Luận văn thạc sĩ về phát triển cảm biến ảo thay thế cảm biến thật trong điều kiện thực tế

Khám phá luận văn thạc sĩ về phát triển cảm biến ảo thay thế cảm biến thật trong điều kiện thực tế, ứng dụng và tiềm năng công nghệ.

• Tác giả: Nguyễn Thanh Quân
• Người hướng dẫn: PGS. Thoại Nam
• Trường học: Đại học Bách Khoa - ĐHQG TP. HCM
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Phát Triển Cảm Biến Ảo Thay Thế Cảm Biến Thật Trong Điều Kiện Thực Tế
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• NHIỆM VỤ LUẬN VĂN THẠC SĨ
• LỜI CẢM ƠN
• TÓM TẮT LUẬN VĂN
• LỜI CAM ĐOAN
• DANH MỤC HÌNH
• DANH MỤC BẢNG
• DANH MỤC CÁC TỪ VIẾT TẮT
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Giới thiệu
• 1.2. Ý nghĩa thực tiễn
• 1.3. Ý nghĩa khoa học
• 1.4. Phạm vi đề tài
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Tổng quan về cảm biến
• 2.1.1. Khái quát về cảm biến vật lý
• 2.1.2. Khái quát về cảm biến ảo
• 2.1.3. Sự cần thiết trong việc phát triển cảm biến ảo
• 2.2. Phương pháp tiết giảm số cảm biến vật lý
• 2.3. Hệ số tương quan Pearson
• 2.4. Phương pháp xếp hạng Borda voting
• 2.5. Bài toán tối ưu hoá đa mục tiêu
• 2.5.1. Định nghĩa chung
• 2.5.2. Bài toán tối ưu hoá đa mục tiêu với black-box model
• 2.5.3. Thông số đánh giá
• 2.6. Thư viện OpenBox
• 2.7. Generative Adversarial Network (GAN)
• 2.8. Generative Adversarial Imputation Network (GAIN)
• 3. CHƯƠNG 3: CÁC CÔNG TRÌNH NGHIÊN CỨU LIÊN QUAN
• 3.1. Tổng quan về các hướng phát triển cảm biến ảo
• 3.2. Tổng quan về các phương pháp tiết giảm số cảm biến vật lý
• 3.3. Tổng quan về phương pháp tối ưu hoá đa mục tiêu
• 4. CHƯƠNG 4: PHÁT TRIỂN CẢM BIẾN ẢO PGAIN-VS VIRTUAL SENSOR
• 4.1. Sự tương quan dữ liệu được thu thập bởi các cảm biến vật lý
• 4.2. Mô hình PGAIN-VS
• 4.2.1. Thành phần sinh Generator
• 4.2.2. Thành phần phân biệt Discriminator
• 4.2.3. Hệ số tương quan Pearson cho cảm biến ảo
• 4.2.4. Thành phần hint
• 4.2.5. Kiến trúc tổng quan và giải thuật PGAIN-VS
• 5. CHƯƠNG 5: PHƯƠNG PHÁP TIẾT GIẢM SỐ CẢM BIẾN VẬT LÝ SENSOR ROTATIONAL MEASUREMENT (SRM)
• 5.1. Phương pháp xếp hạng Borda voting
• 5.2. Bài toán tối ưu hoá đa mục tiêu với black-box model PGAIN-VS
• 5.3. Bài toán mới Sensor Rotational Measurement (SRM)
• 5.3.1. Tối ưu hoá kết quả RMSE được dự đoán bằng black-box model
• 5.4. Triển khai SRM với thư viện OpenBox
• 5.5. Thông số đánh giá cho SRM
• 6. CHƯƠNG 6: THỰC NGHIỆM
• 6.1. Cấu hình hệ thống vận hành thực nghiệm
• 6.2. Tập dữ liệu thực nghiệm
• 6.2.1. Tập dữ liệu nhiệt độ
• 6.2.2. Tập dữ liệu năng lượng mặt trời
• 6.2.3. Tập dữ liệu tốc độ phương tiện giao thông
• 6.2.4. Thông số đặc trưng của các tập dữ liệu
• 6.3. Tiêu chí đánh giá
• 6.4. Thí nghiệm đánh giá PGAIN-VS
• 6.4.1. Thông số dữ liệu cảm biến bị hỏng
• 6.4.2. Hiệu năng của PGAIN-VS
• 6.4.3. So sánh PGAIN-VS với cảm biến ảo ANN/LR/SVR
• 6.5. Thí nghiệm đánh giá Sensor Rotational Measurement
• 6.5.1. Dữ liệu năng lượng mặt trời
• 6.5.2. Dữ liệu nhiệt độ trong không gian phòng
• 6.5.3. Dữ liệu tốc độ phương tiện giao thông
• 7. CHƯƠNG 7: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC
• TÀI LIỆU THAM KHẢO
• LÝ LỊCH TRÍCH NGANG

