Tóm tắt Luận án tiến sĩ Kỹ thuật: Xây dựng mô hình dự báo một số thông số khí tượng cho địa bàn tỉnh Hải Dương

BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

ĐỖ VĂN ĐỈNH

XÂY DỰNG MÔ HÌNH DỰ BÁO
MỘT SỐ THÔNG SỐ KHÍ TƯỢNG CHO ĐỊA BÀN
TỈNH HẢI DƯƠNG

Ngành : Kỹ thuật điều khiển và tự động hóa
Mã số

: 9520216

TÓM TẮT LUẬN ÁN TIẾN SĨ
KỸ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA

Hà- Nội
1 - - 2018


Công trình được hoàn thành tại:
Trường Đại học Bách khoa Hà Nội

Người hướng dẫn khoa học:
1. PGS.TSKH. Trần Hoài Linh
2. TS. Đinh Văn Nhượng

Phản biện 1: GS. TSKH. Thân Ngọc Hoàn
Phản biện 2: PGS. TS. Phạm Trung Dũng
Phản biện 3: PGS. TS. Nguyễn Viết Lành

Luận án được bảo vệ trước Hội đồng đánh giá luận án tiến sĩ
cấp Trường họp tại Trường Đại học Bách khoa Hà Nội
Vào hồi …….. giờ, ngày ….. tháng ….. năm ………

Có thể tìm hiểu luận án tại thư viện:
1. Thư viện Tạ Quang Bửu - Trường ĐHBK Hà Nội
2. Thư viện Quốc gia Việt Nam

-2-


MỞ ĐẦU
1. Tính cấp thiết của đề tài
Đã có rất nhiều mô hình giải pháp được đề xuất và ứng dụng
trong dự báo thông số khí tượng, tuy nhiên cho tới thời điểm
này vẫn chưa có một mô hình nào được coi là chuẩn và áp
dụng hiệu quả cho mọi đối tượng. Một trong những nguyên
nhân chính của vấn đề này là do ở mỗi vùng, mỗi khu vực các
thông số khí tượng phụ thuộc khác nhau vào các số liệu trong
quá khứ. Sự khác nhau này đòi hỏi phải điều chỉnh lại các
thông số của một mô hình đã được lựa chọn nào đó hoặc đến
mức độ phải xây dựng một mô hình hoàn toàn mới. Cũng vì lý
do đó, nên nếu ta sử dụng các giải pháp hoặc phần mềm có sẵn
của nước ngoài thì sẽ gặp một số hạn chế như sau:
− Không được chủ động về công nghệ, thuật toán, giải pháp,
các hạ tầng kèm theo;
− Các phần mềm của nước ngoài thường có yêu cầu phức
tạp về thông tin đầu vào (ảnh vệ tinh, hệ thống đo trên nhiều
tầng khí quyển,…), chi phí thu thập thông tin đầu vào cao, các

hệ thống tính toán cấu hình lớn (yêu cầu máy chủ mạnh hoặc
mạng nhiều máy tính chạy song song), sử dụng phức tạp;
− Không chủ động trong việc điều chỉnh các thông số, điều
chỉnh các yêu cầu của người sử dụng tại địa phương,...
Để khắc phục những tồn tại trên, luận án đề xuất:
− Xây dựng giải pháp cho hai bài toán dự báo và ước lượng
thông số khí tượng phổ biến là: mô hình dự báo ngắn hạn thông
số khí tượng dựa vào kết quả đo trong quá khứ và mô hình ước
lượng thông số khí tượng dựa trên kết quả đo của các trạm
quan trắc lân cận;
− Các giải pháp đạt hướng đến mục tiêu: thông tin đầu vào
ít, dễ thu thập ở điều kiện Việt Nam nhưng vẫn đảm bảo được
độ chính xác phù hợp, chủ động trong thuật toán để thuận tiện
cho các việc điều chỉnh mô hình nhằm tối ưu hóa theo số liệu
địa phương.
-1-


2. Mục đích nghiên cứu
1. Xây dựng mô hình dự báo ngắn hạn thông số khí tượng
(thử nghiệm với hai thông số là nhiệt độ và độ ẩm) dựa trên các
kết quả đo quá khứ,
2. Xây dựng mô hình ước lượng thông số khí tượng dựa trên
các kết quả đo cùng thời điểm tại các điểm đo lân cận.
Các mô hình dự báo hướng tới mục tiêu và đạt yêu cầu:
− Dự báo được thông số khí tượng cho nhiều địa điểm;
− Thu thập số liệu không quá phức tạp;
− Hạ tầng tính toán không cần quá cao;
− Làm chủ được công nghệ xây dựng mô hình dự báo và
ước lượng thông số khí tượng.

3. Đối tượng và phạm vi nghiên cứu
3.1. Đối tượng nghiên cứu
− Các mô hình ước lượng phi tuyến để ứng dụng trong bài
toán dự báo và bài toán ước lượng;
− Bộ số liệu do Đài Khí tượng và Thủy văn Khu vực Đồng
bằng Bắc Bộ cung cấp: 8 thông số quan trắc (nhiệt độ lớn nhất,
nhỏ nhất; độ ẩm lớn nhất, nhỏ nhất; tốc độ gió lớn nhất, nhỏ
nhất; lượng mưa trung bình và số giờ nắng trong ngày); 7 địa
điểm quan trắc (tỉnh Thái Bình, Hưng Yên, Bắc Ninh, Quảng
Ninh, thị xã Chí Linh, thành phố Hải Phòng và thành phố Hải
Dương); thời gian quan trắc từ 01/01/2010 đến 31/12/2015.
− Phần mềm mô phỏng sử dụng trong luận án: Matlab 7.11
(R2010b) và thư viện LS-SVM1.8;
3.2. Phạm vi nghiên cứu
− Nghiên cứu về lý thuyết và các mô hình dự báo thông số
khí tượng; các mô hình ứng dụng mạng nơ-rôn nhân tạo trong
bài toán ước lượng, dự báo thông số khí tượng;
− Xây dựng mô hình mạng nơ-rôn dự báo, ước lượng thông
số khí tượng (nhiệt độ, độ ẩm lớn nhất và nhỏ nhất trong ngày)
cho địa bàn tỉnh Hải Dương dựa trên kết quả đo trong quá khứ
và các điểm quan trắc lân cận.
-2-


