Dự báo mực nước sông cao nhất, thấp nhất trong ngày sử dụng mô hình hỗn hợp

Giấy phép xuất bản số: 1003/GP-BTTT, ngày 06/7/2011 và Giấy phép sửa đổi, bổ sung số: 293/GP-BTTTT
ngày 03/06/2016 của Bộ Thông n và Truyền thông.
Mã chuẩn quốc tế số: 47/TTKHCN-ISSN, ngày 21/7/2011 của Cục Thông n Khoa học và Công nghệ Quốc gia.
In 2.000 bản, khổ 21 × 29,7cm, tại Cơng ty TNHH in Tre Xanh, cấp ngày 17/02/2011.

TẠP CHÍ NGHIÊN CỨU KHOA HỌC

Địa chỉ Tòa soạn:
Trường Đại học Sao Đỏ.
Số 24, Thái Học 2, phường Sao Đỏ, thành phố Chí Linh, tỉnh Hải Dương.
Điện thoại: (0220) 3587213, Fax: (0220) 3882 921, Hotline: 0912 107858/0936 847980.
Website: h p://tapchikhcn.saodo.edu.vn/Email:

Số 1 (72)
2021

Địa chỉ:
- Số 1: Số 24, Thái Học 2, phường Sao Đỏ, thành phố Chí Linh, tỉnh Hải Dương
- Số 2: Số 72, đường Nguyễn Thái Học/Quốc lộ 37, phường Thái Học, thành phố Chí Linh, tỉnh Hải Dương
- Điện thoại: (0220) 3882 269 Fax: (0220) 3882 921 Website: Email:

SỐ 1 (72) 2021
ISSN 1859-4190

2021

Số 1 (72)


Assoc.Prof.Dr.Sc. Tran Hoai Linh
Assoc.Prof.Dr. Nguyen Quoc Cuong

Assoc.Prof.Dr. Nguyen Van Lien
Prof.Dr.Sc. Than Ngoc Hoan
Prof.Dr.Sc. Banh Tien Long
Prof.Dr. Tran Van Dich
Prof.Dr. Pham Minh Tuan
Assoc.Prof.Dr. Le Van Hoc
Assoc.Prof.Dr. Nguyen Doan Y
Prof.Dr. Dinh Van Son
Assoc.Prof.Dr. Tran Thi Ha
Assoc.Prof.Dr. Truong Thi Thuy
Dr. Vu Quang Thap
Assoc.Prof.Dr. Nguyen Thi Bat
Prof.Dr. Do Quang Khang
Dr. Bui Van Ngoc
Assoc.Prof.Dr. Ngo Sy Luong
Assoc.Prof.Dr. Khuat Van Ninh
Prof.Dr.Sc. Pham Hoang Hai
Assoc.Prof.Dr. Nguyen Van Do
Assoc.Prof.Dr. Doan Ngoc Hai
Assoc.Prof.Dr. Nguyen Ngoc Ha

