So sánh đánh giá hiệu suất dự toán của ba mô hình CNN, LSTM và CNN-LSTM dự đoán lưu lượng dòng chảy bằng thuật toán học máy

Abstract

Trước sự gia tăng các tác động của biến đổi khí hậu, dự đoán lưu lượng dòng chảy là công cụ thiết yếu trong quản lí tài nguyên nước và ứng phó với thiên tai. Việc dự báo chính xác dòng chảy là một vấn đề rất phức tạp thu hút sự quan tâm của nhiều nhà nghiên cứu trong và ngoài nước. Trong nghiên cứu này, mạng nơ ron tích chập (Convolutional Neural Network - CNN) được kết hợp mạng nơ-ron trí nhớ dài ngắn hạn (Long Short Term Memory - LSTM) tạo một mô hình mới là CNN-LSTM dùng để dự đoán lưu lượng dòng chảy. Với CNN trích dẫn đặc điểm thời gian và LSTM dự đoán lưu lượng. Mục tiêu chính của bài báo này là so sánh hiệu suất dự đoán của ba mô hình: CNN, LSTM và CNN-LSTM nhằm xác định mô hình nào có khả năng dự đoán lưu lượng dòng chảy tốt nhất. Kết quả thử nghiệm mô hình, CNN-LSTM có giá trị R² (R²CNN = 0,950, R²LSTM = 0,956, R²CNN-LSTM = 0,960) và NSE (NSECNN = 0,948, NSELSTM = 0,953, NSECNN-LSTM = 0,958) cao nhất cho thấy mô hình này dự đoán dòng chảy với độ chính xác cao hơn hai mô hình còn lại. Với sai số RMSE thấp nhất (RMSECNN = 422,375, RMSELSTM = 402,139, RMSECNN-LSTM = 379,384) mô hình CNN-LSTM vượt trội hơn tất cả mô hình AI thông thường. Do đó CNN-LSTM có giá trị thực tế lớn trong dự báo lưu lượng dòng chảy.