4. Phương pháp nghiên cứu
− Thu thập số liệu: các bộ số liệu đo như đã nêu trên.
− Thực nghiệm: đánh giá sai số của các mô hình trên cùng
bộ mẫu số liệu, lựa chọn mô hình có sai số kiểm tra nhỏ nhất.
5. Ý nghĩa khoa học và thực tiễn của đề tài
5.1. Ý nghĩa khoa học

Đề xuất phương pháp ứng dụng kỹ thuật SVM trong mô
hình lai để phân tích, xử lý và dự báo một số thông số khí
tượng điển hình là nhiệt độ và độ ẩm:
− Xây dựng mô hình dự báo nhiệt độ, độ ẩm lớn nhất và nhỏ
nhất dựa trên các kết quả đo trong quá khứ;
− Xây dựng mô hình ước lượng nhiệt độ, độ ẩm lớn nhất và
nhỏ nhất dựa trên các kết quả đo của các khu vực lân cận.
5.2. Ý nghĩa thực tiễn của đề tài
Góp phần bổ sung số lượng các giải pháp để tạo điều kiện
cho việc lựa chọn ứng dụng thực tế được dễ dàng hơn. Phương
pháp chỉ yêu cầu sử dụng số liệu đo quan trắc trong quá khứ
hoặc kết quả đo quan trắc ở các khu vực lân cận để dự báo, ước
lượng thông số khí tượng nên việc thu thập số liệu cũng khá đơn
giản, tính kinh tế cao.
6. Những đóng góp của luận án
Luận án có đóng góp sau:
− Đã đề xuất mô hình lai gồm khối tuyến tính và SVM để áp
dụng cho các bài toán ước lượng phi tuyến. Mô hình lai này có
độ chính xác cao hơn mô hình SVM và một số mô hình phi
tuyến khác;
− Sử dụng mô hình lai đề xuất để xây dựng giải pháp có độ
chính xác cao cho bài toán dự báo thông số khí tượng dựa trên
kết quả đo trong quá khứ;
− Sử dụng mô hình lai đề xuất để xây dựng giải pháp có độ
chính xác cao cho bài toán ước lượng thông số khí tượng dựa
trên kết quả đo của các trạm quan trắc lân cận.
-3-


7. Bố cục của luận án

Mở đầu: Trình bày các vấn đề chung của luận án, tóm tắt
nội dung nghiên cứu, những đóng góp và bố cục của luận án.
Chương 1. Tổng quan về các mô hình dự báo thông số khí
tượng: Trong chương này sẽ trình bày tóm tắt một số mô hình
dự báo khí tượng đã được áp dụng trong điều kiện thực tế hiện
nay. Từ đó định hướng nghiên cứu của luận án và mô tả khái
quát các bộ số liệu sử dụng trong luận án.
Chương 2. Mô hình lai và ứng dụng trong các vấn đề mô
hình hóa phi tuyến: Luận án trình bày về mô hình lai gồm cơ
chế làm việc của mô hình, phương pháp xây dựng mô hình phù
hợp cho các bộ thông số và ứng dụng nó trong mô hình phi
tuyến. Ngoài ra, luận án trình bày một số ví dụ ứng dụng mô
hình lai để ước lượng hàm phi tuyến đã được trình bày để minh
họa cho khả năng tốt của mô hình lai trong các vấn đề này.
Chương 3. Xây dựng các giải pháp dự báo, ước lượng sử
dụng mô hình lai: luận án trình bày cách xây dựng mô hình lai.
Chương 4. Các kết quả tính toán và mô phỏng: Trình bày
các kết quả nghiên cứu đã được đề xuất ở chương 3, đánh giá
độ chính xác của các mô hình đã đề xuất.
Tiếp theo các kết luận và kiến nghị của luận án với những
vấn đề cần nghiên cứu tiếp, tài tài liệu tham khảo, các công trình
đã công bố quan đến luận án và phần phụ lục.
Chương 1: TỔNG QUAN VỀ CÁC MÔ HÌNH DỰ BÁO
THÔNG SỐ KHÍ TƯỢNG
1.1. Đặt vấn đề
Trình bày tổng quan về các mô hình dự báo thông số khí
tượng, các phương pháp dự báo khí tượng, các mô hình dự báo
đang được ứng dụng trên thế giới, ở Việt Nam và một số đề
xuất nghiên cứu của luận án.

-4-


1.2. Một số phương pháp dự báo thông số khí tượng
Với sự phát triển của khoa học kĩ thuật, rất nhiều mô hình dự
báo thông số khí tượng đã ra đời [12, 15, 16, 19, 24, 27] và được
đưa vào ứng dụng trong dự báo nghiệp vụ tại nhiều trung tâm dự
báo khí tượng trên thế giới. Hiện nay, trên thế giới có rất nhiều
nghiên cứu về phương pháp dự báo thông số khí tượng, các
nghiên cứu này được chia làm một số nhóm phương pháp chính
như sau: Phương pháp synopse [27]; Phương pháp thống kê
(Statistical methods) [22, 65, 79]; Phương pháp số trị
(Numerical methods) [10, 27, 36].
− Phương pháp dự báo phối kết hợp (Ensemble forecast
methods) [61, 83].
1.3. Các mô hình dự báo thông số khí tượng được ứng dụng
trên thế giới
Những nghiên cứu trên thế giới từ trước tới nay đã cho thấy
tính ưu việt của các mô hình số trị, các mô hình này được chia
thành bốn nhóm nhưng chủ yếu được chia làm hai loại cơ bản:
các mô hình số trị toàn cầu và các mô hình số trị khu vực. Sau
đây là một số mô hình số trị toàn cầu và khu vực đã được
nghiên cứu, phát triển ở trong và ngoài nước.
1.3.1. Một số mô hình số trị toàn cầu
Mô hình dự báo các trường số trị toàn cầu RHMC [95] do
cơ quan Khí tượng Thuỷ văn Liên bang Nga xây dựng và đưa
vào dự báo nghiệp vụ với các hạn dự báo cách nhau 6h một lần
từ 12h đến 240h (10 ngày). Mô hình có ký hiệu T85L31.
Mô hình GME [53] (Global Model for Europe) được Cơ quan
Khí tượng Cộng hòa Liên bang Đức (DWD) đưa vào dự báo

