Mô Hình Học Sâu Kết Hợp Wavelet Để Dự Đoán Chất Lượng Không Khí

Khóa luận trình bày thiết kế mô hình học sâu kết hợp wavelet transform để dự đoán chất lượng không khí trong mạng máy tính và truyền thông dữ liệu.

• Tác giả: Hồ Minh Hào
• Người hướng dẫn: TS. Lê Kim Hùng
• Trường học: Đại học Quốc gia TP. Hồ Chí Minh
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Mô Hình Học Sâu Kết Hợp Wavelet Để Dự Đoán Chất Lượng Không Khí
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2024
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI MỞ ĐẦU
• 1. MỤC LỤC
• 1.1. Lí do chọn đề tài
• 1.2. Mục đích nghiên cứu
• 1.3. Đối tượng nghiên cứu
• 1.4. Phạm vi nghiên cứu
• 1.5. Các công trình nghiên cứu liên quan và cơ sở lý thuyết
• 1.5.1. Docker và Docker hub
• 1.5.2. Hướng phân loại (Classification approach)
• 1.5.3. Hướng hồi quy (Regression approach)
• 1.5.4. Hướng sử dụng kỹ thuật phân tách (Decomposition approach)
• 1.6. Dữ liệu và phương pháp
• 1.6.1. Tổng quan mô hình triển khai
• 1.6.2. Tiền xử lý dữ liệu
• 1.6.3. Mô hình dự đoán đề xuất
• 1.6.3.1. Biến đổi Wavelet
• 1.6.3.2. Mô hình dự đoán chất lượng không khí
• 1.6.3.3. Mô hình Multi-input BiLSTM Autoencoder
• 1.6.4. Mô tả hệ thống và triển khai hệ thống
• 1.6.4.1. Khởi tạo hệ thống
• 1.6.4.2. Khởi tạo công cụ trên OpenRemote
• 1.6.4.3. Deploy mô hình dự đoán vào hệ thống OpenRemote
• 1.7. Kết quả thử nghiệm
• 1.7.1. Hiện thực hệ thống
• 1.7.2. Thiết bị thực tế
• 1.7.3. Hiển thị dữ liệu trên hệ thống
• 1.8. Hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Mô Hình Học Sâu Kết Hợp Wavelet

Mô hình học sâu kết hợp với phép biến đổi wavelet đang trở thành một xu hướng quan trọng trong việc dự đoán chất lượng không khí. Sự phát triển của công nghệ đã tạo ra nhiều cơ hội để cải thiện độ chính xác trong việc phân tích dữ liệu ô nhiễm. Việc áp dụng các phương pháp này không chỉ giúp nâng cao hiệu suất mà còn mở ra hướng đi mới cho nghiên cứu về ô nhiễm không khí.

1.1. Khái Niệm Về Mô Hình Học Sâu

Mô hình học sâu là một nhánh của trí tuệ nhân tạo, sử dụng các mạng nơ-ron để học từ dữ liệu. Các mô hình này có khả năng tự động trích xuất đặc trưng mà không cần sự can thiệp của con người.

1.2. Phép Biến Đổi Wavelet Là Gì

Phép biến đổi wavelet cho phép phân tích tín hiệu trong cả miền thời gian và tần số. Điều này giúp nhận diện các đặc trưng quan trọng trong dữ liệu ô nhiễm không khí.

II. Vấn Đề Ô Nhiễm Không Khí Hiện Nay

Ô nhiễm không khí đang trở thành một vấn đề nghiêm trọng trên toàn cầu. Theo WHO, khoảng 7 triệu ca tử vong hàng năm liên quan đến ô nhiễm không khí. Các chất ô nhiễm như PM2.5, NOx, và SO2 gây ra nhiều bệnh lý nghiêm trọng. Việc dự đoán chính xác chất lượng không khí là cần thiết để bảo vệ sức khỏe cộng đồng.

2.1. Tác Động Của Ô Nhiễm Không Khí

Ô nhiễm không khí ảnh hưởng đến sức khỏe con người, gây ra các bệnh về hô hấp, tim mạch và ung thư. Các nghiên cứu cho thấy rằng ô nhiễm không khí có thể làm giảm tuổi thọ.

2.2. Thách Thức Trong Dự Đoán Chất Lượng Không Khí

Các mô hình dự đoán truyền thống thường không đủ chính xác do không thể xử lý các mối quan hệ phức tạp giữa các yếu tố ô nhiễm. Cần có các phương pháp mới để cải thiện độ chính xác.

III. Phương Pháp Dự Đoán Chất Lượng Không Khí Hiệu Quả

Mô hình học sâu kết hợp với phép biến đổi wavelet là một giải pháp tiềm năng cho bài toán dự đoán chất lượng không khí. Phương pháp này cho phép phân tích dữ liệu theo cả hai miền thời gian và tần số, từ đó nâng cao độ chính xác trong dự đoán.

3.1. Ứng Dụng Mô Hình Multi input

Mô hình multi-input cho phép sử dụng dữ liệu từ nhiều nguồn khác nhau, giúp cải thiện độ chính xác của dự đoán. Việc kết hợp dữ liệu từ các khu vực lân cận là rất quan trọng.

3.2. Kết Hợp Wavelet Trong Phân Tích Dữ Liệu

Phép biến đổi wavelet giúp trích xuất các đặc trưng quan trọng từ dữ liệu ô nhiễm. Điều này cho phép mô hình học sâu học được các mối quan hệ phức tạp hơn.

