Công nghệ thông tin đặc biệt là quý Thầy/Cô khoa Mạng máy tính và truyền thông đã luôn tận tình chỉ day và truyền tai cho chúng em kiến thức quý báu trong suốt những năm đại học vừa qua.
Chúng em cũng xin gửi lời cảm ơn đến trường ban giám hiệu Dai học Công Nghệ Thông Tin — Đại Học Quốc Gia TPHCM đã luôn tạo điều kiện để chúng em được tham gia các phong trào, chương trình học tập của trường, từ đó tích lũy được nhiều kinh nghiệm và kỹ năng cần thiết cho tương lai. Lời tiếp theo, chúng em xin chân thành cảm ơn thầy Lê Kim Hùng đã định hướng và tận tình chỉ dẫn cho chúng em từ những ngày đầu tiên cho đến ngày hôm nay. Bên cạnh đó, chúng em cũng xin cảm ơn thay Thái Huy Tân đã nhiệt tình hỗ trợ, hướng dẫn chúng em trong suốt quá làm luận văn. Chính nhờ sự chỉ dẫn và hỗ trợ tận tình của quý thầy mà chúng em mới có thê hoản thành được luận văn một cách tốt nhất.
Lời cuối cùng, chúng em xin chân thành gửi lời cảm ơn đến bậc phụ huynh, các anh chị, bạn bè đã luôn bên cạnh động viên, giúp đỡ chúng em trong suốt quá trình học tập tích lũy kiến thức. Sự đồng hành của mọi người là nguồn động lực to lớn đề em có thể hoàn thành tốt những nhiệm vụ của mình.năm 2024 Sinh viên 1 Sinh viên 2 (Ký tên và ghi rõ họ tên) (Ky tên và ghi rõ họ tên) ĐẠI HỌC QUOC GIA TP. HO CHÍ MINH CONG HÒA XÃ HOI CHỦ NGHĨA TRƯỜNG ĐẠI HỌC VIỆT NAM CÔNG NGHỆ THÔNG TIN Độc Lập - Tự Do - Hạnh Phúc DE CƯƠNG CHI TIẾT TÊN ĐÈ TÀI: - Tiếng Việt: Thiết kế mô hình học sâu kết hợp wavelet transform cho bài toán dự đoán chat lượng không khí. - Tiêng Anh: Deep learning based wavelet transform model for air quality prediction Cán bộ hướng dẫn: TS.
Lê Kim Hùng Thời gian thực hiện: Từ 02/2024 đến 06/2024 Sinh viên thực hiện: Hồ Minh Hào — 20521290 - 0335255432 Trần Ngọc Quý — 20521817 - 0386394597 Nội dung đề tài: 1. Ngữ cảnh Sự phát triển vượt bậc của nên khoa học, công nghệ đã tạo điều kiện cho quá trình công nghiệp hoá, hiện đại hóa diễn ra nhanh chóng trên toàn cầu. Với bước đệm công nghệ hiện đại, các hoạt động sản xuất, xây dựng ngày cảng diễn ra sôi nổi hơn, dan đến việc môi trường sống bị ảnh hưởng theo hướng tiêu cực khi mà lượng khí thải công nghiệp cũng tăng lên đáng kẻ. Ô nhiễm không khí đe dọa sức khỏe của người dân ở khắp mọi nơi trên thế giới.
Ước tính của WHO răng 9/10 người dân phải hít thở không khí chứa hàm lượng các chất gây ô nhiễm cao. Ô nhiễm không khí cả ở bên ngoài và trong nhà gây ra khoảng 7 triệu ca tử vong hàng năm trên toàn cầu; chỉ tính riêng khu vực Tây Thái Bình Dương, khoảng 2,2 triệu người tử vong mỗi năm, điều đó đã đặt ra một thách thức đối với các nhà nghiên cứu, phải tìm ra phương án kiểm soát tình trạng ô nhiễm không khí. Các giải pháp hiện có và hạn chế Trước đây đã có nhiều nhà nghiên cứu đề xuất các phương dự đoán chất lượng không khí, nhưng chủ yếu là các phương pháp truyền thống dựa trên các mô hình thống kê như Linear Regression, ARIMA. sử dung dữ liệu trong quá khứ để dự đoán xu hướng trong tương lai.