E d it o ria l
MSc. Doan Thi Thu Hang - Head
MSc. Dao Thi Van

PGS.TSKH. Trần Hoài Linh

PGS.TS. Nguyễn Quốc Cường

PGS.TS. Nguyễn Văn Liễn

GS.TSKH. Thân Ngọc Hoàn

GS.TSKH. Bành Tiến Long

GS.TS. Trần Văn Địch

GS.TS. Phạm Minh Tuấn

PGS.TS. Lê Văn Học

PGS.TS. Nguyễn Doãn Ý

GS.TS. Đinh Văn Sơn

PGS.TS. Trần Thị Hà

PGS.TS. Trương Thị Thủy

TS. Vũ Quang Thập

PGS.TS. Nguyễn Thị Bất

GS.TS. Đỗ Quang Kháng

TS. Bùi Văn Ngọc

PGS.TS. Ngô Sỹ Lương

PGS.TS. Khuất Văn Ninh

GS.TSKH. Phạm Hoàng Hải

PGS.TS. Nguyễn Văn Độ

PGS.TS. Đoàn Ngọc Hải

PGS.TS. Nguyễn Ngọc Hà

B a n B iê n tậ p

ThS. Đoàn Thị Thu Hằng - Trưởng ban
ThS. Đào Thị Vân

Giấy phép xuất bản số: 1003/GP-BTTT, ngày 06/7/2011 và Giấy phép sửa đổi, bổ sung số: 293/GP-BTTTT
ngày 03/06/2016 của Bộ Thông n và Truyền thông.
Mã chuẩn quốc tế số: 47/TTKHCN-ISSN, ngày 21/7/2011 của Cục Thông n Khoa học và Công nghệ Quốc gia.
In 2.000 bản, khổ 21 × 29,7cm, tại Công ty TNHH in Tre Xanh, cấp ngày 17/02/2011.

Địa chỉ Tòa soạn:
Trường Đại học Sao Đỏ.
Số 24, Thái Học 2, phường Sao Đỏ, thành phố Chí Linh, tỉnh Hải Dương.
Điện thoại: (0220) 3587213, Fax: (0220) 3882 921, Hotline: 0912 107858/0936 847980.
Website: h p://tapchikhcn.saodo.edu.vn/Email:

GS.TS. Phạm Thị Ngọc Yến

E d it o ria l B o a rd
Poeple's Teacher, Dr. Dinh Van Nhuong - Chairman
Prof.Dr. Pham Thi Ngoc Yen

H ộ i đ ồ n g B iê n tậ p

NGND.TS. Đinh Văn Nhượng - Chủ tịch Hội đồng

O ff ic e S e c r e t a r y
Dr. Ngo Huu Manh

TS. Ngô Hữu Mạnh

T h ư k ý Tò a so ạn

V ic e E d it o r -in - C h ie f
Dr. Nguyen Thi Kim Nguyen

P h ó T ổ n g b iê n t ậ p

Dr. Do Van Dinh

E d it o r -in -C h ie f

TS. Nguyễn Thị Kim Nguyên

TS. Đỗ Văn Đỉnh

T ổ n g B iê n t ậ p

- Nếu là trang web: Phải trích dẫn đầy đủ tên website và đường link, ngày cập nhật.

Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số 1 (72) 2021

Email:

Điện thoại: (0220) 3587213, Fax: (0220) 3882921, Hotline: 0912 107858/0936 847980

Địa chỉ: Số 24 Thái Học 2, phường Sao Đỏ, thành phố Chí Linh, tỉnh Hải Dương

Phòng 203, Tầng 2, Nhà B1, Trường Đại học Sao Đỏ

Ban Biên tập Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ

THÔNG TIN LIÊN HỆ:

12.

- Nếu là bài báo/báo cáo khoa học: Tên tác giả (năm), Tên bài báo/báo cáo, Tạp chí/Hội nghị/Hội thảo, Tập/
Kỷ yếu, số, trang.

- Nếu là sách/luận án: Tên tác giả (năm), Tên sách/luận án/luận văn, Nhà xuất bản/Trường/Viện, lần xuất
bản/tái bản.

11. Tài liệu tham khảo được sắp xếp theo thứ tự tài liệu được trích dẫn trong bài báo.

Trong trường hợp hình vẽ, hình ảnh có kích thước lớn, bảng biểu có độ rộng lớn hoặc cơng thức, phương
trình dài thì cho phép trình bày dưới dạng 01 cột.

10. Bài báo được đánh máy trên khổ giấy A4 (21 × 29,7cm) có độ dài khơng q 8 trang, font Arial, cỡ chữ 10,

9.

Chữ “Từ khóa” in đậm, nghiêng, font Arial, cỡ chữ 10; Có từ 03÷05 từ khóa, font Arial, cỡ chữ 10, in
nghiêng, ngăn cách nhau bởi dấu chấm phẩy, cuối cùng là dấu chấm.