IV. Kết Quả Nghiên Cứu Và Ứng Dụng Thực Tiễn

Nghiên cứu cho thấy mô hình học sâu kết hợp wavelet có khả năng dự đoán chất lượng không khí tốt hơn so với các mô hình truyền thống. Kết quả này mở ra cơ hội ứng dụng trong thực tiễn, giúp các nhà quản lý môi trường đưa ra quyết định kịp thời.

4.1. Kết Quả Thực Nghiệm

Mô hình đã được thử nghiệm trên dữ liệu thực tế và cho thấy độ chính xác cao trong việc dự đoán chỉ số AQI. Điều này chứng tỏ tính khả thi của mô hình trong thực tế.

4.2. Ứng Dụng Trong Quản Lý Môi Trường

Mô hình có thể được áp dụng để theo dõi chất lượng không khí trong thời gian thực, giúp các cơ quan chức năng có biện pháp xử lý kịp thời.

V. Kết Luận Và Hướng Phát Triển Tương Lai

Mô hình học sâu kết hợp wavelet là một bước tiến quan trọng trong việc dự đoán chất lượng không khí. Nghiên cứu này không chỉ cung cấp một phương pháp mới mà còn mở ra hướng đi mới cho các nghiên cứu tiếp theo trong lĩnh vực này.

5.1. Tầm Quan Trọng Của Nghiên Cứu

Nghiên cứu này góp phần nâng cao nhận thức về ô nhiễm không khí và tầm quan trọng của việc dự đoán chất lượng không khí.

5.2. Hướng Phát Triển Trong Tương Lai

Cần tiếp tục nghiên cứu để cải thiện mô hình, mở rộng ứng dụng và tích hợp thêm các công nghệ mới như IoT để thu thập dữ liệu hiệu quả hơn.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Ô nhiễm không khí là một thách thức y tế và môi trường nghiêm trọng trên phạm vi toàn cầu. Theo báo cáo từ Tổ chức Y tế Thế giới (WHO), khoảng 9/10 người dân trên thế giới phải hít thở bầu không khí chứa hàm lượng chất gây ô nhiễm cao. Ô nhiễm không khí ngoài trời và trong nhà là nguyên nhân dẫn đến khoảng 7 triệu ca tử vong sớm mỗi năm, trong đó khu vực Tây Thái Bình Dương ghi nhận khoảng 2,2 triệu ca tử vong. Ngoài ra, ước tính có khoảng 2,4 tỷ người đang phải tiếp xúc với mức độ ô nhiễm không khí nguy hại từ việc đun nấu bằng nhiên liệu sinh khối, than đá hoặc dầu hỏa. Tại Việt Nam, áp lực từ quá trình đô thị hóa và phát triển công nghiệp nhanh chóng khiến nhu cầu kiểm soát và dự báo chất lượng môi trường không khí trở nên cấp thiết.

Trước thực trạng đó, các phương pháp dự đoán truyền thống dựa trên mô hình thống kê chuỗi thời gian như Hồi quy tuyến tính (Linear Regression) hay ARIMA thường bộc lộ hạn chế do cấu trúc tuyến tính đơn giản, không phản ánh được tính phi tuyến phức tạp của các thông số khí tượng. Các mô hình học máy như Support Vector Machine (SVM), K-Nearest Neighbors (KNN), Random Forest, Decision Tree và Mạng nơ-ron nhân tạo (ANN) đã được áp dụng nhằm cải thiện độ chính xác. Tuy nhiên, các kỹ thuật này vẫn tồn tại nhược điểm: SVM và KNN nhạy cảm với nhiễu; Random Forest và Decision Tree bị giới hạn bởi giả định độc lập tuyến tính giữa các biến đầu vào; còn ANN đòi hỏi khối lượng dữ liệu huấn luyện rất lớn. Đặc biệt, các mô hình học máy truyền thống thiếu cơ chế ghi nhớ để mô hình hóa sự phụ thuộc thời gian dài hạn. Dù mạng Bộ nhớ ngắn-dài hạn (LSTM) khắc phục được vấn đề lưu trữ phụ thuộc thời gian, kiến trúc này vẫn thuần túy phân tích dữ liệu trên miền thời gian mà bỏ qua các đặc trưng biến thiên trên miền tần số. Do đó, đề tài "Thiết kế mô hình học sâu kết hợp wavelet transform cho bài toán dự đoán chất lượng không khí" được thực hiện nhằm giải quyết các tồn tại trên thông qua kiến trúc kết hợp đa miền dữ liệu.

Mục tiêu và nhiệm vụ nghiên cứu của đề tài bao gồm 4 nội dung cụ thể:

1. Nghiên cứu phương pháp phân tích và biến đổi dữ liệu nhằm nắm rõ các mối quan hệ phức tạp của các chất ô nhiễm không khí trên cả miền thời gian lẫn miền tần số.
2. Thiết kế và xây dựng mô hình học sâu có bộ nhớ dài hạn, có khả năng phân tích tốt mối quan hệ phức tạp của các chất ô nhiễm trên cả hai miền này.
3. Xây dựng mô hình có khả năng tận dụng dữ liệu từ các đơn vị địa lý lân cận để nâng cao độ chính xác dự đoán giá trị chất lượng không khí tại khu vực mục tiêu.
4. So sánh hiệu suất của mô hình đề xuất với các mô hình học máy phổ biến khác nhằm kiểm chứng độ chính xác, đưa ra kết luận về khả năng ứng dụng thực tế và đề xuất hướng phát triển hệ thống giám sát.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Tập dữ liệu chất lượng không khí Bắc Đài Loan gồm 8 chất ô nhiễm chính (CO, NO, NO2, NOx, O3, PM10, PM2.5, SO2) và chỉ số chất lượng không khí (AQI); tập dữ liệu India AQI; các mô hình học sâu (LSTM, BiLSTM, Autoencoder); các kỹ thuật biến đổi sóng con (Wavelet Transform); nền tảng phần mềm OpenRemote và các cảm biến đo lường môi trường vật lý.
• Phạm vi nghiên cứu: Giới hạn dữ liệu chuỗi thời gian quan trắc theo từng giờ từ 00:00 ngày 01/01/2015 đến 23:00 ngày 31/12/2015 tại các trạm đo ở khu vực Bắc Đài Loan; phạm vi thời gian thực hiện đề tài từ tháng 02/2024 đến tháng 06/2024; triển khai thực nghiệm hệ thống phần cứng và phần mềm trên nền tảng mã nguồn mở OpenRemote kết hợp điện toán đám mây Microsoft Azure.