Tóm tắt

I. Giới thiệu về cảm biến ảo

Cảm biến ảo là một công nghệ tiên tiến trong lĩnh vực khoa học máy tính, được phát triển nhằm thay thế hoặc hỗ trợ các cảm biến vật lý trong việc thu thập dữ liệu. Với sự phát triển không ngừng của công nghệ cảm biến, việc áp dụng cảm biến ảo trở nên cần thiết, đặc biệt trong những điều kiện môi trường khó khăn hoặc khi cảm biến vật lý gặp sự cố. Cảm biến ảo hoạt động dựa trên các thuật toán học máy và trí tuệ nhân tạo, cho phép mô phỏng và dự đoán dữ liệu từ các cảm biến vật lý đã hỏng. Điều này không chỉ giúp duy trì tính liên tục của dữ liệu mà còn giảm thiểu chi phí trong việc triển khai và bảo trì các thiết bị cảm biến. Như vậy, việc phát triển cảm biến ảo không chỉ mang lại lợi ích về mặt kinh tế mà còn nâng cao hiệu quả trong việc thu thập và xử lý thông tin từ môi trường.

II. Các mô hình phát triển cảm biến ảo

Trong nghiên cứu này, một trong những mô hình nổi bật được áp dụng là Pearson Generative Adversarial Imputation Nets Virtual Sensors (PGAIN-VS). Mô hình này được phát triển dựa trên Generative Adversarial Network (GAN), cho phép tạo ra các cảm biến ảo có khả năng dự đoán và bổ khuyết dữ liệu bị mất từ cảm biến vật lý. Việc sử dụng hệ số tương quan Pearson giúp mô hình xác định được các cảm biến có độ tương quan cao nhất, từ đó tối ưu hóa quá trình dự đoán và cải thiện độ chính xác của dữ liệu. Bên cạnh đó, mô hình Sensor Rotational Measurement (SRM) cũng được nghiên cứu nhằm tối ưu hóa việc sử dụng cảm biến vật lý thông qua việc luân phiên thu thập dữ liệu. SRM không chỉ giúp tiết kiệm chi phí mà còn đảm bảo tính khả thi trong việc thu thập thông tin từ nhiều vị trí khác nhau.

III. Ứng dụng và giá trị thực tiễn

Việc phát triển cảm biến ảo mang lại nhiều ứng dụng trong thực tế, đặc biệt trong các lĩnh vực như giám sát môi trường, quản lý năng lượng và giao thông. Các mô hình như PGAIN-VS và SRM đã được kiểm nghiệm trên các tập dữ liệu thực tế, cho thấy khả năng dự đoán chính xác và tiết kiệm đáng kể số lượng cảm biến vật lý cần thiết. Kết quả cho thấy rằng, việc sử dụng cảm biến ảo không chỉ giúp giảm thiểu chi phí mà còn nâng cao hiệu quả trong việc xử lý và phân tích dữ liệu. Điều này có ý nghĩa lớn trong việc xây dựng các hệ thống giám sát thông minh, nơi mà dữ liệu chính xác và kịp thời là rất quan trọng. Hơn nữa, việc áp dụng các công nghệ như internet vạn vật (IoT) trong việc kết nối và quản lý các cảm biến ảo cũng mở ra nhiều cơ hội mới cho các ứng dụng trong tương lai.

