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 đại dương

BB

Nguyễn Gia Trọng(1), Bùi Ngọc Quý

Phân tích chuỗi dữ liệu nghiệm triều sử dụng mạng nơ ron hồi tiếp với nút có cổng (GRU)

Analyzing tidal data sequences using Gated Recurrent Unit (GRU)

Khí tượng Thủy văn

2024

765

39-46

2525-2208

Phân tích, Chuỗi dữ liệu, Nghiệm triều, Sử dụng, Mạng nơ ron hồi tiếp, GRU

RNN, GRU, Tidal gauges data, Data time series, AI.

Nghiên cứu đã ứng dụng mô hình GRU (Gated Recurrent Unit) thuộc nhóm mạng nơ ron hồi quy (RNN - Recurrent Neural Network) để phân tích dữ liệu nghiệm triều thu nhận được tại trạm nghiệm triều Vũng Tàu trong thời gian từ 01/01/1999 đến 31/12/2022. Kết quả thực nghiệm cho thấy, các đặc trưng thống kê về hiệu suất của mô hình đạt kết quả rất tốt: RMSE = 2,2 mm; MAE = 0,5 mm; Kappa = 0,98 và F-Score = 0,96. Bên cạnh đó, để khẳng định liệu mô hình có thực sự hiệu quả hay không đã phân chia bộ dữ liệu thành tập dữ liệu huấn luyện, tập dữ liệu kiểm tra và tập dữ liệu dự báo. Kết quả thống kê cho thấy mô hình GRU có thể dự đoán một cách tin cậy giá trị triều thông qua các đặc trưng thống kê của tập dữ liệu dự báo như RMSE = 0,06 mm, MAE = 0,05 mm. Nghiên cứu cũng chỉ ra rằng, cần thiết phải thực thi phát hiện và loại trừ ngoại lai đối với tập hợp dữ liệu đầu vào để có thể thu được kết quả dự báo đạt độ chính xác cao.

 This study applied the GRU (Gated Recurrent Unit) model, a type of Recurrent Neural Network (RNN), to analyze tidal data collected at the Vung Tau tide gauge station from January 1, 1999, to December 31, 2022. Experimental results show that the statistical performance of the model is very promising: RMSE = 2.2 mm; MAE = 0.5 mm; Kappa = 0.98, and F-Score = 0.96. Additionally, to verify the effectiveness of the model, the dataset was divided into training, testing, and prediction datasets. Statistical results indicate that the GRU model can reliably predict tidal values using statistical features of the prediction dataset, such as RMSE = 0.06mm, MAE = 0.05 mm. The study also highlights the necessity of implementing outlier detection and elimination for the input dataset to achieve high prediction accuracy.
 

TTKHCNQG, CVt 39

Xem toàn văn