---

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng cơ sở lý luận dựa trên việc kết hợp toán học xử lý tín hiệu, kiến trúc học sâu hồi quy chuỗi thời gian và công nghệ tích hợp hệ thống Internet vạn vật (IoT):

• Biến đổi Wavelet rời rạc (Discrete Wavelet Transform - DWT): DWT khắc phục nhược điểm mất thông tin thời gian của biến đổi Fourier truyền thống bằng cách phân tách tín hiệu chuỗi thời gian thành các dải tần số khác nhau thông qua các hàm cơ sở sóng con trực giao. Phép biến đổi được định nghĩa theo công thức: $$WT_x(a, b) = \frac{1}{\sqrt{a}} \sum_{n=-\infty}^{+\infty} x(n) \psi_{a, b}(n)$$ với hàm sóng con mẹ (mother wavelet): $$\psi_{a, b}(n) = \frac{1}{\sqrt{a}} \psi\left(\frac{n - b}{a}\right)$$ trong đó $a$ là tham số tỷ lệ (độ giãn) và $b$ là tham số dịch chuyển (vị trí). Tín hiệu đầu vào được phân rã thành hai thành phần: thành phần xấp xỉ tần số thấp ($cA$) phản ánh xu hướng chung của dữ liệu và thành phần chi tiết tần số cao ($cD$) phản ánh các biến động đột biến hoặc nhiễu.
• Mạng nơ-ron BiLSTM (Bidirectional Long Short-Term Memory): Là biến thể cải tiến của LSTM, khắc phục vấn đề triệt tiêu đạo hàm (vanishing gradient) của RNN truyền thống thông qua hệ thống cổng điều khiển: cổng quên ($f_t$), cổng đầu vào ($i_t$) và cổng đầu ra ($o_t$). BiLSTM mở rộng khả năng học chuỗi thời gian bằng cách xử lý đồng thời dữ liệu theo hai chiều: chiều thuận (forward) để trích xuất ngữ cảnh quá khứ và chiều nghịch (backward) để nắm bắt thông tin tương lai tương đối trong cửa sổ trượt.
• Mô hình BiLSTM Autoencoder: Cấu trúc gồm khối nén (Encoder) và khối giải nén (Decoder). Encoder trích xuất vector đặc trưng tiềm ẩn từ chuỗi đầu vào đa biến, lớp RepeatVector sao chép trạng thái ẩn để tạo biểu diễn nén cố định, sau đó Decoder tái tạo lại chuỗi ban đầu nhằm buộc mạng nơ-ron phải học các đặc trưng biểu diễn cốt lõi nhất.
• Quy chuẩn tính toán chỉ số chất lượng không khí (AQI): Áp dụng quy chuẩn tính toán dựa trên hướng dẫn của VOBANI trên tập dữ liệu Kaggle. Chỉ số AQI được xác định qua 7 thông số: PM2.5, PM10, SO2, NOx, NH3, CO và O3. Nồng độ trung bình 24 giờ được áp dụng cho PM2.5, PM10, SO2, NOx, NH3 (yêu cầu tối thiểu 16 điểm dữ liệu hợp lệ); nồng độ tối đa 8 giờ được áp dụng cho CO và O3. Giá trị phụ (Sub-Index $I_p$) của từng chất được tính theo công thức nội suy tuyến tính: $$I_p = \frac{I_{hi} - I_{lo}}{BP_{hi} - BP_{lo}} (C_p - BP_{lo}) + I_{lo}$$ trong đó $C_p$ là nồng độ quan sát, $BP_{hi}$ và $BP_{lo}$ là các điểm chặn nồng độ, $I_{hi}$ và $I_{lo}$ là các giá trị chỉ số tương ứng. Chỉ số AQI tổng thể là giá trị lớn nhất trong các chỉ số phụ: $AQI = \max(Sub\text{-}Index)$, với điều kiện phải có ít nhất một trong hai chỉ số PM2.5 hoặc PM10 và tối thiểu ba chỉ số thành phần hợp lệ.
• Phương pháp tiền xử lý dữ liệu: Lọc bỏ các cột đặc trưng dư thừa không phục vụ tính AQI; xử lý các điểm dữ liệu khuyết tật bằng phương pháp nội suy tuyến tính lân cận thông qua hàm interpolate() của thư viện Pandas: $$\bar{x} = \frac{x_{i-1} + x_{i+1}}{2}$$
• Nguồn dữ liệu thực nghiệm: Dữ liệu chuỗi thời gian Northern Taiwan Air Quality lấy từ Cơ quan Bảo vệ Môi trường Đài Loan (Taiwan EPA) công bố trên Kaggle với 218.640 bản ghi, cùng dữ liệu kiểm chứng mở rộng từ tập dữ liệu India AQI.