Chữ “Tóm tắt” in đậm, font Arial, cỡ chữ 10; Nội dung tóm tắt của bài báo khơng q 10 dịng, trình bày

7.
8.

Tên tác giả (khơng ghi học hàm, học vị), font Arial, cỡ chữ 10, in đậm, căn lề phải; cơ quan công tác của các
tác giả, font Arial, cỡ chữ 9, in nghiêng, căn lề phải.

Các cơng trình thuộc đề tài nghiên cứu có Cơ quan quản lý cần kèm theo giấy phép cho công bố của cơ
quan (Tên đề tài, mã số, tên chủ nhiệm đề tài, cấp quản lý,…).

Trường hợp bài báo phải chỉnh sửa theo thể lệ hoặc theo yêu cầu của Phản biện thì tác giả sẽ cập nhật trên
website. Người phản biện sẽ do toà soạn mời. Toà soạn không gửi lại bài nếu không được đăng.

Bài nhận đăng là những cơng trình nghiên cứu khoa học chưa cơng bố trong bất kỳ ấn phẩm khoa học nào.

học; Toán học; Vật lý; Văn hóa - Nghệ thuật - Thể dục thể thao...

học thuộc các lĩnh vực: Điện - Điện tử - Tự động hóa; Cơ khí - Động lực; Kinh tế; Triết học - Xã hội học -

6.

5.

4.

3.

2.

1.

Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ (ISSN 1859-4190), thường xun cơng bố kết quả, cơng
trình nghiên cứu khoa học và công nghệ của các nhà khoa học, cán bộ, giảng viên, nghiên cứu sinh, học viên cao
học, sinh viên ở trong và ngồi nước.

T
Ạ
PC
H
ÍN
G
H
IÊ
NC
Ứ
UK
H
O
AH
Ọ
C
,T
R
Ư
Ờ
N

GÐ
Ạ
IH
Ọ
CS
A

Ỏ

T
H
ỂL
ỆG
Ử
IB
À
I


TẠP CHÍ
NGHIÊN CỨU KHOA HỌC

LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA

TRONG SỐ NÀY

ĐẠI HỌC SAO ĐỎ

Số 1(72) 2021

LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA
Dự báo mực nước sông cao nhất, thấp nhất trong ngày
sử dụng mơ hình hỗn hợp

Đỗ Văn Đỉnh
Nguyễn Trọng Quỳnh
Vũ Văn Cảnh
Phạm Văn Nam

Thiết kế bộ điều khiển mờ cho hệ thống điều khiển vô
hướng động cơ điện không đồng bộ ba pha rơto lồng sóc
có tham số mơmen qn tính J biến đổi

Lê Ngọc Hòa

Đánh giá hiệu năng chống nhiễu của bộ thu GPS sử dụng
kiến trúc bộ lọc hạt điểm

Phạm Việt Hưng
Lê Thị Mai
Nguyễn Trọng Các

Lựa chọn sơ đồ cấp điện và luật điều khiển công suất
đầu ra cho máy điện từ kháng

Phạm Công Tảo

Vũ Hồng Phong

LIÊN NGÀNH CƠ KHÍ - ĐỘNG LỰC

Tối ưu hóa chế độ cắt và độ nhám bề mặt khuôn dập khi
gia công vật liệu composite nền nhựa, cốt hạt

Ngơ Hữu Mạnh
Mạc Thị Ngun
Lê Hồng Anh
Châu Vĩnh Tiến

Phân tích cấu trúc và tiềm năng của hệ truyền động thủy
tĩnh ng dụng trên máy k o lâm nghiệp

Vũ Hoa Kỳ
Trần Hải Đăng
Nguyễn Long Lâm

Nghiên c u ảnh hưởng chiều cao, độ vi sai của thanh
răng đến độ giãn đường may 516 trên vải denim co giãn