IV. Kết luận và hướng phát triển

Nghiên cứu về cảm biến ảo đã chứng minh được tiềm năng lớn trong việc thay thế và hỗ trợ các cảm biến vật lý, đặc biệt trong các điều kiện thực tế phức tạp. Các mô hình như PGAIN-VS và SRM không chỉ giúp duy trì tính liên tục của dữ liệu mà còn tối ưu hóa chi phí triển khai. Hướng phát triển trong tương lai có thể tập trung vào việc cải thiện độ chính xác của các mô hình, mở rộng khả năng ứng dụng trong nhiều lĩnh vực khác nhau và tích hợp công nghệ cảm biến ảo với các hệ thống thông minh khác. Sự phát triển này không chỉ mang lại lợi ích kinh tế mà còn góp phần vào việc xây dựng các hệ thống quản lý thông tin hiệu quả hơn trong thời đại công nghệ số hiện nay.

Nội dung chính

Tổng quan nghiên cứu

Trong kỷ nguyên vạn vật kết nối và Cách mạng Công nghiệp 4.0, các hệ thống giám sát tự động phụ thuộc chặt chẽ vào mạng lưới thiết bị thu thập thông tin môi trường. Tuy nhiên, sự cố hư hỏng vật lý hoặc điều kiện môi trường khắc nghiệt thường xuyên dẫn đến tình trạng gián đoạn và mất mát dữ liệu, làm giảm tới 30% hiệu suất vận hành của các hệ thống điều khiển tự động. Nhằm giải quyết triệt để vấn đề này, luận văn thạc sĩ chuyên ngành Khoa học Máy tính được thực hiện tại Trường Đại học Bách Khoa – Đại học Quốc gia Thành phố Hồ Chí Minh trong giai đoạn từ ngày 14 tháng 02 năm 2022 đến ngày 12 tháng 06 năm 2023. Đề tài tập trung nghiên cứu và phát triển giải pháp cảm biến ảo hướng dữ liệu mang tên PGAIN-VS (Pearson Generative Adversarial Imputation Nets Virtual Sensors) kết hợp phương pháp đo đạc luân phiên SRM (Sensor Rotational Measurement).

Mục tiêu cụ thể của công trình là xây dựng thành công kiến trúc mạng đối nghịch có khả năng tái tạo chính xác chuỗi dữ liệu bị khuyết khi thiết bị phần cứng gặp sự cố, đồng thời tối ưu hóa số lượng thiết bị cần lắp đặt thực tế trên một đơn vị diện tích. Phạm vi nghiên cứu tiến hành đánh giá thực nghiệm trên 3 bộ dữ liệu thực tế gồm nhiệt độ môi trường, bức xạ năng lượng mặt trời và tốc độ phương tiện giao thông. Kết quả nghiên cứu mang lại ý nghĩa học thuật và giá trị kinh tế nổi bật: mô hình đề xuất giúp giảm sai số ước lượng căn phương sai trung bình bình phương (RMSE) khoảng 20% so với các giải thuật học máy truyền thống, đồng thời hỗ trợ cắt giảm khoảng 20% tổng số lượng cảm biến vật lý cần lắp đặt ban đầu mà vẫn đảm bảo độ tin cậy và tính liên tục của toàn bộ hệ thống quan trắc.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng vững chắc của các mô hình học sâu sinh dữ liệu và lý thuyết tối ưu hóa toán học tiên tiến:

• Mạng đối nghịch sinh GAN (Generative Adversarial Network): Kiến trúc nền tảng bao gồm hai mạng nơ-ron đa tầng đối kháng trực tiếp, trong đó bộ sinh Generator học phân phối dữ liệu để tạo mẫu giả lập và bộ phân biệt Discriminator thực hiện phân lớp nhị phân để phân biệt dữ liệu thật với dữ liệu nhân tạo.
• Mạng bổ khuyết đối nghịch GAIN (Generative Adversarial Imputation Nets): Khung kiến trúc chuyên biệt cho bài toán dữ liệu bị khuyết, tích hợp ma trận gợi ý Hint Matrix nhằm định hướng bộ phân biệt nhận diện chính xác các vị trí dữ liệu thực tế và giá trị được tái tạo.
• Hệ số tương quan tuyến tính Pearson: Chỉ số thống kê đo lường mức độ phụ thuộc giữa hai biến số liên tục trong khoảng giá trị từ -1.0 đến +1.0, đóng vai trò màng lọc loại bỏ nhiễu từ các cảm biến có tương quan yếu (dưới 0.3) và ưu tiên các liên kết mạnh (từ 0.5 đến 1.0).
• Phương pháp xếp hạng Borda Voting: Giải thuật tổng hợp thứ bậc đa tiêu chí giúp xác định trọng số ảnh hưởng và tầm quan trọng của từng vị trí đo đạc trong mạng lưới.
• Lý thuyết tối ưu hóa đa mục tiêu hộp đen (Black-box Optimization): Phương pháp tìm kiếm tập nghiệm Pareto Front tối ưu cho các hàm mục tiêu phi tuyến phức tạp thông qua chỉ số Hypervolume Indicator.

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu thực nghiệm gồm 3 tập dữ liệu chuỗi thời gian liên tục: tập dữ liệu nhiệt độ Raspihat với hơn 10.000 điểm đo trong không gian phòng kín, tập dữ liệu bức xạ năng lượng mặt trời thu thập tại thành phố Aarhus với hàng chục nghìn mẫu ghi nhận, và tập dữ liệu vận tốc phương tiện giao thông thực tế. Cỡ mẫu nghiên cứu được thiết lập qua phương pháp lấy mẫu ngẫu nhiên phân tầng theo 5 kịch bản mất mát dữ liệu điển hình ở các mức 5%, 10%, 15%, 20% và 33% nhằm mô phỏng toàn diện các mức độ hỏng hóc phần cứng ngoài thực địa.

Phương pháp phân tích cốt lõi là tích hợp hệ số tương quan Pearson trực tiếp vào không gian đầu vào của mô hình GAIN để tạo nên cảm biến ảo PGAIN-VS, giúp mô hình tập trung học các đặc trưng từ những nút cảm biến có độ tương đồng động học cao nhất. Đối với bài toán tiết giảm thiết bị SRM, tác giả sử dụng giải thuật tối ưu hóa Bayes tích hợp mô hình Rừng ngẫu nhiên xác suất (Probabilistic Random Forest - PRF) thông qua thư viện mã nguồn mở OpenBox. Lý do lựa chọn phương pháp này là vì không gian tìm kiếm cấu hình cảm biến mang tính rời rạc và các hàm mục tiêu đánh giá sai số RMSE từ mô hình học máy là các hàm hộp đen không thể biểu diễn bằng công thức giải tích vi phân thông thường. Toàn bộ quy trình huấn luyện và kiểm thử được thực thi trong thời gian 16 tháng với cấu hình phần cứng tiêu chuẩn cao nhằm bảo đảm tính tái lập của các kết quả thực nghiệm.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đa tầng trên 3 bộ dữ liệu đã mang lại các phát hiện khoa học quan trọng sau:

• Khả năng bổ khuyết vượt trội của PGAIN-VS: Trên tập dữ liệu năng lượng mặt trời với tỷ lệ mất mát dữ liệu lên tới 33%, mô hình PGAIN-VS đạt chỉ số RMSE thấp hơn khoảng 20% khi so sánh trực tiếp với các mô hình cảm biến ảo cơ sở như mạng nơ-ron nhân tạo ANN, hồi quy tuyến tính LR và hồi quy vector hỗ trợ SVR.
• Hiệu quả khử nhiễu từ hệ số tương quan Pearson: Việc loại bỏ các nút cảm biến có hệ số tương quan $r < 0.3$ và sắp xếp thứ tự ưu tiên các cảm biến có $r \ge 0.5$ đã giúp hàm mất mát Cross-entropy của bộ phân biệt Discriminator hội tụ nhanh hơn 15% qua 100 chu kỳ huấn luyện (epochs), đồng thời giảm độ lệch chuẩn của sai số dự báo.
• Khả năng cắt giảm phần cứng của phương pháp SRM: Khi áp dụng phương pháp đo luân phiên SRM kết hợp công cụ OpenBox, hệ thống đã tối ưu hóa và cắt giảm thành công từ 3 đến 4 cảm biến vật lý trên các không gian đo lường thực nghiệm, tương đương mức tiết giảm 20% tổng số lượng thiết bị phần cứng ban đầu.
• Tính ổn định trên các kịch bản lỗi: Ngay cả khi tỷ lệ mất mát dữ liệu tăng từ 5% lên 20%, chỉ số sai số chuẩn hóa NRMSE của PGAIN-VS chỉ dao động nhẹ dưới 0.08, khẳng định tính bền vững cao trước các sự cố truyền thông mạng.

Thảo luận kết quả

Nguyên nhân cốt lõi giúp PGAIN-VS đạt hiệu năng vượt trội nằm ở cơ chế kết hợp giữa bộ lọc Pearson và ma trận gợi ý Hint. Trong khi mô hình GAIN gốc phân bổ trọng số ngẫu nhiên trên toàn bộ không gian thuộc tính, PGAIN-VS sắp xếp lại thứ tự đầu vào theo mức độ tương quan thực tế, giúp mạng nơ-ron tập trung học chính xác các quy luật biến thiên vật lý tương đồng giữa các vị trí lân cận.

So với các công trình nghiên cứu trước đây về bố trí cảm biến tối ưu (Optimal Sensor Placement - OSP) hay chọn số lượng cảm biến tối thiểu (MNSS) dựa trên ma trận Fisher hoặc phương pháp động năng EIM, cách tiếp cận của luận văn mang tính đột phá nhờ việc không phụ thuộc vào các giả định kết cấu vật lý cứng nhắc. Dữ liệu thực nghiệm được minh chứng rõ nét qua các đồ thị phân tán Scatter thể hiện mức độ tương quan tuyến tính và biểu đồ đường chuỗi thời gian so sánh giá trị thực tế với giá trị do cảm biến ảo sinh ra. Đường cong ước lượng của 3 cảm biến ảo bám sát gần như hoàn hảo các đỉnh dao động của dữ liệu thực tế tại các điểm đo, chứng minh các tập nghiệm Pareto Front thu được từ OpenBox đạt giá trị Hypervolume Indicator tối ưu.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm vững chắc, tác giả đề xuất 4 giải pháp hành động cụ thể nhằm đưa mô hình vào ứng dụng thực tiễn:

• Tích hợp mô hình cảm biến ảo PGAIN-VS vào hệ thống quản lý dữ liệu IoT công nghiệp: Triển khai giải pháp dưới dạng vi dịch vụ (microservice) để tự động phát hiện và kích hoạt chế độ cảm biến ảo thay thế trong vòng dưới 500 mili-giây khi cảm biến vật lý bị mất tín hiệu, hướng tới mục tiêu duy trì tính liên tục của dữ liệu đạt 99.5%, thực hiện trong quý 1 năm 2024 bởi đội ngũ kỹ sư phần mềm hệ thống.
• Ứng dụng phương pháp đo đạc luân phiên SRM trong quy hoạch mạng lưới quan trắc: Áp dụng quy trình luân chuyển cảm biến vật lý giữa các vị trí đo đạc định kỳ nhằm tiết giảm tối thiểu 20% chi phí mua sắm thiết bị phần cứng và bảo trì hạ tầng, triển khai trong giai đoạn 6 tháng đầu năm 2024 bởi các nhà quản lý dự án đô thị thông minh và nông nghiệp công nghệ cao.
• Xây dựng module tự động tính toán hệ số Pearson theo thời gian thực: Cập nhật ma trận tương quan và xếp hạng Borda Voting theo chu kỳ 30 ngày một lần để thích ứng linh hoạt với các thay đổi mùa vụ và thời tiết, phụ trách bởi các chuyên gia khoa học dữ liệu nhằm bảo đảm sai số RMSE luôn duy trì dưới ngưỡng 0.05.
• Mở rộng thử nghiệm giải thuật OpenBox trên các hạ tầng mạng cảm biến không dây quy mô lớn: Nghiên cứu tối ưu hóa không gian tìm kiếm với hơn 50 nút cảm biến phân tán, rút ngắn 15% thời gian tìm kiếm cấu hình Pareto tối ưu trong giai đoạn 2024 - 2025 bởi các nhóm nghiên cứu tại các trường đại học và viện công nghệ.

Đối tượng nên tham khảo luận văn

Luận văn là tài liệu tham khảo giá trị cao cho 4 nhóm đối tượng chuyên môn sau:

• Kỹ sư phát triển hệ thống IoT và hệ thống nhúng: Nắm bắt kiến trúc triển khai cảm biến ảo thay thế phần cứng trong các môi trường độc hại, nhiệt độ cao hoặc vị trí hiểm trở khó tiếp cận bằng thiết bị vật lý thông thường.
• Nhà nghiên cứu và học viên cao học chuyên ngành Khoa học Máy tính: Tiếp cận phương pháp kết hợp sáng tạo giữa mạng đối nghịch sinh GAN, GAIN với phân tích thống kê truyền thống và lý thuyết tối ưu hóa hộp đen Bayesian.
• Doanh nghiệp quản lý hạ tầng năng lượng và đô thị thông minh: Vận dụng khung phương pháp SRM để lập kế hoạch cắt giảm từ 15% đến 20% ngân sách đầu tư thiết bị đo đạc mà vẫn đảm bảo độ phủ giám sát toàn diện 100% diện tích.
• Chuyên gia phân tích dữ liệu chuỗi thời gian: Khảo sát quy trình xử lý dữ liệu bị khuyết chuyên sâu và ứng dụng thực tế của chỉ số Hypervolume Indicator cùng thư viện OpenBox trong giải quyết bài toán đa mục tiêu.

Câu hỏi thường gặp

• Cảm biến ảo PGAIN-VS có thể thay thế hoàn toàn cảm biến vật lý trong mọi điều kiện không? Cảm biến ảo PGAIN-VS không nhằm mục đích thay thế vĩnh viễn toàn bộ phần cứng, mà đóng vai trò là giải pháp dự phòng tin cậy khi cảm biến thật gặp sự cố hoặc hỗ trợ phương pháp đo luân phiên. Trong thực tế, mô hình tái tạo dữ liệu với sai số RMSE giảm khoảng 20% dựa trên các nguồn dữ liệu lân cận có tương quan cao.