nghiệp vụ từ cuối năm 1999 (độ phân giải khoảng 60 km). GME
là mô hình được xây dựng cho 06 biến là nhiệt độ, khí áp, hơi
nước, nước lỏng trong mây và hai thành phần gió ngang.
Mô hình AVN của Trung tâm Quốc gia Dự báo Môi trường
Mỹ (National Centers for Environmental Prediction - NCEP)
[92] là mô hình phổ dự báo hạn ngắn toàn cầu. Mô hình dự báo
hạn vừa MRF (Medium Range Forecast Model) của NCEP
-5-


(Mỹ) là mô hình phổ sử dụng hệ toạ độ theo phương thẳng
đứng. Đây là một trong những mô hình dự báo với hạn dự báo
lớn hơn 48h đầu tiên trên thế giới. Mô hình MRF có độ phân
giải ngang khoảng 150 km và đã được đưa vào dự báo nghiệp
vụ tại Mỹ từ năm 1995. Hiện nay, NCEP thực hiện dự báo hạn
vừa và dài (đến 384h hay 16 ngày) bằng mô hình MRF.
Mô hình GFS (Global Forecasting System) [92] cũng của
NCEP là mô hình phổ toàn cầu, bắt đầu được đưa vào sử dụng
nghiệp vụ tại Trung tâm Khí tượng quốc gia NMC (National
Meteorological Centre), tiền thân của NCEP từ năm 1988.
Mô hình GSM (Global Spectral Model) [93] là mô hình phổ
toàn cầu của Cơ quan Khí tượng Nhật Bản (JMA). GSM bắt
đầu được đưa vào sử dụng nghiệp vụ tại JMA từ năm 1988.
1.3.2. Mô hình số trị khu vực
a. Mô hình ETA [59, 66]
Mô hình khu vực hạn chế ETA do Trường Đại học Belgrade
và Viện Khí tượng Thuỷ văn Belgrade cùng với Trung tâm Khí
tượng quốc tế Mỹ xây dựng và được áp dụng cho đối tượng đặc
biệt là khu vực có địa hình núi.
b. Mô hình RAMS (Regional Atmospheric Modeling System) [67]

Phiên bản đầu tiên của mô hình RAMS ra đời vào năm
1993, là kết quả kết hợp của hai mô hình có những tính chất
giống nhau: mô hình mây quy mô vừa của Tripoli và Cotton và
mô hình mây thuỷ tĩnh của Tremback.
c. Mô hình HRM (High Resolution Regional Model) [90]
HRM là một mô hình số thuỷ tĩnh cho dự báo thời tiết khu
vực hạn chế quy mô vừa, sử dụng hệ phương trình bao gồm
nhiều đối tượng vật lý như: bức xạ, mô hình đất, các quá trình
rối trong lớp biên, tạo mưa theo lưới, đối lưu nông/sâu,...
d. Mô hình WRF (Weather Research and Forecasting) [97]
Mô hình WRF được hình thành bởi Trung tâm quốc gia
Nghiên cứu Khí quyển Mỹ (National Center of Atmospheric
Research-NCAR) với đóng góp của nhiều cơ quan khí tượng và
đại học ở Hoa Kỳ cũng như trên thế giới.
-6-


e. Mô hình MM5 [94]
Mô hình khí tượng động lực quy mô vừa MM5 là một trong
những mô hình thế hệ mới của NCAR và Trường Đại học Tổng
hợp Pennsylvania Mỹ (PSU). MM5 đang được nhiều cơ quan
chính phủ (như Nha Khí Tượng Hoa Kỳ và NASA) cũng như
nhiều trường đại học danh tiếng ở Hoa Kỳ và các quốc gia khác
trên thế giới như tại Âu Châu, Hồng Kông và Đài Loan dùng
để làm dự báo thời tiết.
1.4. Các mô hình dự báo khí tượng được ứng dụng ở Việt Nam
Qua nghiên cứu và tìm hiểu, hiện nay 100% các mô hình dự
báo thời tiết đang nghiên cứu và khai thác ứng dụng tại Việt
Nam đều được nhập ngoại, chủ yếu là sử dụng các mô hình số
trị khu vực như đã tóm tắt ở trên.

1.5. Một số mô hình dự báo thông số khí tượng dùng mạng nơ rôn
Mạng nơ-rôn nhân tạo (Artificial Neural Networks-ANN) là
một trong những công cụ mô hình hóa phi tuyến được sử dụng
phổ biến hiện nay do nhiều ưu điểm nổi bật như: có thuật toán
học để điều chỉnh tự động các thông số của mạng để giảm sai
số trên bộ số liệu mẫu, có thể lựa chọn cấu trúc đơn giản hoặc
phức tạp để phù hợp với đối tượng mô phỏng [38,48,51,60,75].
Có nhiều dạng mạng đã được đề xuất và ứng dụng như mạng
MLP (Multi Layer Perceptron), mạng Hopfield, mạng Elman,
mạng RBF (Radial Basis Function), mạng lô-gic mờ [49,50,
63,77,78]... Gần đây là các mạng Deep Learning [57]. Các ứng
dụng trong mô hình phi tuyến nói chung và trong các bài toán
dự báo thông số thời tiết, khí tượng, môi trường của các mạng
nói riêng cũng rất phong phú.
Nội dung chương I đề cập tới 2 nhóm giải pháp: một là
nhóm các giải pháp thương mại đang được sử dụng trong thực
tế, hai là nhóm các giải pháp (đang ở mức độ nghiên cứu, mô
phỏng) được giới thiệu trong các tài liệu tham khảo. Đối với
các giải pháp thương mại, do đều là các phần mềm mã nguồn
đóng nên không có đầy đủ các thông tin về giải pháp ứng dụng
bên trong. Nhược điểm chung của các giải pháp này là yêu cầu
-7-


