Xem mẫu
- Tuyển tập Hội nghị Khoa học thường niên năm 2021. ISBN: 978-604-82-5957-0
XÂY DỰNG MÔ HÌNH DỰ BÁO NHIỆT ĐỘ HÀNG NGÀY
SỬ DỤNG HỆ MỜ PHỨC
Nguyễn Thọ Thông1, Lương Thị Hồng Lan1
1
Trường Đại học Thủy lợi, email: thongnt@tlu.edu.vn
1. GIỚI THIỆU CHUNG (CFS) ra đời với hàm thuộc bao gồm cả
thành phần biên độ và thành phần pha [5].
Khí hậu là một trong những yếu tố quan
Ưu điểm của CFS là khả năng mô hình hóa
trọng làm ảnh hưởng đến thiên nhiên, đời
các hiện tượng và sự kiện theo thời gian, theo
sống của con người. Dự báo nhiệt độ không
giai đoạn để từ đó có thể cho thấy tổng thể
khí là một hoạt động hữu ích để có thể giảm chúng trong một ngữ cảnh nhất định. Các
thiểu và ngăn ngừa thiệt hại về nhà và tài sản. nghiên cứu trên tập mờ phức tập trung vào
Do đó, các bài toán liên quan đến dự báo việc xây dựng các hệ logic mờ phức [5, 7],
nhiệt độ đang là chủ đề thu hút nhiều sự quan mạng Neural mờ phức để nâng cao hiệu năng
tâm của các nhà nghiên cứu với nhiều hướng của hệ thống trong các ứng dụng dự báo
tiếp cận khác nhau. trong thực tế [8].
Nhiều nghiên cứu sử dụng kĩ thuật cơ bản Bài toán dự báo nhiệt độ hàng ngày nói
dựa trên mô hình mạng nơ ron nhân tạo riêng và bài toán dự báo đối với dữ liệu có
(ANN) Jallal và cộng sự [3] sử dụng kĩ thuật yếu tố chu kì, có yếu tố định kỳ nói chung có
multi-layer perception (MLP) để dự báo nhiệt thể được giải quyết và tiếp cận theo nhiều
độ không khí ở Morocco; Suzulmus và cộng phương pháp khác nhau. Trong bài báo này,
sự [6] sử dụng các mô hình như MLP, MLR chúng tôi đề xuất biểu diễn nhiệt độ hàng
và mạng nơ ron Elman nhằm mục đích dự ngày theo hướng tiếp cận dựa trên lý thuyết
báo nhiệt độ ở Thổ Nhĩ Kì. về tập mờ phức và thực nghiệm áp dụng mô
Một số các nghiên cứu khác lại sử dụng các hình hệ thống mờ phức nơ ron thích nghi
kĩ thuật logic mờ nơron như Mohammadi và ANCFIS (là mô hình kết hợp giữa mô hình
cộng sự [4] sử dụng ANFIS để dự báo nhiệt độ ANFIS và tập mờ phức) đối với bài toán dự
ở 2 thành phố của IRAN. Daneshmand và báo nhiệt độ hàng ngày ở Melbourne,
cộng sự [1] sử dụng kỹ thuật ANFIS để dự Australia để chứng minh hiệu quả của hệ mờ
báo các giá trị nhiệt độ tối thiểu hàng tháng ở phức đối với các bộ dữ liệu chuỗi thời gian,
Mashhad, Iran. Yakut và cộng sự [9] thực dữ liệu có yếu tố chu kì, định kì.