Tuy nhiên, các mô hình này quá đơn giản nên việc dự đoán là không hiệu quả. Các nghiên cứu gân đây đã đề xuất ứng dụng các mô hình máy học hiện đại vào dự đoán chất lượng không khí. So với các mô hình thống kê truyền thống thì các mô hình máy học hiện đại sẽ có khả năng khái quát được tốt hơn mối quan hệ phức tạp giữa các chất ôô nhiễm. Mặc dù vậy, các mô hình máy.
học hiện đại vân còn một vài hạn chê như nhạy cảm với nhiều, không thê phân tích quan hệ cua dữ liệu theo miễn tân sô,. Vi vậy, nhóm đã quyết định chọn đềtài thiết kế và xây dựng một mô hình học sâu theo kiến trúc Multi-input kết hop với phép biên đôi Wavelet đê có thê phân tích được các môi quan hệ phức tạp của dữ liệu trên cả miên thời gian lân tân sô, kêt hợp với dữ liệu của các đơn vị địa lý lân cận đê tăng độ chính xác dự đoán giá trị chât lượng không khí ở khu vực mục tiêu. Mục tiêu dé tài: +> Nghiên cứu phương pháp phân tích, biến đổi dit liệu dé nắm rõ được các mối quan hệ phức tạp của các chất ô nhiễm không khí. +> Thiết kế và xây dựng mô hình học sâu có bộ nhớ dài hạn, có khả năng phân tích tốt các mối quan hệ phức tạp của các chatô nhiễm trên miền thời gian và tần só.
+> Xây dựng mô hình có khả năng tận dụng đữ liệu của các đơn vị địa lý lân cận đề nâng cao độ chính xác dự đoán của mô hình. +> So sánh hiệu xuất của mô hình dự đoán dựa trên các mô hình khác nhau đề kiểm chứng, đưa ra kết luận về kha năng ứng dụng thực tê cũng như hướng phát triên trong tương lai. Phạm vi đề tài: +> Tìm hiểu phép biến đổi wavelet dé phân tích dit liệu trên miễn tan sé. +> Thử nghiệm các mô hình học sâu cho bài toán chuỗi thời gian và lựa chọn mô hình phù hợp.
+> Tìm hiểu về kiến trúc mô hình multi-input, sử dụng dữ liệu của các đơn vị địa lý lân cận dé dự đoán giá trị ở khu vực mục tiêu. +> Xây dựng mô hình học sâu theo kiến trúc Multi-input kết hợp với phép biến đổi Wavelet dé dự đoán giá tri chât lượng không khí ở khu vực mục tiêu dựa trên các khu vực lân cận. Kết quả mong đợi: t> Xây dựng được mô hình học sâu có khả năng dự đoán giá trị chất lượng không khí tốt, cho ra kết quả với giá trị độ lôi tôi thiêu. +> Thiết kế mô hình có kha năng ứng dụng vào thực tế và có thé phát triển trong tương lai.
Kế hoạch thực hiện: STT | Nội dung công việc Thời gian hoàn Sinh viên thực hiện thành dự kiến 1 | Tìm hiểu và thử nghiệm các mô hình _ | 2 tuần Hồ Minh Hào học sâu cho bài toán dự đoán chuỗi thời gian và chọn mô hình phù hợp 2 | Tìm hiểu phép biến đổi Wavelet và 1 tuần ứng dụng 3 | Tìm hiểu kiến trúc Multi-input model | 1 tuần 4 | Thiết kế, xây dựng mô hình học sâu _ | 3 tuần theo kiên trúc Multi-input kết hợp phép biên đôi Wavelet 5 | Tìm hiểu về IoT platform 2 tuần Trần Ngọc Quý OpenRemote 6_ | Tích hợp mô hình dự đoán vào 4 tuần OpenRemote 7 Kiểm thử và hoàn thiện hệ thống 1 tuần Hồ Minh Hào Trần Ngọc Quý 8 | Viết báo cáo 1 tuần Tài liệu tham khảo [1] WHO, "Air pollution," [Online]. Available: https:/www.int/health-topics/air-pollution#tab=tab_ 2. Mani, "Prediction and forecasting of air quality index in Chennai using regression and ARIMA time series models"., "PyWavelets - Wavelet Transforms in Python," [Online]. Available: https://pywavelets.io/en/latest/.
Rosebrock, "Keras: Multiple Inputs and Mixed Data," [Online]. Available: https://pyimagesearch.com/2019/02/04/keras-multiple-inputs-and-mixed-data/. Xác nhận của CBHD TP. Sinh viên (Ký tên và ghỉ rõ họ tên) (Ký tên và ghỉ rõ họ tên) MỤC LỤC 0n 00965 88.
Lido chọn để tài. St St 2t tt E SE EE1111217111511211111111E11111111 1111111511112. Mucc dich nghién CU 0n,. Đối tượng nghiên cứu.
Phạm vi nghiên cứu. Các công trình nghiên cứu liên quan và cơ sở lý thuyÊt. Docker và Docker hub .- -ó- <1 11 3191 11 019v hi ng nh Hư nghi, 13 2. Các công trình nghiên cứu lIÊn qua1.