Nguyễn Thị Hiền
Đỗ Thị Làn
Phạm Thị Kim Phúc

Nghiên c u sự ảnh hưởng của phương pháp lấy mẫu
đến chất lượng của phương pháp 3olynomial Chaos áp
dụng cho hệ thống treo trên ô tô
Nghiên c u ảnh hưởng của chi số chỉ và mật độ mũi may
đến độ giãn đ t, độ bền đường may 406 trên vải TC

Đào Đ c Thụ
Lương Quý Hiệp

Phạm Văn Trọng
56

Bùi Thị Loan
Nguyễn Thị Hồi
Đỗ Thị Tần

Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số 1 (72) 2021


NGHIÊN CỨU KHOA HỌC
TẠP
CHÍ

NGHIÊN CỨU KHOA HỌC
ĐẠI HỌC SAO ĐỎ

TRONG SỐ NÀY
Số 1(72) 2021

NGÀNH TỐN HỌC
Sự khơng tồn tại nghiệm của phương trình elliptic nửa
tuyến tính suy biến

Nguyễn Thị Diệp Huyền

NGÀNH KINH TẾ
Bảo hiểm thất nghiệp trong phát triển kinh tế ở Việt Nam

66

Nguyễn Minh Tuấn

Ứng dụng ma trận SWOT trong phát triển du lịch làng
nghề truyền thống trên địa bàn tỉnh Hải Dương

Vũ Thị Hường

Giảm nghèo và phát triển bền vững ở Việt Nam

Phạm Thị Hồng Hoa

NGÀNH NGÔN NGỮ HỌC
Nghiên c u thực trạng kỹ năng nói tiếng Anh và đề xuất
một số giải pháp nhằm nâng cao kỹ năng nói tiếng Anh
của sinh viên khơng chun Trường Đại học Sao Đỏ

Đặng Thị Minh Phương
Trần Hoàng Yến
Tăng Thị Hồng Minh

LIÊN NGÀNH HĨA HỌC - CƠNG NGHỆ THỰC PHẨM
Nghiên c u tính chất cấu trúc của các cluster [Mo6
(X = F, Cl, Br, I) bằng phương pháp phiếm hàm mật độ

-

Sử dụng Saccharomyces cerevisiae RV
để lên men
rượu vang từ quả sim (Rhodomyrtus tomentosa)

Phạm Thị Điệp
Bùi Văn Tú
Nguyễn Ngọc Tú

LIÊN NGÀNH TRIẾT HỌC - XÃ HỘI HỌC - CHÍNH TRỊ HỌC
Xóa đói, giảm nghèo ở Hải Dương trong thời kỳ đẩy mạnh
cơng nghiệp hóa, hiện đại hóa hiện nay

Vũ Văn Đơng

Vai trò của giáo dục và đào tạo đối với việc phát triển
nguồn nhân lực chất lượng cao ở Việt 1am hiện nay

Phùng Thị Lý

Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số 1 (72) 2021


LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA

SCIENTIFIC JOURNAL
SAO DO UNIVERSITY

No 1(72) 2021

TITLE FOR ELECTRICITY - ELECTRONICS - AUTOMATION
The daily highest and lowest river water levels are
forecasted using a hybrid model

Do Van Dinh
Nguyen Trong Quynh
Vu Van Canh
Pham Van Nam

Designing fuzzy controller for scalar control system of a
three-phase squirrel cage induction motor with variable J
môment of inertia

Le Ngoc Hoa

Performance assesment in interference supression of
GPS receiver based on particle lter

Pham Viet Hung

Vu Hong Phong

Le Thi Mai
Nguyen Trong Cac

Select power supply scheme and output power control
rule for the Switched Reluctance Machine

Pham Cong Tao

TITLE FOR MECHANICAL AND DRIVING POWER ENGINEERING
Optimation on the CNC cutting parameters and surface
roughness of the mould during milling process composite
material of plastic base and grain cores

Ngo Huu Manh
Mac Thi Nguyen
Le Hoang Anh
Chau Vinh Tien

Analysis of structure and potential of application
hydrostatic transmission system on forestry machine