hiện so sánh ANN, ANFIS và SVM (máy
vectơ hỗ trợ) đối với dự báo nhiệt độ hàng 2. HỆ THỐNG MỜ PHỨC NƠ RON
tháng ở Thổ nhĩ kì. Điều đó có thể cho THÍCH NGHI
thấy mô hình ANFIS đã được phát triển ứng
dụng trong các bài toán dự báo nói chung và 2.1. Tập mờ phức
bài toán dự báo nhiệt độ nói riêng. Tuy nhiên Khái niệm CFS [5] đã được đề xuất bởi
các mô hình này chỉ áp dụng đối với tập Ramot và các cộng sự như là một phần mở
mờ thường. rộng của lý thuyết tập mờ và logic mờ. Một
Cùng với sự gia tăng của các dữ liệu có sự tập mờ phức được đặc trưng bởi một hàm
thay đổi về thời gian hay các dữ liệu có yếu thuộc giá trị phức được biểu diễn có dạng:
tố chu kì, định kì thì khái niệm tập mờ phức A x rA x .e jA x , j 1 . Trong đó: rA x ,
92
- Tuyển tập Hội nghị Khoa học thường niên năm 2021. ISBN: 978-604-82-5957-0
A x tương ứng là giá trị biên độ và giá trị n
j q j ,l xl rj
O5, j wSj wDP (5)
pha với điều kiện rA x 0,1 . l 1
2.2. Hệ Ancfis Ở đây, wDP j là đầu ra của lớp 4, xl là điểm
Hệ ANCFIS [8] là hệ thống phát triển dựa dữ liệu thứ j của vector đầu vào, n là độ dài
trên mô hình ANFIS và lý thuyết tập mờ của vector đầu vào và q j ,l , rj là các tham số
phức. Kiến trúc của ANCFIS bao gồm 6 lớp của một hàm tuyến tính của x j .
cơ bản sau: Lớp 6: Lớp này là tổng hợp tất cả các giá
Lớp 1: vector đầu vào là được mờ hóa tới trị thu được và cho đầu ra cuối cùng
các tập mờ phức tương ứng trên các khoảng N
thời gian bởi công thức: O6, j wSj (6)
j 1
ri i d sin ai b c (1) Với N là số lượng các luật.
Với r và tương ứng là thành phần biên 2.3. Xây dựng hệ Ancfis đối với bài toán
độ và pha của độ thuộc mờ phức. Các giá trị dự báo nhiệt độ hàng ngày
a, b, c, d là các giá trị tương ứng với các giá Dữ liệu đầu vào của bài toán nhiệt độ theo
trị: thay đổi tần số của sóng, sự lệch pha, dịch ngày là chuỗi dữ liệu quan trắc nhiệt độ theo
chuyển sóng theo phương thẳng đứng và thay ngày. Các bước áp dụng mô hình ANCFIS để
đổi biên độ của hình sin. dự báo nhiệt độ hàng ngày được thể hiện rõ
Lớp 2: độ mạnh của mỗi luật mờ phức trong hình 1 sau:
được tính toán bằng cách kết hợp các đầu ra
từ layer 1 mà biểu diễn là dạng tiền đề của
luật mờ phức. Ở đây, phép kết nối mờ phức
được thực hiện bởi phép tích đại số sau:
O2, j O1, j ; j 1, 2..., O1 (2)
j
Với O là số lượng các nút trong layer 1.
Đối với chuỗi thời gian đa biến, thì các nút Hình 1. mô hình dự báo nhiệt độ hàng ngày
trong từng lớp được dùng với chức năng xác
định hàm áp dụng trong từng bước. Trước khi đưa vào mô hình ANCIFS, dữ
Lớp 3: Độ mạnh tương ứng với từng luật liệu thô (bao gồm thông tin về thời gian và
được chuẩn hóa bởi hàm sau: giá trị nhiệt độ ngày) được xử lý bằng cách
O2 nhúng độ trễ của chuỗi thời gian 7 ngày trước
O3, j w j w j w j , j 1, 2..., O2 (3) đó. Tại thời điểm t vector thời gian trễ được
j 1 thể hiện bởi:
ở đây O2 là số lượng các luật. X t 6 , X t 5 , X t 4 , X t 3 , X t 2 , X t 1 , X t
Lớp 4: Thực hiện suy diễn luật bằng cách Tiếp theo, tập dữ liệu được nhúng độ trễ
sử dụng phép tích vô hướng đưa vào mô hình ANCFIS để huấn luyện và
O3 dự báo kết quả nhiệt độ X t 1 tại thời điểm
O4, j wDP
j w w j (4) t+1.