---

Thiết kế và triển khai hệ thống

Hệ thống được thiết kế theo mô hình hoàn chỉnh từ thu thập dữ liệu phần cứng, xử lý và dự đoán bằng mô hình học sâu, đến triển khai giám sát trên nền tảng IoT công nghiệp:

1. Kiến trúc mô hình học sâu Multi-input BiLSTM Autoencoder kết hợp DWT

Mô hình dự đoán tiếp nhận dữ liệu không gian từ 3 khu vực/trạm đo lân cận nhau về mặt địa lý ($X_1, X_2, X_3 \in \mathbb{R}^{m \times n}$). Luồng xử lý dữ liệu trong mô hình diễn ra tuần tự:

• Phân tách tần số: Dữ liệu từng trạm $X_i$ đi qua khối biến đổi Wavelet DWT để trích xuất thành phần tần số thấp $cA_i^k$ (sau $k$ lần biến đổi). Nhóm tác giả loại bỏ thành phần tần số cao $cD$ nhằm triệt tiêu nhiễu đột biến và giữ lại xu hướng biến thiên tổng quát.
• Ghép nối đặc trưng không - thời gian: Thành phần tần số $cA_i^k \in \mathbb{R}^{m \times p}$ được ghép nối theo chiều ngang với dữ liệu gốc $X_i$, tạo thành ma trận đầu vào $a_i \in \mathbb{R}^{m \times (n+p)}$. Dữ liệu này được chia thành các chuỗi con kích thước $s \times f$ ($s$ là độ dài chuỗi, $f$ là số lượng đặc trưng).
• Trích xuất đặc trưng độc lập qua từng nhánh (Module BiLSTM Autoencoder): Mỗi trạm dữ liệu $a_i$ được đưa vào một nhánh riêng biệt:
  • Khối Encoder gồm 2 lớp BiLSTM trích xuất đặc trưng hai chiều: $$h_1^i = \text{BiLSTM}_1(a_i), \quad h_2^i = \text{BiLSTM}_2(h_1^i)$$
  • Lớp RepeatVector nén thông tin và nhân bản trạng thái ẩn cuối cùng $h_2^i$ thành vector $z$.
  • Khối Decoder gồm 2 lớp BiLSTM thực hiện tái tạo chuỗi: $$h_3^i = \text{BiLSTM}_3(z), \quad f_i = \text{BiLSTM}_4(h_3^i)$$
• Hợp nhất và dự đoán: Các vector biểu diễn đặc trưng $f_1, f_2, f_3$ của các trạm lân cận được liên kết thành vector tổng hợp $f = \text{Concatenate}(f_1, f_2, ..., f_e)$. Vector $f$ đi qua một lớp kết nối đầy đủ (Dense layer) để xuất ra giá trị dự đoán chất lượng không khí mục tiêu: $$o = \text{Dense}(f)$$

2. Thiết kế phần cứng và thu thập dữ liệu IoT

Nhóm nghiên cứu chế tạo thiết bị đo lường thực tế đặt trong hộp bảo vệ chuyên dụng với các thành phần:

• Vi điều khiển trung tâm: Module ESP8266 chịu trách nhiệm đọc tín hiệu từ cảm biến và điều khiển truyền thông mạng không dây.
• Cảm biến chất lượng không khí ENS160: Đo lường các hợp chất hữu cơ dễ bay hơi tổng (TVOC) và nồng độ khí CO2 tương đương (eCO2).
• Cảm biến bụi mịn SDS101 (SDS011): Sử dụng nguyên lý tán xạ laser để đo nồng độ hạt bụi PM2.5 và PM10.
• Màn hình hiển thị: Màn hình LED giao tiếp qua chuẩn I2C hiển thị thông số môi trường trực tiếp tại trạm.
• Giao tiếp phần cứng: ESP8266 kết nối với máy tính để kiểm tra giá trị qua Serial Monitor, sau đó đóng gói dữ liệu thành định dạng JSON và đẩy lên máy chủ qua giao thức HTTP REST API (phương thức PUT).

3. Triển khai nền tảng phần mềm OpenRemote trên hạ tầng đám mây

• Nền tảng OpenRemote: Sử dụng phiên bản mã nguồn mở của OpenRemote bao gồm các khối thành phần: Controller (điều phối thiết bị, thực thi luật), Backend Services (cơ sở dữ liệu lưu trữ lịch sử, API), User Interface (giao diện điều khiển giám sát web/mobile đa nền tảng), Rule Engine (thiết lập kịch bản tự động hóa), Integration Modules và Security Management (xác thực, phân quyền người dùng).
• Ảo hóa và Container hóa: Toàn bộ hệ thống OpenRemote cùng các dịch vụ phụ trợ được đóng gói bằng Docker và điều phối đa tiến trình qua Docker Compose thông qua tập tin cấu hình docker-compose.yml. Các Docker image được đồng bộ và lưu trữ tập trung trên Docker Hub.
• Hạ tầng đám mây Microsoft Azure: Hệ thống OpenRemote được triển khai trên máy chủ ảo (Virtual Machine) của Azure, đảm bảo khả năng mở rộng, tính sẵn sàng cao và an toàn dữ liệu.
• Giao tiếp RESTful API và Swagger UI: Hệ thống sử dụng chuẩn REST API phi trạng thái (Stateless interaction) với định dạng trao đổi dữ liệu JSON. Swagger UI cung cấp tài liệu trực quan cho các endpoint: /api/assets, /api/rules, /api/commands. Khóa luận sử dụng API để tạo và cập nhật các đối tượng tài nguyên (Asset): khởi tạo Weather Asset, lấy mã ID của AQI prediction, định cấu hình token xác thực và truyền dữ liệu dự đoán lên giao diện theo thời gian thực.