Vu Hoa Ky
Tran Hai Dang
Nguyen Long Lam

Research on effects height and differenctial feed of
the tooth bar on seam deformation 516 on stretch
denim fabric

Nguyen Thi Hien

Study on the e ects of the ampling method on quality
of 3olynmial Chaos method applying to automotive
suspension system

Dao Duc Thu
Luong Quy Hiep
Pham Van Trong

Study on the e ects of sewing thread count, density of
stitch on the breaking elongation and seam strength 406
on TC fabric

Do Thi Lan
Pham Thi Kim Phuc

56

Bui Thi Loan
Nguyen Thi Hoi
Do Thi Tan

Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số 1 (72) 2021


NGHIÊN CỨU KHOA HỌC

SCIENTIFIC JOURNAL
No 1(72) 2021

SAO DO UNIVERSITY
TITLE FOR MATHEMATICS
Non-existence of solution of degenerative semilinear

62

Nguyen Thi Diep Huyen

66

Nguyen Minh Tuan

elliptic equations

Unemployment insurance for economic development in
Vietnam
Application of SWOT masterbon in traditional villa
tourism in Hai Duong province

Vu Thi Huong

Poverty reduction and sustainable development in
Vietnam

Pham Thi Hong Hoa

TITLE FOR STUDY OF LANGUAGE
A study on the current situation of English speaking skills
and some proposals to improve English speaking skills
of non-English major students at Sao Do University

Dang Thi Minh Phuong
Tran Hoang Yen
Tang Thi Hong Minh

TITLE FOR CHEMISTRY AND FOOD TECHNOLOGY
Study of structural properties of clusters [Mo6
Cl, Br) by the density functional method

(X = F,

Application of Saccharomyces cerevisiae RV

in wine
fermentation from Sim fruit (Rhodomyrtus tomentosa)

Pham Thi Diep
Bui Van Tu
Nguyen Ngoc Tu

TITLE FOR PHILOSOPHY - SOCIOLOGY - POLITICAL SCIENCE
Hunger eradication and poverty reduction in Hai Duong
in the period of accelerating industrialization and
modernization nowadays

Vu Van Dong

The role of education and training with the development
of high-quality human resources in Vietnam today

Phung Thi Ly

Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số 1 (72) 2021


LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA

Dự báo mực nước sông cao nhất, thấp nhất trong ngày
sử dụng mơ hình hỗn hợp

Đỗ Văn Đỉnh , Nguyễn Trọng Quỳnh
Vũ Văn Cảnh , Phạm Văn Nam
Trường Đại học Sao Đỏ