j 1
Ở đây O3 là số lượng các nút trong lớp 3 3. THỰC NGHIỆM
Lớp 5: một hàm tuyến tính được học cho Bộ dữ liệu sử dụng là nhiệt độ hàng ngày
từng luật đối với các vector đầu vào được trong 10 năm từ 1981-1990 với 3650 quan sát
tính toán đối với từng nút. Đây được coi như ở thành phố Melbourne, Úc. Dữ liệu từ
là kết quả của mỗi luật. 10/1990 đến 12/1990 được sử dụng để kiểm
93
- Tuyển tập Hội nghị Khoa học thường niên năm 2021. ISBN: 978-604-82-5957-0
chứng và so sánh mô hình đã đề xuất phương 5. TÀI LIỆU THAM KHẢO
pháp LSTM được đề xuất bởi Dikshit [2]. [1] Daneshmand, H., Tavousi, T., Khosravi,
Các tham số thiết lập cho LSTM bao gồm: M., & Tavakoli, S. (2015). Modeling
batch_size = 72, epochs = 1000 và optimizer minimum temperature using adaptive
= ‘adam’. Hình 2 thể hiện các kết quả dự báo neuro-fuzzy inference system based on
của nhiệt độ trong 3 tháng (từ tháng 10 đến spectral analysis of climate indices: A case
hết tháng 12). study in Iran. Journal of the Saudi society of
agricultural sciences, 14(1), 33-40.
[2] Dikshit, A., Pradhan, & Huete, A. (2021).
An improved SPEI drought forecasting
approach using the long shortterm memory
neural network. Journal of environmental
management, 283, 111979.
[3] Jallal, M. A., Chabaa, S., El Yassini, A.,
Zeroual, A., & Ibnyaich, S. (2019, April).
Air temperature forecasting using artificial
neural networks with delayed exogenous
input. In 2019 international conference on
wireless technologies, embedded and
intelligent systems (wits) (pp. 1-6). IEEE.
Hình 2. Dự báo nhiệt độ theo ngày [4] Mohammadi, K., Shamshirband, S.,
Petković, D., & Mansor, Z. (2016). Using
Kết quả so sánh về độ đo MAE và RMSE ANFIS for selection of more relevant
được trình bày trong bảng 1. parameters to predict dew point temperature.
Applied Thermal Engineering, 96, 311-319.
Bảng 1. MAE và RMSE [5] Ramot, D., Friedman, M., & Kandel, A. (2003).
Complex fuzzy logic. IEEE Transactions on
MAE RMSE Fuzzy Systems, 11(4), 450-461.
[6] Suzulmus, S. (2019). Prediction of average
Phương pháp đề xuất 1.999291 2.513789 temperatures using artificial neural
network methods: The case of Gaziantep
LSTM 2.01767 2.584706
Province, Turkey. Fresenius Bulletin,
28(2 A), 1494-1502.
Ta có thể thấy rằng mô hình đề xuất cho [7] Tuan, T. M., Lan, L. T. H., Ngan, T. T.,
kết của MAE và RMSE là thấp hơn so với Son, L. H., Giang, N. L., (2020). M-CFIS-
phương pháp LSTM trong 3 tháng dự báo. R: Mamdani complex fuzzy inference
Mô hình dự báo trong Hình 2 cũng cho thấy rõ system with rule reduction using complex
mô hình đề xuất dự báo nhiệt độ đang theo sát fuzzy measures in granular computing.
xu hướng của giá trị nhiệt độ thực đo. Đặc biệt Mathematics, 8(5), 707.
[8] Yazdanbakhsh O. and Dick S., ‘‘FANCFIS:
trong khoảng thời gian 1/12/1990 đến Fast adaptive neuro-complex fuzzy
15/12/1990 phương pháp đề xuất cũng đã cho inference system’’ Int.J. Reasoning,
kết quả dự báo theo sát sự thay đổi nhiệt độ vol.105, pp. 417-430, Feb. 2019.
đột ngột của giá trị thực đo tại Melbourne, Úc. [9] Yakut, E., & Süzülmüş, S. (2020).
Modelling monthly mean air temperature
4. KẾT LUẬN using artificial neural network, adaptive
neuro-fuzzy inference system and support
Trong bài báo này, chúng tôi đã phát triển
vector regression methods: A case of study
hệ thống mờ phức nơron thích nghi để nhằm for Turkey. Network: Computation in
mục đích cải thiện chất lượng dự báo cho bài Neural Systems, 31(1-4), 1-36.
toán dự báo trên các dữ liệu chuỗi thời gian
đa biến.
94
nguon tai.lieu . vn