cao về thông số đầu vào và hạ tầng tính toán, giá thành đắt, khó
chủ động cập nhật hay điều chỉnh theo yêu cầu của địa phương.
Đối với các giải pháp tổng hợp từ các bài báo khoa học, NCS
đã tìm hiểu và trình bày nhiều hơn về các mô hình toán học
cũng như một số thông số được các tác giả đưa ra. Tuy nhiên
khó khăn chung khi so sánh đó là mỗi mô hình được sử dụng

cho các địa điểm khác nhau, thông số đầu vào và đầu ra cũng
khác nhau. Vì vậy các so sánh mới dừng ở mức độ nhất định.
1.6. Đề xuất của luận án
Hiện nay, việc áp dụng các mô hình dự báo thông số khí
tượng tiên tiến hiện nay không phù hợp với điều kiện ở Hải
Dương do:
− Kinh phí thu thập số liệu quá lớn.
− Hạ tầng máy tính và công nghệ thông tin không đáp ứng.
− Không chủ động về công nghệ nên khó điều chỉnh các
thông số của mô hình cho phù hợp với tỉnh Hải Dương.
Để khắc phục những tồn tại trên luận án đề xuất giải pháp
thực hiện các nhiệm vụ sau:
− Dự báo thông số khí tượng cho nhiều địa điểm;
− Thu thập số liệu không quá phức tạp;
− Hạ tầng máy tính không cần quá cao;
− Xây dựng các mô hình ước lượng và dự báo phù hợp với
thực tế tại Hải Dương.
Chương 2: MÔ HÌNH LAI VÀ ỨNG DỤNG TRONG CÁC
VẤN ĐỀ MÔ HÌNH HÓA PHI TUYẾN
2.1. Giới thiệu chung
Đã có nhiều công trình nghiên cứu chứng minh rằng công cụ
mạng véc-tơ hỗ trợ SVM (Support Vector Machines) có khả
năng tốt hơn không chỉ trong các bài toán nhận dạng và phân
loại các mẫu rời rạc mà còn trong cả các bài toán ước lượng
các hàm phi tuyến [70, 76, 85]. Trong luận án này NCS đề xuất
tiếp tục cải thiện chất lượng sử dụng của SVM bằng việc tách
-8-


riêng thành phần tuyến tính, chỉ dùng SVM làm công cụ ước

lượng thành phần phi tuyến trong một mô hình lai [5]. Các kết
quả tính toán và mô phỏng cho thấy mô hình lai sử dụng SVM
cho kết quả tốt hơn mô hình lai sử dụng mạng MLP, tốt hơn
khi sử dụng riêng lẻ SVM và cũng tốt hơn một số mô hình dự
báo thông số khí tượng kinh điển.
2.2. Mô hình lai và ứng dụng trong mô hình phi tuyến
2.2.1. Mục đích sử dụng mô hình lai
Mục đích của việc sử dụng mô hình lai là tách riêng thành
phần tuyến tính để giảm bớt mức độ phức tạp của mô hình phi
tuyến. Khi mô hình phi tuyến có số tham số ít hơn thì các thuật
toán tối ưu hóa sẽ có khối lượng tính toán giảm và xác suất đạt
được nghiệm cực trị tốt hơn sẽ cao. Đồng thời các thành phần
tuyến tính được tối ưu hóa bằng các thuật toán chuyên biệt
cũng sẽ đạt được cực trị (toàn cục) nhanh và chính xác hơn khi
tối ưu hóa bằng các thuật toán chuyên dùng cho hàm phi tuyến.
2.2.2. Mô tả toán học của mô hình lai
Với véc-tơ đầu vào xác định x ta có đáp ứng đầu ra của hệ
lai là tổng đáp ứng của khối tuyến tính và khối phi tuyến:
d = f ( x )  Linear ( x ) + NonLinear ( x )
(2.1)
2.3. Phương pháp xây dựng mô hình lai từ các bộ số liệu mẫu
Quy trình thực hiện gồm các bước như sau:
2.3.1. Bộ số liệu đầu vào
Đối với bài toán dự báo, hàm truyền đạt phi tuyến tổng quát
có dạng: y ( d ) = f x( d −1) , x( d −2) , , x( d − K )
(2.2)

(

)

trong đó x( d −1) là véc-tơ đầu vào các đại lượng đo ở ngày thứ
d − 1 , y ( d ) là đại lượng cần dự báo ở ngày d, ( d − K ) − ngày
xa nhất sử dụng trong dự báo. Do đó một mẫu số liệu gồm cặp
 x( d −1) , , x( d − K )  ; y ( d ) và được lấy cho nhiều ngày d.


Đối với bài toán ước lượng, hàm truyền đạt phi tuyến tổng





-9-


(

quát có dạng: y ( d ) = f x1( d ) , x2( d ) ,

, xN( d )

)

(2.3)

trong đó xi( d ) là đại lượng đo tại vị trí i ở ngày thứ d, y ( d ) là
đại lượng cần ước lượng ở ngày thứ ( d ) ở vị trí khác các xi .