Trung tâm GDNN-GDTX Tp Chí Linh, Hải Dương
Trường Đại học Công nghiệp Hà Nội
Ngày nhận bài: 08/02/2021
Ngày nhận bài sửa sau phản biện: 29/3/2021
Ngày chấp nhận đăng: 31/3/2021
Tóm tắt
Dự báo mực nước sông cao nhất và thấp nhất trong ngày là bài tốn có nh thực ễn cao. Đã có nhiều phương án
đề xuất để dự báo hai đại lượng này, nhưng do các thơng số của mơ hình dự báo phụ thuộc vào điều kiện địa lý và
phát triển kinh tế khu vực cần dự báo. Vì vậy, đối với từng khu vực dự báo cần phải xác định lại các thơng số của
mơ hình hoặc đề xuất mơ hình mới phù hợp để đạt được độ chính xác cao hơn. Bài báo đề xuất ứng dụng mơ hình
hỗn hợp để ước lượng mực nước sông cao nhất và thấp nhất trong ngày, trong đó thành phần tuyến nh được
ước lượng bằng SVD (Singular Value Decomposi on) và thành phần phi tuyến ước lượng bằng máy học véctơ hỗ
trợ SVM (Support Vector Mechine). Số liệu đầu vào là giá trị mực nước sông cao nhất, thấp nhất và trung bình của
các ngày trước đó. Chất lượng của giải pháp đề xuất được kiểm nghiệm trên bộ số liệu thực tế (1.460 ngày, từ
01/01/2017 đến 31/8/2020) ở khu vực hạ lưu sơng Thái Bình, Trạm thủy văn Bá Nha, huyện Thanh Hà, tỉnh Hải
Dương. Kết quả sai số trung bình tuyệt đối đạt 0.12.
Từ khóa: SVD; SVM; mơ hình tuyến nh; mơ hình phi tuyến; mơ hình hỗn hợp.
Abstract
The daily forecast of the highest and lowest river water level is a problem with a high applicability. There have
been many proposed methods to forecast these two quan es, however the parameters of the forecas ng model
depend on geographical condi ons and regional economic development to forecast. Therefore, for each forecast
area it is necessary to rede ne the model parameters or propose a suitable new model to achieve higher accuracy.
The paper proposes to apply a hybrid model to es mate the day's highest and lowest river water levels, in which
the linear component is es mated by Singular Value Decomposi on (SVD) and the nonlinear component es mated
by Support Vector Mechine (SVM) vector. Input data is the value of the highest, lowest and average river water
level of the previous days. The quality of the proposed solu on was tested on the actual data set (1.460 days, from
January 1, 2017 to August 31, 2020) in the downstream area of Thai Binh river, Ba Nha hydrological sta on, Thanh
Ha district, Hai Duong province. The result of the absolute average error is 0.12.
Keywords:

@

1. ĐẶT VẤN ĐỀ
Bài toán dự báo là một trường hợp đặc biệt của bài tốn
ước lượng và xây dựng mơ hình ánh xạ giữa đầu vào
và đầu ra. Dự báo mực nước sông có ý nghĩa thực ễn
trong việc phát triển kinh tế của khu vực, đặc biệt trong
sản xuất nông nghiệp. Biết được mực nước sông hàng
ngày sẽ giúp các trạm Thủy văn khu vực điều ết lưu
lượng nước để phục vụ sản xuất như tưới, êu, chống
úng nội đồng…
Người phản biện: 1. GS.TSKH. Thân Ngọc Hồn
2. PGS.TS. Nguyễn Văn Tiềm

Đã có nhiều mơ hình dự báo thống kê được nghiên cứu
và ứng dụng thành công trên thế giới như phương pháp
hồi quy phi tuyến nh, phi tuyến; phương pháp giá trị
cực trị (Extreme Value) và mạng nơron nhân tạo (ANN
– Ar cial Neural Network) [7-11], trong số đó, các mơ
hình ứng dụng mạng nơron nhân tạo đã đạt được những
ến bộ đáng kể và nghiên cứu ứng dụng rộng rãi trong
thời gian qua [1, 3-5, 7-11]. Thuật toán máy học véctơ hỗ
trợ (SVM) được Vapnik giới thiệu năm 1995 [6], đã được
nghiên cứu thử nghiệm trong lĩnh vực dự báo các thơng
số khí tượng, mơi trường và thu được những kết quả
khả quan, trong hầu hết các nghiên cứu đã được cơng

Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số 1 (72) 2021

NGHIÊN CỨU KHOA HỌC
bố, mơ hình dự báo dùng kỹ thuật SVM đều cho kết quả
tốt hơn so với các mơ hình ANN kiểm chứng [12-14].
Trong bài báo này, nhóm tác giả đề xuất ứng dụng kỹ
thuật SVM trong mô hình hỗn hợp [2] để dự báo mực
nước sơng ở khu vực hạ lưu sơng Thái Bình. Kết quả
nghiên cứu thực nghiệm cho thấy ứng dụng kỹ thuật
SVM trong mô hình hỗn hợp dự báo mực nước sơng
cho kết quả khả quan.