---

Nội dung chính theo từng chương

Chương 1. Giới thiệu

Chương này thiết lập cơ sở nghiên cứu và định hình phạm vi đề tài:

• Lý do chọn đề tài: Trình bày thực trạng gia tăng ô nhiễm không khí công nghiệp và đô thị; trích dẫn số liệu thống kê của WHO về tỷ lệ tử vong và gánh nặng bệnh tật do bụi mịn và khí độc gây ra.
• Mục đích nghiên cứu: Đặt ra yêu cầu xây dựng mô hình học sâu có khả năng khai thác đồng thời đặc trưng miền thời gian, miền tần số và tương quan không gian địa lý lân cận; triển khai thành công mô hình lên nền tảng IoT mã nguồn mở.
• Đối tượng và phạm vi nghiên cứu: Xác định rõ đối tượng là tập dữ liệu quan trắc 8 thông số ô nhiễm tại Bắc Đài Loan, các kiến trúc học sâu chuỗi thời gian, phần cứng cảm biến và nền tảng OpenRemote. Kế hoạch nghiên cứu 8 tuần được phân công chi tiết cho 2 thành viên từ khâu khảo sát thuật toán, biến đổi Wavelet đến tích hợp đám mây.

Chương 2. Các công trình nghiên cứu liên quan và cơ sở lý thuyết

Chương này tổng quan ba hướng tiếp cận chính trong bài toán dự báo chất lượng không khí và trình bày nền tảng công nghệ sử dụng:

• Hướng phân loại (Classification approach): Tổng hợp các công trình phân loại mức độ ô nhiễm dựa trên các cấp độ AQI bằng mô hình XGBoost (Ram et al. đạt 96%), ANN kết hợp Learning Vector Quantization (LVQ đạt 97,58%), mô hình học có giám sát Decision Tree (Yarragunta et al. đạt 99%), Decision Tree kết hợp kỹ thuật Moving Average Smoothing (đạt 99,7%), khảo sát của Pazhanovel et al. (Random Forest đạt 98%), Chaudhari et al. (XGBoost đạt 81,42%).
• Hướng hồi quy (Regression approach): Tổng hợp các nghiên cứu dự đoán giá trị AQI liên tục như Random Forest kết hợp gộp dữ liệu CPCB và UCI (Ramesh et al.), GA-KELM trên dữ liệu Trung Quốc, stacked combination và AdaBoost trên tập dữ liệu 11 năm của Taiwan EPA, multivariate BiLSTM dự báo biến động chất lượng không khí trong đại dịch Covid-19 (Tiwaria et al.), khảo sát của Kumar et al. khẳng định ưu thế của ANN trên dữ liệu tutiempo.
• Hướng sử dụng kỹ thuật phân tách (Decomposition approach): Phân tích các mô hình kết hợp kỹ thuật phân tách tín hiệu nhằm giảm nhiễu phi tuyến như CEEMDAN kết hợp fuzzy entropy và LSTM (Zekai Wu et al. đạt RMSE 9.x), SSA-LSTM kết hợp AMSSA-EMD (Wang et al. đánh giá tại Thành Đô, Thẩm Dương, Quảng Châu), WTformer kết hợp LSTM-Attention và Wavelet Transform (Xu et al. đạt RMSE 17,140 với khung thời gian dự báo 24 giờ).
• Cơ sở công nghệ hệ thống: Trình bày chi tiết kiến trúc thành phần của OpenRemote; nguyên tắc thiết kế 4 chuẩn của REST API (HTTP methods, phi trạng thái, cấu trúc URL, định dạng JSON/XML) và Swagger UI; cơ chế đóng gói container của Docker, điều phối dịch vụ của Docker Compose, chia sẻ image qua Docker Hub; hạ tầng đám mây hơn 200 dịch vụ của Microsoft Azure.

Chương 3. Dữ liệu và phương pháp

Chương này mô tả chi tiết phương pháp luận xử lý dữ liệu và thiết kế kiến trúc hệ thống:

• Tổng quan mô hình triển khai: Trình bày sơ đồ quy trình 3 giai đoạn: Xử lý dữ liệu -> Huấn luyện mô hình -> Triển khai hệ thống OpenRemote.
• Giới thiệu bộ dữ liệu Northern Taiwan: Chi tiết cấu trúc 218.640 dòng dữ liệu theo giờ trong năm 2015 với 21 trường dữ liệu khí tượng và chất ô nhiễm:

Tên cột	Đơn vị	Mô tả
time	Giờ	Thời gian quan sát dữ liệu
station	-	Tên các trạm/thành phố tại Bắc Đài Loan
SO2	ppb	Nồng độ Sulfur Dioxide
CO	ppm	Nồng độ Carbon Monoxide
O3	ppb	Nồng độ Ozone
PM10	$\mu\text{g}/\text{m}^3$	Bụi mịn đường kính $\le 10,\mu\text{m}$
PM2.5	$\mu\text{g}/\text{m}^3$	Bụi mịn đường kính $\le 2.5,\mu\text{m}$
NOx	ppb	Nồng độ Nitrogen Oxides
NO	ppb	Nồng độ Nitric Oxide
NO2	ppb	Nồng độ Nitrogen Dioxides
THC	ppm	Tổng nồng độ Hydrocarbon
NMHC	ppm	Hydrocarbon phi Methane
CH4	ppm	Nồng độ khí Methane
UVB	UVI	Chỉ số bức xạ cực tím B
AMB_TEMP	$^{\circ}\text{C}$	Nhiệt độ môi trường
RAINFALL	mm	Lượng mưa
RH	%	Độ ẩm tương đối
WIND_SPEED	m/s	Tốc độ gió trung bình 10 phút cuối giờ
WIND_DIREC	độ	Hướng gió trung bình 10 phút cuối giờ
WS_HR	m/s	Tốc độ gió trung bình 1 giờ
WD_HR	độ	Hướng gió trung bình 1 giờ
PH_RAIN	pH	Độ pH của nước mưa
RAIN_COND	$\mu\text{S}/\text{cm}$	Độ dẫn điện của nước mưa