Một mẫu số liệu sẽ bao gồm một cặp  x1( d ) , , xN( d )  ; y ( d ) và
được lấy liên tiếp cho nhiều ngày d.
2.3.2. Lựa chọn đầu vào
Có nhiều phương pháp khác nhau để lựa chọn đầu vào cho mô
hình dự báo [47, 74]. Trong số đó, các phương pháp phổ biến
được sử dụng là phương pháp phân tích theo các thành phần
chính, phương pháp sử dụng hàm tương quan, sử dụng hệ số khai
triển tuyến tính,… [9, 43]. Luận án thử nghiệm trên cùng bộ số
liệu để đánh giá 03 phương pháp trên khi sử dụng với mô hình lai
và lựa chọn phương pháp cho kết quả sai số nhỏ nhất.
2.3.3. Xây dựng khối tuyến tính
Mô hình tuyến tính được xác định trên cơ sở tìm các hệ số
a j sao cho hàm sai số E trong (2.4) đạt giá trị nhỏ nhất trên tập
mẫu số liệu [5]:
1 p
2
(2.4)
E =  Linear (xi ) − di → min
2 i =1
2.3.4. Xây dựng khối phi tuyến
Sau khi có mô hình tuyến tính, phần sai số còn lại sẽ được
xấp xỉ bởi mô hình phi tuyến sao cho:
1 p
2
E =  NonLinear (xi ) − (di − Linear (xi )) → min (2.5)
2 i =1
Trong luận án, mô hình phi tuyến sẽ sử dụng mạng SVM.

2.4. Ưng dụng SVM xây dựng hàm truyền phi tuyến
2.4.1. Giới thiệu chung
Mục tiêu nghiên cứu là xây dựng mô hình dự báo và mô
hình ước lượng nội suy đều là dạng hàm biến thiên liên tục nên
- 10 -


luận án sẽ sử dụng mô hình SVR. Nhiều ý tưởng của SVR xuất
phát từ các công thức gốc của SVM nên luận án sẽ trình bày
tóm tắt về các công thức này trước khi giới thiệu về SVR.
2.4.2. Bài toán phân lớp nhị phân
Bài toán phân lớp nhị phân [85] này được phát biểu như sau:
Cho tập dữ liệu gồm p mẫu huấn luyện xi , di  , i = 1, 2, , p,
trong đó xi 

N

và di  1 là đầu ra rời rạc có thể nhận 1

trong 2 giá trị đại diện cho hai nhóm số liệu. Tìm một siêu
phẳng wT  x + b = 0 để tách tập dữ liệu thành 2 lớp sao cho:
wT  xi + b  1 → yi = 1; wT  xi + b  −1 → yi = −1 .
Do có thể tồn tại nhiều mặt phẳng phân cách, nên để có thể
có nghiệm xác định duy nhất, ta bổ sung thêm điều kiện tổng
khoảng cách từ các điểm gần nhất của hai nhóm tới mặt phân
cách (còn gọi là các véc-tơ hỗ trợ) là lớn nhất [85].
2.4.3. Kỹ thuật SVR (Support Vector Regression)
Phát triển tiếp các ý tưởng của SVM dùng trong các bài toán
phân loại, khi các giá trị đầu ra là các mã phân lớp (là các giá
trị rời rạc), SVM được mở rộng để sử dụng trong các bài toán

ước lượng bằng cách sử dụng một hàm tổn thất (lost function).
Lúc này, kỹ thuật SVM được gọi là máy véc-tơ đỡ ước lượng
(SVR – Support Vector Regression).
2.4.4. Phương pháp LS-SVM
Phương pháp LS-SVM đã được cải tiến dựa trên kỹ thuật
SVR [23]. Xét bộ dữ liệu học gồm p điểm xk , yk k =1 với dữ
p

liệu đầu vào xk  N và đầu ra yk  .
Trong không gian đặc trưng, phương pháp LS-SVM có
dạng:
y ( x ) = wT  ( x ) + b
(2.6)
Các thông số của mô hình được xác định bằng việc tối ưu
hóa hàm giá trị phạt:
- 11 -


Minimize :

1 T
1 p
w  w +   ek2
2
2 k =1

với ek = y ( xk ) − wT   ( xk ) + b  , k = 1, 2,

(2.7)

, p là sai số và

 − thông số điều chỉnh. Bài toán ước lượng sẽ được chuyển
thành dạng phi tuyến khi sử dụng hàm nhân K ( x, xk ) như sau:
p

y ( x ) =   k  K ( x, xk ) + b

(2.8)

k =1

Hàm cơ sở xuyên tâm (RBF) trong LS-SVM được sử dụng
như hàm nhân với công thức như sau:
T

 ( x k − xl )  ( x k − xl ) 

K ( xk , xl ) = exp −
 , k = 1,..., p
2
2






trong đó  là độ rộng của hàm RBF.
2.5. Ví dụ ứng dụng minh họa

Trình bày ví dụ kiểm chứng khả năng ứng dụng của SVM
trong bài toán ước lượng hàm phi tuyến cũng như khả năng của
mô hình lai khi dùng SVM và mô hình dùng SVM trực tiếp.
2.6. Kết luận chương 2
Luận án đã đề xuất sử dụng SVM để ước lượng khối phi
tuyến trong mô hình lai, cải thiện được độ chính xác hơn so với
mô hình lai dùng mạng MLP sử dụng trong [5].
Để so sánh tính ưu việt của mô hình lai trong bài toán ước
lượng hàm phi tuyến, luận án đã tiến hành thực nghiệm, kết
quả mô hình lai sử dụng SVM cho sai số tốt hơn khi sử dụng
trực tiếp mạng SVM đây là cơ sở để luận án đề xuất sử dụng
mô hình lai để ước lượng, dự báo thông số khí tượng.