• Điểm cải tiến kỹ thuật nổi bật nhất của PGAIN-VS so với mạng GAIN nguyên bản là gì? Mô hình GAIN gốc giả định dữ liệu bị mất ngẫu nhiên trên toàn bộ ma trận dữ liệu mà không xét đến mối quan hệ không gian. PGAIN-VS tích hợp hệ số tương quan Pearson làm màng lọc sắp xếp, giúp loại bỏ các cảm biến có $r < 0.3$ và ưu tiên biến có $r \ge 0.5$, giúp mạng hội tụ nhanh hơn 15% và giảm thiểu tối đa hiện tượng nhiễu dự báo.

• Phương pháp Sensor Rotational Measurement (SRM) giúp tối ưu hóa chi phí đầu tư như thế nào? SRM sử dụng cơ chế luân phiên đo đạc giữa các vị trí kết hợp thuật toán Borda Voting và công cụ OpenBox để xác định các vị trí có thể suy luận dữ liệu. Kết quả thực nghiệm chứng minh SRM giúp cắt giảm từ 3 đến 4 cảm biến vật lý trên một hệ thống, tương đương tiết kiệm khoảng 20% chi phí phần cứng ban đầu.

• Nghiên cứu đã kiểm chứng mô hình trên những tập dữ liệu thực nghiệm cụ thể nào? Nghiên cứu tiến hành thử nghiệm trên 3 bộ dữ liệu thực tế gồm: tập dữ liệu nhiệt độ không gian phòng kín Raspihat, tập dữ liệu bức xạ năng lượng mặt trời tại Aarhus (Đan Mạch) và tập dữ liệu tốc độ phương tiện giao thông với các mức mất mát dữ liệu thực tế từ 5% đến 33%.

• Vai trò chính của thư viện OpenBox trong công trình nghiên cứu này là gì? OpenBox đóng vai trò là công cụ giải bài toán tối ưu hóa đa mục tiêu với mô hình hộp đen PGAIN-VS. Thông qua thuật toán tối ưu hóa Bayes và mô hình Rừng ngẫu nhiên xác suất (PRF), OpenBox tìm ra tập nghiệm Pareto tối ưu giúp cực tiểu hóa sai số RMSE đồng thời cực đại hóa số lượng cảm biến được tiết giảm.

Kết luận

• Phát triển thành công kiến trúc cảm biến ảo PGAIN-VS dựa trên mạng đối kháng GAIN tích hợp hệ số tương quan Pearson, giải quyết hiệu quả bài toán mất mát dữ liệu chuỗi thời gian.
• Đề xuất phương pháp đo đạc luân phiên SRM kết hợp xếp hạng Borda Voting và tối ưu hóa hộp đen OpenBox nhằm tối ưu hóa số lượng thiết bị đo đạc.
• Đạt hiệu năng ấn tượng với sai số RMSE giảm khoảng 20% so với các giải thuật học máy truyền thống như ANN, LR và SVR trên cùng tập dữ liệu kiểm thử.
• Cắt giảm thành công khoảng 20% số lượng cảm biến vật lý cần lắp đặt ngoài thực địa, mang lại lợi ích kinh tế vượt trội cho việc vận hành hệ thống quan trắc.
• Kiểm chứng toàn diện độ tin cậy và tính ổn định trên 3 bộ dữ liệu thực nghiệm gồm nhiệt độ, năng lượng mặt trời và vận tốc giao thông với tỷ lệ khuyết dữ liệu lên đến 33%.

Đóng góp chính của luận văn là mở ra một hướng tiếp cận hoàn toàn mới, kết hợp chặt chẽ giữa học sâu sinh dữ liệu và tối ưu hóa đa mục tiêu hộp đen để giải quyết bài toán cảm biến trong thời gian thực. Trong giai đoạn 2024 - 2025, hướng phát triển tiếp theo của đề tài là mở rộng thử nghiệm trên các mạng lưới cảm biến không dây WSNs với quy mô trên 100 nút mạng và tích hợp cơ chế học trực tuyến (online learning). Hãy liên hệ và áp dụng ngay các giải pháp từ luận văn để tối ưu hóa hạ tầng quan trắc IoT của bạn!