• Tiền xử lý dữ liệu và tính toán AQI: Loại bỏ 13 cột đặc trưng phụ, giữ lại 8 chất ô nhiễm chính; áp dụng hàm interpolate() điền khuyết; tính toán giá trị AQI cho từng mốc giờ theo thuật toán nội suy điểm chặn và tích hợp thành biến mục tiêu.
• Biến đổi Wavelet: Thực nghiệm trên 500 mẫu PM2.5, chứng minh hiệu quả lọc nhiễu của hàm sóng con DWT; tách tín hiệu thành $cA$ và $cD$, lựa chọn thành phần $cA$ cuối cùng đại diện cho xu hướng biến thiên tổng quát.
• Mô hình Multi-input BiLSTM Autoencoder: Trình bày chi tiết toán học của các khối cổng trong LSTM ($f_t, i_t, o_t, c_t, h_t$), cơ chế mở rộng hai chiều của BiLSTM; cấu hình mô hình 3 nhánh đầu vào không gian tương ứng 3 thành phố lân cận, kỹ thuật ghép ma trận đặc trưng $a_i \in \mathbb{R}^{m \times (n+p)}$, kiến trúc khối Encoder (2 lớp BiLSTM), RepeatVector, Decoder (2 lớp BiLSTM), lớp Concatenate và lớp Dense dự báo AQI đầu ra.
• Triển khai hệ thống OpenRemote: Khởi tạo tài sản dữ liệu (Asset), cấu hình thuộc tính AQI prediction, tạo REST API token và thiết lập quy trình đẩy dữ liệu dự báo tự động lên giao diện giám sát.

Chương 4. Kết quả và đánh giá

Chương này đánh giá hiệu năng thuật toán và trình bày kết quả thực nghiệm hệ thống:

• Chỉ số đánh giá: Thiết lập các độ đo đánh giá sai số gồm MSE (Mean Square Error), RMSE (Root Mean Square Error), MAE (Mean Absolute Error).
• Kết quả thử nghiệm mô hình: Đánh giá biểu đồ tương quan giữa giá trị thực tế và giá trị dự đoán của mô hình đề xuất trên tập dữ liệu kiểm thử; so sánh định lượng hiệu suất của mô hình đề xuất với các nghiên cứu liên quan và các mô hình học máy phổ biến (Bảng 4-1 và Bảng 4-2 trong văn bản).
• Hiện thực hệ thống thực tế: Lắp ráp mô hình phần cứng gồm ESP8266, cảm biến bụi SDS101, cảm biến khí ENS160 và màn hình hiển thị LED I2C bên trong hộp thiết bị; kết nối sơ đồ chân phần cứng hoàn chỉnh; truyền thông tin đo đạc lên cổng nối tiếp Serial Monitor.
• Hiển thị dữ liệu trên OpenRemote: Cấu hình thành công API PUT để cập nhật dữ liệu cảm biến thời gian thực lên Asset; hiển thị trực quan các biểu đồ nồng độ PM10, PM2.5 và trạng thái đánh giá AQI predicted trên bảng điều khiển giao diện web của OpenRemote.

Chương 5. Kết luận và hướng phát triển

• Tóm tắt các kết quả đạt được về mặt lý thuyết mô hình và triển khai ứng dụng thực tế.
• Trình bày các định hướng phát triển tiếp theo của hệ thống giám sát và dự báo chất lượng không khí.

---

Kết quả và đóng góp

1. Kết quả thực nghiệm

• Xử lý thành công tập dữ liệu lớn Northern Taiwan Air Quality gồm 218.640 bản ghi quan trắc hàng giờ, thực hiện làm sạch dữ liệu, điền khuyết bằng phương pháp nội suy và chuẩn hóa 8 chỉ số ô nhiễm thành giá trị AQI theo giờ.
• Xây dựng thành công mô hình học sâu đa đầu vào kết hợp giữa phân tích đa phân giải sóng con DWT và mạng nơ-ron hồi quy hai chiều BiLSTM Autoencoder, giúp mô hình nắm bắt đồng thời đặc trưng biến thiên trên miền tần số ($cA$), miền thời gian (2 chiều forward-backward) và tương quan địa lý giữa 3 trạm đo lân cận.
• Chế tạo thiết bị IoT thực tế hoạt động ổn định với vi điều khiển ESP8266, tích hợp cảm biến ENS160 đo TVOC/eCO2, cảm biến SDS101 đo PM2.5/PM10 và màn hình LED I2C.
• Triển khai thành công hệ thống giám sát và dự đoán trên nền tảng mã nguồn mở OpenRemote chạy trên Docker container thuộc máy chủ ảo Microsoft Azure; truyền nhận dữ liệu thông suốt qua RESTful API, trực quan hóa đầy đủ đồ thị PM10, PM2.5 và trạng thái AQI predicted trên trình duyệt.

