BỘ KHOA HỌC VÀ CÔNG NGHỆ
HỆ THỐNG THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ

Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  20,014,850
  • Công bố khoa học và công nghệ Việt Nam

87

Kỹ thuật môi trường

BB

Lê Đức Tình, Đỗ Thị Phương Thảo, Trần Đức Thắng, Đặng Trọng Hợp, Nguyễn Gia Trọng(1)

Đánh giá hiệu suất của mô hình CNN(Conv1D), CNN(Conv3D) trong phân tích dữ liệu GNSS

Evaluating the Performance of CNN (Conv1D) and CNN (Conv3D) Models in GNSS Data Analysis

Khí tượng Thủy văn

2025

771

55-63

2525-2208

Mô hình CNN, Conv1D, Conv3D, Phân tích dữ liệu, GNSS

Deep learning, 1D deep learning, 3D deep learning, Time serries data.

Nghiên cứu đánh giá khả năng ứng dụng của mô hình học sâu CNN(Conv1D), CNN(Conv3D) trong phân tích dữ liệu 3D thay đổi theo thời gian với trường hợp điển hình là chuỗi dữ liệu GNSS theo thời gian. Theo đó, dữ liệu thu nhận được của trạm GNSS CORS có tên HYEN từ 10/8/2019 đến 18/3/2022 sau khi được xử lý bằng phần mềm Gamit/Globk để nhận được các thành phần tọa độ N, E, h hàng ngày. Nghiên cứu sử dụng ngôn ngữ lập trình python, với các hàm thư viện như pandas, sklearn, tensorflow… Nghiên cứu đã xây dựng mô đun chương trình dự đoán cho mô hình CNN(Conv1D), CNN(Conv3D). Kết quả thực nghiệm cho thấy, mô hình học sâu cho hiệu quả dự đoán tốt hơn dù tỷ lệ phân chia dữ liệu giữa tập dữ liệu huấn luyện với tập dữ liệu kiểm tra (60% - 40%) so với tỷ lệ tương ứng của mô hình ANN cao hơn (80% - 20%). Hiệu suất của mô hình CNN(Conv3D) khi dự đoán chuỗi dữ liệu GNSS theo thời gian thấp hơn so với kết quả dự đoán sử dụng mô hình CNN(Conv1D). Tuy nhiên, khi đưa thêm thời gian làm 1 lớp của dữ liệu đầu vào, hiệu suất dự đoán với mô hình CNN(Conv3D) được cải thiện một cách rõ nét. Các thông số đặc trưng cho hiệu suất dự đoán của mô hình CNN(Conv1D) như RMSE = 0,67 mm, MAE = 0,53 mm, R2 = 99,7% là rất cao chứng tỏ hiệu quả của mô hình trong dự đoán chuỗi dữ liệu GNSS theo thời gian.

This study evaluates the applicability of the CNN(Conv1D), CNN (Conv3D) deep learning model in analyzing time-varying 3D data, with a case study on GNSS time series data. Specifically, data collected from the GNSS CORS station named HYEN from August 10, 2019, to March 18, 2022, were processed using Gamit/Globk software to obtain daily N, E, and h coordinate components. Using the Python programming language and libraries such as pandas, sklearn, and tensorflow, the research team developed prediction modules for the CNN (Conv1D) and CNN (Conv3D) models. Experimental results indicate that deep learning models provide better prediction accuracy, even with a data split ratio between the training and test sets of 60%-40%, compared to the higher corresponding ratio of 80%-20% for the ANN model. The performance of the CNN (Conv3D) model in predicting GNSS time series data was lower than that of the CNN (Conv1D) model. However, when time was added as an additional input layer, the predictive performance of the CNN (Conv3D) model improved significantly. The performance metrics for the CNN (Conv1D) model, such as RMSE = 0.67 mm, MAE = 0.53 mm, and R² = 99.7%, were very high, demonstrating the model’s effectiveness in predicting GNSS time series data.
 

TTKHCNQG, CVt 39

Xem toàn văn