Đầu vào
HL - Max
HL - Min
HL - TB
TL - Max
TL - Min
TL - TB
(ngày d - i)

2. PHỐI HỢP SVD VÀ SVM TRONG MƠ HÌNH HỖN
HỢP DỰ BÁO MỰC NƯỚC SƠNG
2.1. Mơ hình hỗn hợp
Mơ hình hỗn hợp [2] được tác giả đề xuất để dự báo
ngắn hạn phụ tải điện và cho kết quả khả quan; để ước
lượng thành phần tuyến nh tác giả sử dụng thuật toán
khai triển theo các giá trị kỳ dị SVD, phần ước lượng phi
tuyến sử dụng mạng MLP.
Trong bài báo này, nhóm tác giả đề xuất phối hợp SVD
và SVM trong mô hình hỗn hợp để dự báo mực nước
sơng cao nhất (HLmax) và mực nước sông thấp nhất

(HLmin) trong ngày ở khu vực hạ lưu sơng Thái Bình.
2.1.1. Cấu trúc của mơ hình hỗn hợp
Sơ đồ cấu trúc của mơ hình hỗn hợp được trình bày như
Hình 1, n hiệu đầu vào (x) là véctơ chứa các số liệu quá
khứ; n hiệu đầu ra (d) là tổng của hai thành phần ước
lượng: ước lượng tuyến nh và ước lượng phi tuyến.

Tín
hiệu
đầu
vào x

Ước lượng
tuyến nh

Ước lượng
phi tuyến

Thành phần
tuyến nh
Tín hiệu
đầu ra d

Thành phần
phi tuyến

Hình 1. Cấu trúc của mơ hình hỗn hợp [2]
Khi sử dụng mơ hình hỗn hợp, để giảm bớt mức độ phức
tạp của mơ hình phi tuyến, trước hết cần ước lượng
thành phần tuyến nh, sau đó ta loại thành phần tuyến

nh khỏi các số liệu đầu vào để nhằm chỉ giữ lại thành
phần phi tuyến trong n hiệu của đối tượng. Tín hiệu
cịn lại này sẽ được dùng để huấn luyện khối phi tuyến
hay nói cách khác: Sai số còn lại từ khối tuyến nh trở
thành đầu vào của khối phi tuyến.
Cấu trúc của mơ hình dự báo mực nước sông cao nhất
(HLmax) và mực nước sông thấp nhất (HLmin) ở khu vực hạ
lưc trong ngày như Hình 2; trong đó HLmax (mực nước
cao nhất ở hạ lưu), HLmin (mực nước thấp nhất ở hạ lưu),
HLTB (mực nước trung bình ở hạ lưu), TLmax (mực nước
cao nhất ở thượng lưu), TLmin (mực nước thấp nhất ở
thượng lưu), TLTB (mực nước trung bình ở thượng lưu),
ngày d là ngày dự báo, ngày d-i là các ngày trước ngày
dự báo.

Mô hình
hỗn hợp
(Hình 1)

Dự báo
HL - Max,
HL - Min
(ngày d)

Hình 2. Cấu trúc mơ hình dự báo mức nước cao nhất,
thấp nhất trong ngày
2.1.2. Mơ tả tốn học của mơ hình hỗn hợp
Từ sơ đồ Hình 1 ta có:

d = f (x) ≈ Linear(x) + NonLinear(x)

(1)

Mơ hình tuyến nh (Linear(x)) được xác định trước sau
đó sẽ xác định mơ hình phi tuyến (NonLinear(x)). Với bộ
số liệu gồm p mẫu {xi, di}, i = 1, 2,… p, mơ hình tuyến nh
được xác định trên cơ sở tối ưu hóa hàm sai số trên tập
mẫu số liệu này:

∀i : Linear(xi ) ≈ di
hay e =

1
2

p
2
∑ Linear(xi ) di → min
i=1

(2)

Khi xác định được mơ hình tuyến nh, phần sai số cịn
lại sẽ được xấp xỉ bởi mơ hình phi tuyến bằng các thuật
tốn tối ưu hóa hàm sai số phi tuyến:
∀i : NonLinear( xi ) ≈ di Linear( xi )
hay
p