2. Đóng góp của đề tài

• Đóng góp về mặt phương pháp luận: Khắc phục hạn chế của các nghiên cứu chuỗi thời gian đơn lẻ vốn chỉ tập trung vào miền thời gian. Việc kết hợp phép biến đổi Wavelet DWT cho phép trích xuất đặc trưng xu hướng tần số thấp ($cA$), loại bỏ các dao động nhiễu đột biến ($cD$), giúp nâng cao độ chính xác dự báo chỉ số AQI so với các mô hình học máy và học sâu thông thường.
• Khai thác tương quan không gian: Áp dụng kiến trúc Multi-input tiếp nhận đồng thời dữ liệu từ các khu vực địa lý lân cận, làm phong phú không gian đặc trưng và cải thiện khả năng tổng quát hóa của mạng học sâu đối với sự lan truyền của các chất ô nhiễm.
• Đóng góp về mặt ứng dụng thực tiễn: Không dừng lại ở mô phỏng dữ liệu tĩnh, đề tài xây dựng giải pháp hoàn chỉnh từ thiết bị đo thực tế (ESP8266, ENS160, SDS101) đến hệ thống quản lý tập trung trên nền tảng mã nguồn mở OpenRemote trên nền điện toán đám mây Azure, tạo tiền đề ứng dụng trong các giải pháp đô thị thông minh.

---

Hạn chế và hướng nghiên cứu tiếp

Dựa trên phạm vi và nội dung được nhóm tác giả trình bày trong khóa luận, các hạn chế và hướng mở của công trình được xác định như sau:

• Hạn chế:
  • Mô hình thực nghiệm mới chỉ tập trung phân tích thành phần tần số thấp $cA$ từ phép biến đổi Wavelet mà loại bỏ hoàn toàn các thành phần tần số cao $cD$, do đó có thể bỏ qua một số thông tin chi tiết về các biến động môi trường cực đoan diễn ra trong thời gian ngắn.
  • Quá trình thử nghiệm phần cứng thực tế mới triển khai ở quy mô trạm đo đơn lẻ với các cảm biến ENS160 và SDS101, chưa mở rộng thu thập đồng thời mạng lưới cảm biến đa trạm để kiểm chứng toàn diện mô hình Multi-input trên dữ liệu thực tế tại chỗ.
  • Hệ thống phụ thuộc vào kết nối mạng liên tục để đẩy dữ liệu qua REST API lên máy chủ Azure VM, chưa tích hợp cơ chế lưu đệm ngoại tuyến tại thiết bị biên khi mất kết nối mạng.
• Hướng phát triển:
  • Nghiên cứu tối ưu hóa mô hình học sâu để triển khai trực tiếp trên các thiết bị tính toán cận biên (Edge Computing/Edge AI), giúp giảm độ trễ dự báo và tiết kiệm tài nguyên truyền thông đám mây.
  • Tích hợp và mở rộng thêm các thuật toán nén mô hình nhằm cải thiện tốc độ suy luận và tối ưu hóa hiệu năng tính toán.
  • Triển khai mạng lưới trạm cảm biến vật lý diện rộng tại nhiều khu vực địa lý khác nhau để thu thập dữ liệu thực tế thời gian thực phục vụ huấn luyện và cập nhật trực tuyến cho mô hình đa đầu vào.

---

Giá trị tham khảo

Khóa luận là tài liệu tham khảo có giá trị học thuật và ứng dụng thực tiễn cao cho nhiều đối tượng:

• Sinh viên và học viên chuyên ngành: Cung cấp tài liệu tham khảo chi tiết cho sinh viên các ngành Mạng máy tính và Truyền thông dữ liệu, Khoa học dữ liệu, Kỹ thuật Máy tính, Công nghệ Thông tin và Hệ thống Thông tin đang thực hiện đồ án tốt nghiệp liên quan đến dự báo chuỗi thời gian, học sâu ứng dụng hoặc hệ thống IoT.
• Các phần nội dung đáng tham khảo chuyên sâu:
  • Quy trình tiền xử lý dữ liệu và công thức tính toán chỉ số AQI chi tiết theo từng ngưỡng nồng độ chất ô nhiễm (PM2.5, PM10, CO, SO2, NOx, O3).
  • Phương pháp toán học kết hợp biến đổi sóng con DWT với mạng nơ-ron BiLSTM Autoencoder và cách tổ chức kiến trúc đa đầu vào (Multi-input) trong việc xử lý dữ liệu không - thời gian.
  • Hướng dẫn thực hành đóng gói và triển khai nền tảng IoT công nghiệp OpenRemote thông qua Docker, Docker Compose trên hạ tầng đám mây Microsoft Azure.
  • Phương pháp thiết kế mạch phần cứng ESP8266 giao tiếp cảm biến khí ENS160, cảm biến bụi SDS101 và lập trình truyền tải dữ liệu qua REST API chuẩn Swagger.

---

Câu hỏi thường gặp

1. Tại sao nhóm nghiên cứu chỉ giữ lại thành phần tần số thấp $cA$ và loại bỏ thành phần $cD$ sau khi thực hiện biến đổi Wavelet DWT?

Trong phép biến đổi Wavelet rời rạc (DWT), tín hiệu chuỗi thời gian được phân rã thành thành phần xấp xỉ tần số thấp ($cA$) biểu diễn xu hướng chung của dữ liệu và thành phần chi tiết tần số cao ($cD$) biểu diễn các đột biến cục bộ và nhiễu. Qua thử nghiệm phân tách trên 500 mẫu dữ liệu PM2.5, nhóm tác giả nhận thấy mục tiêu của mô hình là nắm bắt quy luật biến thiên dài hạn của chất lượng không khí, do đó thành phần $cA$ cuối cùng mang thông tin khái quát nhất, trong khi việc loại bỏ $cD$ giúp giảm thiểu tác động tiêu cực của nhiễu đo đạc lên quá trình huấn luyện mạng nơ-ron.