- 12 -


Chương 3: XÂY DỰNG CÁC GIẢI PHÁP DỰ BÁO, ƯỚC
LƯỢNG XỬ DỤNG MÔ HÌNH LAI
3.1. Đặt vấn đề
Luận án tiến hành xây dựng hai giải pháp dự báo thông số
khí tượng tại một điểm dựa trên các số liệu đo quá khứ (còn gọi
tắt là bài toán dự báo), ước lượng thông số khí tượng tại một vị
trí dựa trên các số liệu đo tại các điểm lân cận (còn gọi tắt là
bài toán ước lượng). Cả hai giải pháp này sẽ sử dụng mô hình
lai cho phần ước lượng hàm truyền đạt phi tuyến.
3.2. Xây dựng mô hình lai cho bài toán dự báo
3.2.1. Lựa chọn đầu vào
Trích chọn đặc tính đầu vào là một bước rất quan trọng
trong quá trình nhận dạng, điều khiển tín hiệu hay dự báo…
sau khi được thu thập bằng cách loại bỏ những thông tin đặc

trưng có rất ít hoặc không có thông tin dự đoán.
3.2.2. Xác định các hệ số của khối tuyến tính
Từ phương trình (2.8), giả thiết ta có một tập hợp N thông
số T1, T2 , , TN  được đo trong một thời gian, mỗi thông số có



được p mẫu: Ti1, Ti 2 ,

, Tip

 (i = 1,

, N ) . Các mô hình dự

báo sẽ được xây dựng độc lập cho từng thông số, mỗi mô hình
sẽ có một đầu ra tương ứng với giá trị của thông số của ngày
tiếp theo. Tuy nhiên các đầu vào được sử dụng cho từng mô
hình sẽ được xác định độc lập (và danh sách đầu vào cũng sẽ
khác nhau cho từng mô hình). Trước tiên thành phần quan hệ
tuyến tính giữa thông số Ti của ngày d với chính thông số Ti
đó của các ngày quá khứ được biểu diễn và xác định từ hệ
phương trình ước lượng xấp xỉ như trong công thức (3.1) và
(3.2). Từ (3.2) ta cần xác định véc-tơ a =  a1, a2 , , aK T để đạt
cực tiểu của hàm sai số ước lượng. Trong thực tế áp dụng, ta
xác định xem các đầu vào cho mô hình dự báo sẽ là các số liệu
- 13 -


gì trong quá khứ:

Ti (d − 2)
 Ti (d − 1)

Ti (d − 3)
 Ti (d − 2)


Ti (d − p) Ti (d − p − 1)

Ti ( d − K )   a1   Ti (d ) 

Ti ( d − K − 1)   a2   Ti (d − 1) 

=
   

   

Ti ( d − p − K − 1)   aK  Ti (d − p + 1) 

(3.1)
Trước tiên danh sách các đầu vào quá khứ sẽ được tìm kiếm
theo ý tưởng đã được trình bày ở Chương 2 trong một khoảng
thời gian đủ xa (Luận án chọn K=60 - tương đương 2 tháng
trong quá khứ) để thử nghiệm.
Ví dụ, nếu sử dụng phương pháp đánh giá theo hệ số khai
triển tuyến tính, ta sẽ xét với K đầu vào quá khứ với bộ số liệu
nhiều mẫu đã có, ta xác định véc-tơ a =  a1,

, aK  của hàm

T

ước lượng tuyến tính Ti (d )   j =1 a j  Ti ( d − j )  bằng
phương pháp khai triển ma trận dùng SVD. Tiếp theo xác định
thành phần có giá trị tuyệt đối nhỏ nhất trong véc-tơ a. Thành
phần này sẽ tương ứng với ngày trong quá khứ có ảnh hưởng ít
nhất tới ngày dự báo tiếp theo. Ta loại bỏ ngày này khỏi bộ số
liệu trong quá khứ, giảm K=K-1, và quay lại bước 2 nếu K >
Kmin chọn trước. Quá trình lặp các bước 2-3 sẽ được tiếp tục
cho đến khi K giảm xuống một giá trị đủ nhỏ có thể chấp nhận
được để mô hình không quá phức tạp, khó sử dụng trong thực
tế. Cụ thể trong luận án ta chọn Kmin<5.
Tương tự như vậy, ta xây dựng hàm quan hệ tuyến tính giữa
Ti của ngày d với các thông số Tk khác ( k = 1, , N ; k  i ) của
p

các ngày trong quá khứ ta được phương trình như trong công


thức sau: Ti ( d )   a j1  Ti ( d − j ) +   a jk  Tk ( d − j ) 
 j
j
k i 

Sau khi đã xác định được mối quan hệ tuyến tính giữa Ti (d )
của ngày d với các ngày trong quá khứ, ta tính sai số lệch giữa
- 14 -


số liệu thực tế và số liệu ước lượng trong phương trình:






NL(d ) = Ti ( d ) −  a j1  Ti ( d − j ) +   a jk  Tk ( d − j )  
 j
k i 
 j
 


(3.2)
được coi là phần phụ thuộc phi tuyến còn lại giữa Ti với các
đầu vào và sẽ là giá trị đích mà khối phi tuyến cần tạo ra.
3.2.3. Xây dựng khối phi tuyến của mô hình lai
Sau khi đã xác định được các thông số mô hình tuyến tính,
ta tiến hành xây dựng mô hình phi tuyến để ước lượng thành
phần phi tuyến còn lại (phương trình 3.2).
3.3. Xây dựng mô hình lai cho bài toán ước lượng
3.3.1. Bài toán ước lượng thông số khí tượng
Giả thiết rằng ta có kết quả đo các thông số khí tượng dựa
kết quả đo quan trắc ở các điểm A1, A2,…, AN. Mục tiêu đặt ra
là ta cần ước lượng thông số khí tượng tại điểm B (vị trí không
có trạm quan trắc), khi đó ta cần xây dựng hàm quan hệ (thông
thường đây là quan hệ phi tuyến) giữa thông số khí tượng tại
điểm B và tại các điểm Ai có dạng tổng quát như sau:
(3.3)
T ( B, d ) = g (T ( A1, d ) , T ( A2 , d ) , , T ( AN , d ) )
trong đó T - thông số khí tượng cần ước lượng, d – ngày đang

xét; hàm g() là phi tuyến (cần xây dựng). Hàm phi tuyến g() sẽ
được sử dụng mô hình lai để ước lượng. Mô hình (3.3) cũng có
thể được sử dụng để bù dữ liệu khuyết thiếu tại điểm B. Ngoài
ra, mô hình (3.3) có thể đực phát triển phát triển cho việc ước
lượng thông số T khác (ví dụ để ước lượng Tmax có thể dùng
RHmax của điểm lân cận,...).
Từ (3.3) ta ước lượng thông số khí tượng tại 02 địa điểm
(thành phố Hải Dương, thị xã Chí Linh) dựa trên kết quả đo
của 05 trạm quan trắc lân cận.
T HD, d