Hướng phân loại (Classification approach). Hướng hồi quy (Regression approach). Hướng sử dụng kỹ thuật phân tach (Decomposition approach),. DU LIEU VÀ PHƯƠNG PHÁP.-- 2: 2222+2EEE£EEE2EEEE2EE271222112212221.
Témg quan mô hình triển khai. ¿2-2 2£©£2Ekt2EE£EE££EE£EEEEEEEEEEEEEEEEEEEEEEErkrrrkrrrerrkree 25 3.SHỈ HH HH HH HH Hán re 26 3. Tiền xử lý dữ liệu.2Ek2EEE2EEEE1221122112111 11. Mô hình dự đoán đề xuất.
Biến đổi Wavelet. Mô hình dự đoán chất lượng không khí. Mô hình Multi-input BiLSTM AufOenCO(eT. Mô tả hệ thống và triển khai hệ thống " 40 3.
Khởi tạo hệ thống. Khởi tạo công cụ trên OpenR€ImOfC. --- + + +2 E 1E x9 2 vn nh ng n riếc 43 3. Deploy mô hình dự đoán vào hệ thống OpenRemote .----- 2 5zsz©zsz©se2 44 Chương 4.
¿22-22 SS22EE22EE22EEEE1127112112112715111. Chi s6 damh gid n3 ầ. Kết qua thử nghiệm. _ Hiện thực hệ thống.
Thiết bị thực tẾ.ccc HH nh rguêy 5I 4. Hiễn thị dữ liệu trên hệ thống.---- 2 +£©E2+E+EEE£EEEEEEEEEEEE1227121171E 21c re 58 Chương 5.11 T11 T11 T1 T11 HH 1 ng nêu 61 5.cchnHHHHHHHHHHHHH HH HH rêu 61 5. Hướng phát triển. TÀI LIỆU THAM KHẢO DANH MỤC HÌNH Hình 2-1: Hệ thống mã nguồn mớ OpenRemote .-- 2 2 s2 ssssssessessesssess2 6 Hình 2-2: Kiến trúc hệ thống của OpenRemote .--- se se se 5sssse+vseevseevseevseesse 9 Hình 2-3: Kiến trúc thiết kế của REST API.
5< s°+ss©+vseervsserrrsserrrxsee 10 Hình 2-4: Giao diện chính của API Swagger OpenlÑ€ImOfC.s- 5= ssesse<ssssses 12 Hình 2-5: Một phan đữ liệu Asset dưới dang JSON .--s- s5 ss©csecssesserssess 13 Hình 2-6: Kiến trúc của Docker .-- «se s°s<s£©s££SsEs££x+£Es©vseEseEtserseerserseerserssere 14 Hình 2-7: Docker compose xử lý đa tiến trình với 1 file ymil.5--5--s--scsc s52 15 Hình 2-8: Luồng hoạt động của Docker Hub.--e--2 2s ssssssessessesseeseeseesesse 16 Hình 2-9: Azure cung cấp hơn 200 dich VỤ .- 2s se ssss£ssessessessezsessessesse 17 Hình 3-1: Kiến trúc mô hình dé XuẤt.- «+ EEvzdseeseekxdereorrarsrrriee 33 Hình 3-2: Dữ liệu PM2.5 sau khi qua phép biến đối Wavelet.---s--s-sccssess 35 Hình 3-3: Kiến trúc mô hình L/STÌM.--° 2-2 s£s©s£€+s£©ssexse ssexsersserserssers 36 Hình 3-4: Kiến trúc mô hình BiLSTM .-2---ss°ss£Evxeseeeevxseeesrreseerre 37 Hình 3-5: Tống quan luồng hệ thồng.---°- 2-2 s£sss£s££+sEs£Ss££sexezssexsezssess 40 Hình 3-6: Giao diện Asset của OD€T€ITIOÉC.985 8985685685650 43 Hình 3-7: Khởi tao weather Asset AQT pr€dÏCfÏOIA.s- 5555 5< 5< s5 5565696 26 43 Hình 3-8: ID asset của AQT prF€(ÏCfÏOIn.0 0909988888 06 44 Hình 3-9: Sơ đồ tiến hành tích hợp mô hình dự đoán vào OpenRemote .- 45 Hình 3-10: Ví dụ về cách lấy token thủ công .-- 2 «se ©ssesse+ssesseessexserssess 46 Hình 4-1: Biểu đồ giá trị thực tế va giá trị dự đoán của mô hình đề xuắt. 49 Hình 4-2: Cảm biến E/NS160.----s°s<©se©©ss£EvseE+seEvseEEAeETAetrAeersserxservserrssrrssre 51 Hinh£ 6 0e0) 01003). 52 Hình 4-4: Sơ đồ chân của ESP8266.