2. Chỉ số chất lượng không khí AQI trong khóa luận được tính toán dựa trên những nguyên tắc nào?

Chỉ số AQI được tính toán theo hướng dẫn của VOBANI dựa trên 7 thông số chất ô nhiễm: PM2.5, PM10, SO2, NOx, NH3, CO và O3. Nồng độ PM2.5, PM10, SO2, NOx và NH3 được lấy trung bình 24 giờ (cần tối thiểu 16 giá trị hợp lệ); CO và O3 lấy nồng độ cực đại trong 8 giờ. Từng chất ô nhiễm được tính chỉ số phụ ($Sub\text{-}Index$) thông qua công thức nội suy tuyến tính dựa trên các điểm chặn nồng độ ($BP_{hi}, BP_{lo}$) và ngưỡng AQI tương ứng ($I_{hi}, I_{lo}$). Giá trị AQI chung của mốc thời gian là giá trị lớn nhất trong các chỉ số phụ: $AQI = \max(Sub\text{-}Index)$, thỏa mãn điều kiện có ít nhất một trong hai chỉ số PM2.5/PM10 và tối thiểu ba chỉ số thành phần hợp lệ.

3. Kiến trúc Multi-input BiLSTM Autoencoder tiếp nhận và kết hợp dữ liệu giữa các khu vực địa lý lân cận như thế nào?

Mô hình lựa chọn dữ liệu từ 3 trạm đo lân cận về mặt địa lý ($X_1, X_2, X_3$). Dữ liệu của từng trạm sau khi phân tách Wavelet lấy thành phần $cA$ sẽ được nối ngang với dữ liệu gốc tạo thành ma trận đặc trưng $a_i$. Mỗi trạm được đưa vào một nhánh riêng biệt gồm khối Encoder (2 lớp BiLSTM trích xuất đặc trưng thời gian hai chiều), lớp RepeatVector nén thông tin, và khối Decoder (2 lớp BiLSTM tái tạo chuỗi). Vector biểu diễn đặc trưng đầu ra của từng trạm ($f_1, f_2, f_3$) được nối lại thông qua lớp Concatenate thành vector tổng hợp $f$, sau đó đưa qua lớp Dense duy nhất để dự đoán chỉ số AQI tương lai tại khu vực mục tiêu.

4. Hệ thống OpenRemote và hạ tầng Docker/Azure đóng vai trò gì trong giải pháp tổng thể của đề tài?

OpenRemote đóng vai trò là nền tảng trung tâm quản lý thiết bị IoT, lưu trữ dữ liệu cảm biến và trực quan hóa kết quả dự đoán trên bảng điều khiển web. Hệ thống sử dụng kiến trúc RESTful API với các phương thức chuẩn (GET, POST, PUT, DELETE) thông qua tài liệu Swagger UI để trao đổi dữ liệu JSON với phần cứng và mô hình AI. Để đảm bảo khả năng vận hành ổn định và độc lập môi trường, toàn bộ OpenRemote được đóng gói thành các container Docker và quản lý tự động bằng Docker Compose (docker-compose.yml), sau đó triển khai trực tiếp trên máy chủ ảo (Virtual Machine) thuộc nền tảng đám mây Microsoft Azure nhằm đảm bảo hiệu năng tính toán và khả năng mở rộng trong tương lai.

5. Thiết bị đo lường thực tế trong đề tài sử dụng các linh kiện phần cứng nào và truyền dữ liệu ra sao?

Thiết bị đo lường thực tế được đặt trong hộp bảo vệ chuyên dụng gồm vi điều khiển ESP8266, cảm biến ENS160 (đo nồng độ TVOC và eCO2), cảm biến quang học SDS101 (đo nồng độ hạt bụi mịn PM2.5 và PM10) và màn hình LED I2C hiển thị thông số tại chỗ. Dữ liệu sau khi thu thập được vi điều khiển kiểm tra qua giao diện Serial Monitor, sau đó đóng gói dưới dạng JSON và gửi trực tiếp lên nền tảng OpenRemote thông qua phương thức HTTP REST API PUT vào các thuộc tính tài nguyên (Asset) tương ứng.

---

Kết luận

Khóa luận tốt nghiệp của sinh viên Hồ Minh Hào và Trần Ngọc Quý đã nghiên cứu và phát triển thành công giải pháp dự đoán chất lượng không khí toàn diện bằng cách kết hợp mô hình học sâu Multi-input BiLSTM Autoencoder với phép biến đổi sóng con Wavelet DWT trên dữ liệu quan trắc chuỗi thời gian lớn. Đề tài giải quyết hiệu quả bài toán trích xuất đặc trưng đa miền (thời gian - tần số) và khai thác mối tương quan không gian giữa các đơn vị địa lý lân cận nhằm nâng cao độ chính xác dự báo chỉ số AQI. Bên cạnh đóng góp về mặt thuật toán, công trình đã hiện thực hóa giải pháp bằng phần cứng đo đạc thực tế sử dụng vi điều khiển ESP8266 cùng các cảm biến ENS160, SDS101 và tích hợp vận hành thông suốt trên nền tảng IoT mã nguồn mở OpenRemote triển khai qua Docker trên hạ tầng đám mây Microsoft Azure.

Trích đoạn nội dung tài liệu

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.