g T TB, d ,T BN , d ,T QN ,d ,T HP,d ,T HY ,d

(3.4a)
- 15 -


và
T CL, d

g T TB, d ,T BN ,d ,T QN ,d ,T HP,d ,T HY ,d

(3.4b)
Từ bộ số liệu đã có, luận án sẽ xây dựng bốn mô hình ước
lượng cho bốn thông số là Tmax, Tmin, RHmax và RHmin.
3.3.2. Xác định các thông số đầu vào cho mô hình ước lượng
Thực hiện tính toán mô phỏng với các bộ đầu vào khác nhau
cho cùng một địa điểm (ở đây là thành phố Hải Dương hoặc thị
xã Chí Linh) và cùng một thông số khí tượng (nhiệt độ lớn
nhất, nhỏ nhất trong ngày, độ ẩm lớn nhất, nhỏ nhất trong

ngày) để xác định xem cần sử dụng thông tin từ các địa điểm
lân cận nào để đạt kết quả chính xác nhất.
3.4. Kết luận chương 3
− Xây dựng mô hình lai cho bài toán dự báo: phân tích, lựa
chọn các đặc tính đầu vào cho mô hình, xây dựng mô hình xác
định thành phần tuyến tính và phi tuyến.
− Xây dựng mô hình lai cho bài toàn ước lượng: xây dựng
các kịch bản cho bài toán ước lượng thông số khí tượng dựa
trên kết quả đo của các trạm quan trắc lân cận.
Chương 4: CÁC KẾT QUẢ TÍNH TOÁN VÀ MÔ PHỎNG
4.1. Đặt vấn đề
Với quy trình xây dựng mô hình như ở chương 3, tiến hành
tính toán thực nghiệm trên bộ số liệu do Đài Khí tượng thủy
văn và Biến đổi khí hậu khu vực đồng bằng Bắc Bộ cung cấp.
4.2. Đánh giá, lựa chọn đặc tính đầu vào cho các mô hình
Thực nghiệm với 3 phương pháp khác nhau gồm PCA, hàm
tương quan, khai triển theo hệ số tuyến tính trên cùng bộ số
liệu đầu vào. Kết quả thực nghiệm phương pháp khai triển theo
hệ số tuyến tính cho sai số nhỏ nhất và được chọn để xác định
thành phần tuyến tính trong mô hình lai.
- 16 -


4.3. Kết quả dự báo, ước lượng thông số khí tượng theo
chuỗi thời gian
4.3.1. Kết quả xây dựng mô hình lai dự báo thông số khí tượng theo
chuỗi thời gian
a. Lựa chọn đặc tính đầu vào cho các mô hình dự báo và xác
định thành phần tuyến tính
Sử dụng phương pháp khai triển theo hệ số tuyến tính xác

định thành phần tuyến tính trong mô hình lai. Kết quả sau khi
trích chọn đặc tính ta có số liệu các ngày quá khứ ảnh hưởng
đến ngày dự báo d+1: Tmax (19 đầu vào), Tmin (18 đầu vào),
RHmax (22 đầu vào), RHmin (19 đầu vào).
b. Xác định thành phần phi tuyến
Sai số còn lại sau khi ước lượng thành phần tuyến tính chính
là giá trị đích cần đạt được của khối phi tuyến. Sử dụng các mô
hình mạng nơ-rôn khác nhau để huấn luyện mô hình mạng như:
MLP, MLR, RBF, Elman, BTree, SVM và đánh giá, so sánh
kết quả sai số. Kết quả SVM cho kết quả sai số tuyệt đối trung
bình nhỏ nhất và được chọn là mạng nơ-rôn để xác định thành
phần phi tuyến.
Hình 4.1 là sai số học và kiểm tra khi xác định thành phần
phi tuyến với Tmax cho sai số tuyệt đối trung bình
(MAE=1,38oC).

Hình 4.1: Sai số học và sai số kiểm tra khi xác định
thành phần phi tuyến dự báo Tmax trong mô hình lai

- 17 -


Hình 4.2 là sai số học và kiểm tra khi xác định thành phần
phi tuyến với Tmin cho sai số tuyệt đối trung bình
(MAE=0,97oC).

Hình 4.2: Sai số học và sai số kiểm tra khi xác định
thành phần phi tuyến dự báo Tmin trong mô hình lai

Hình 4.3 là sai số học và kiểm tra khi xác định thành phần

phi tuyến với RHmax cho sai số tuyệt đối trung bình
(MAE=3,35%).

Hình 4.3: Sai số học và sai số kiểm tra khi xác định
thành phần phi tuyến dự báo RHmax trong mô hình lai

- 18 -


Hình 4.4 là sai số học và kiểm tra khi xác định thành phần
phi tuyến với RHmin cho sai số tuyệt đối trung bình
(MAE=6,23%).

Hình 4.4: Sai số học và sai số kiểm tra khi xác định
thành phần phi tuyến dự báo RHmin trong mô hình lai

4.3.2. Kết quả xây dựng mô hình lai ước lượng thông số khí tượng
theo chuỗi thời gian
Tiến hành thử nghiệm ước lượng thông số khí tượng tại
thành phố Hải Dương, thị xã Chí Linh dựa trên kết quả đo của
trạm quan trắc của 05 địa điểm lân cận gồm tỉnh Bắc Ninh,
Thái Bình, Hưng Yên, Thành phố Hải Phòng, tỉnh Quảng Ninh.

Hình 4.5: Kết quả kiểm tra ước lượng Tmax tại thành phố Hải Dương
cho các tổ hợp đầu vào khác nhau

- 19 -


Thực hiện kiểm tra thử nghiệm với 25 trường hợp chia làm

03 nhóm theo số lượng tỉnh lân cận đầu vào từ 2 đến 4. Kết quả
cả thành phố Hải Dương và thị xã Chí Linh đều có thể sử dụng
chung một mô hình gồm 4 trạm lân cận là Bắc Ninh, Quảng
Ninh, Hải Phòng, Hưng Yên. Các hình 4.5÷4.8 là kết quả kiểm
tra tại thành phố Hải Dương cho các tổ hợp đầu vào khác nhau
khi ước lượng Tmax (sai số MAE=0,48oC), Tmin (MAE=0,37oC),
RHmax (MAE=2,23%), RHmin (MAE=3,59%)

Hình 4.6: Kết quả kiểm tra ước lượng Tmin tại thành phố Hải Dương
cho các tổ hợp đầu vào khác nhau

Hình 4.7: Kết quả kiểm tra ước lượng RHmax tại thành phố Hải
Dương cho các tổ hợp đầu vào khác nhau

Hình 4.8: Kết quả kiểm tra ước lượng RHmin tại thành phố Hải
Dương cho các tổ hợp đầu vào khác nhau

- 20 -


Hình 4.9; 4.10 là các kết quả kiểm tra tại thị xã Chí Linh cho
các tổ hợp đầu vào khi ước lượng Tmax (sai số MAE=0,58oC),
Tmin (sai số MAE=0,43oC)

Hình 4.9: Kết quả kiểm tra ước lượng Tmax tại thị xã Chí Linh cho
các tổ hợp đầu vào khác nhau

Hình 4.10: Kết quả kiểm tra ước lượng Tmin tại thị xã Chí Linh cho
các tổ hợp đầu vào khác nhau

Hình 4.11; 4.12 là các kết quả kiểm tra tại thị xã Chí Linh
cho các tổ hợp đầu vào khi ước lượng RHmax (sai số
MAE=3,05%), RHmin (sai số MAE=3,96%)

Hình 4.11: Kết quả kiểm tra ước lượng RHmax tại thị xã Chí Linh
cho các tổ hợp đầu vào khác nhau

- 21 -


Hình 4.12: Kết quả kiểm tra ước lượng RHmin tại thị xã Chí Linh
cho các tổ hợp đầu vào khác nhau

4.4. Kết quả dự báo, ước lượng thông số khí tượng theo mùa
Theo [6, 96] chia bộ dữ liệu trong năm thành 4 mùa/năm:
Mùa xuân từ 01/3 đến 31/5; Mùa hè từ 01/6 đến 31/8; Mùa thu
từ 01/9 đến 30/11; Mùa đông từ 01/121 đến 328/02 (hoặc 29/02
nếu năm nhuận).
Với 2191 ngày dữ liệu (từ 01/01/2010 đến 31/12/2015) và
cách phân chia mùa trong năm theo [6, 96], ta có 04 bộ số liệu
theo mùa:
− Bộ số liệu mùa xuân (552 ngày số liệu);
− Bộ số liệu mùa hè (552 ngày số liệu);
− Bộ số liệu mùa thu (546 ngày số liệu);
− Bộ số liệu mùa đông (541 ngày số liệu).
4.4.1. Kết quả xây dựng mô hình dự báo thông số khí tượng
theo mùa
Sử dụng mô hình lai, kết quả thực nghiệm cho thấy dự báo
ngắn hạn theo mùa cho sai số trung bình cộng các mùa từ 1,41oC
đến 1,80oC (đối với nhiệt độ) và từ 4,63% đến 7,26% (đối với độ

ẩm). Qua kết quả này cho thấy dự báo theo mùa cho sai số nhỏ
hơn tuy nhiên phải sử dụng tới 4 mô hình. Sự chênh lệch sai số
giữa dự báo theo chuỗi thời gian và dự báo theo mùa không nhiều,
để sử dụng ít mô hình thì sử dụng mô hình dự báo theo chuỗi thời
gian sẽ hiệu quả hơn và đây cũng là đề xuất của luận án.
- 22 -


4.4.2. Kết quả xây dựng mô hình ước lượng thông số khí
tượng theo mùa
Thực hiện ước lượng thông số khí tượng theo mùa tại thành
phố Hải Dương và thị xã Chí Linh dựa theo kết quả trạm quan
trắc lân cận gồm Hải Phòng, Hưng Yên, Thái Bình, Bắc Ninh
và Quảng Ninh.Kết quả sử dụng tổ hợp gồm 4 trạm quan trắc
lân cận: Bắc Ninh – Quảng Ninh – Hải Phòng và Hưng Yên
cho kết quả sai số nhỏ nhất,
Kết quả mô phỏng cho thấy với giải pháp đề xuất ước lượng
thông số khí tượng theo mùa cho sai số trung bình cộng các
mùa từ 0,48oC đến 0,65oC (đối với nhiệt độ) và từ 2,87% đến
4,24% (đối với độ ẩm). Với kết quả này giải pháp sử dụng mô
hình ước lượng theo mùa là đề xuất của luận án.
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
Luận án đã đề xuất và sử dụng mô hình lai để xây dựng giải
pháp dự báo thông số khí tượng (nhiệt độ và độ ẩm) dựa trên
chuỗi giá trị đo trong quá khứ áp dụng cho một số vị trí trong
địa bàn tỉnh Hải Dương với độ chính xác khá cao. Kết quả
trung bình sai số tuyệt đối
− Sai số khi ước lượng Tmax: 1,38oC;
− Sai số khi ước lượng Tmin: 0,97oC;
− Sai số khi ước lượng RHmax: 3,47%;

− Sai số khi ước lượng RHmin: 6,23%;
• Sử dụng mô hình lai xây dựng mô hình ước lượng thông
số thời tiết dựa trên chuỗi giá trị kết quả đo của các trạm quan
trắc lân cận thành phố Hải Dương và thị xã Chí Linh là Bắc
Ninh, Quảng Ninh, Hải Phòng, Thái Bình, Hưng Yên với 03
kịch bản khác nhau cho 02 trạm, 03 trạm và 04 trạm quan
trắc. Kết quả khi ước lượng thông số khí tượng tại thành phố
Hải Dương, thị xã Chí Linh, luận án đã tiến hành thử nghiệm
- 23 -