(3)

2
1
e = ∑ NonLinear( xi ) ( di Linear( xi )) → min
2 i=1

Giả thiết rằng giá trị HLmax được ước lượng theo (4)
(Ước lượng giá trị HLmin làm tương tự):

HLmax (d) ≈ f1,2,...,K (HLmax (d i),
HLmin (d i), HLTB (d i),TLmax (d i)),

TLmin (d i),TLTB (d i) +
a HLmax (d i) + ai2 HLmin (d i) +
K i1
+ ∑ +ai3 HLTB (d i) + ai4 TLmax (d i) +
i=1
+ai5 TLmin (d i) + ai6 TLTB (d i)
Trong đó:
f(): hàm phi tuyến;
aij: các hệ số của mơ hình tuyến nh;
Mơ hình phi tuyến được xấp xỉ bằng SVM.

Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số 1 (72) 2021

(4)


LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA
2.2. Xây dựng mơ hình hỗn hợp

2.2.1. Lựa chọn đặc nh đầu vào của mơ hình dự báo [1, 2]
Ứng dụng thuật toán khai triển theo giá trị kỳ dị để lựa
chọn đặc nh đầu vào của mơ hình dự báo. Bài tốn xây
dựng mơ hình tuyến nh có thể đưa về giải m nghiệm
x của hệ phương trình:
A˙ =b
(5)
Trường hợp số phương trình nhiều hơn số ẩn nên
thường khơng có nghiệm duy nhất, khi đó nghiệm
của hệ phương trình trên được xác định từ bài tốn
tối ưu hóa sai số (còn gọi là residue r) định nghĩa bởi:
(6)

min A x b = min r = ?

Nghiệm của bài toán tối ưu (6) có thể được xác định
dựa trên kết quả phân tích ma trận A ϵ ~m×n theo các
giá trị kỳ dị. Theo [1, 2], với ma trận không vuông, ta
có thể xác định ma trận A ϵ~m×n từ phân tích SVD của
ma trận A. Với A = U ˙S˙VT thì.
A+ = V˙ S ˙ U T
(7)
Với U, V: các ma trận trực giao:

cho là siêu phẳng có tổng khoảng cách tới các véctơ gần
nhất của hai lớp là lớn nhất. Bên cạnh đó, để đảm bảo
nh tổng quát hóa cao, một biến lỏng (Slack Variable)
được đưa vào để nới lỏng điều kiện phân lớp. Bài toán
đưa đến việc giải quyết tối ưu có ràng buộc:
N

1 T
w w + C ∑ ξi
w,b,ξ 2
i=1

min

Sao cho:
yi (wT xi + b) + ξi 1 ≥ 0;ξi ≥ 0,∀i ∈[1, N ]

(9)

Trong đó:
C >0: Tham số chuẩn tắc (Regulariza on Parameter);
zi: Biến lỏng.
Bài toán (10) có thể đựợc giải bằng phương pháp SMO
(Sequen al Minimal Op miza on). Phương pháp này
đưa đến giải bài tốn đối ngẫu quy hoạch tồn phương
(Quadra c Programming):

N
1
max L(α ) = ∑ α i
∑ α α y y Φ(xi ) Φ(x j )
2 i, j i j i j
α
i=1

(10)

N

1 1
1
S = diag( , ,É, ) ∈! n×m
σ1 σ 2
σr
+

Ma trận đường chéo.
Khi đó nghiệm tối ưu của phương trình (6) được xác
định bởi:
= A + ˙b
(8)
2.2.2. Ứng dụng SVM ước lượng thành phần phi tuyến
Cho tập dữ liệu gồm N mẫu huấn luyện {(x1, y1),…, (xN,
yN)} trong đó là các véctơ đầu vào (D chiều) và yi ϵ {±1}
là mã lớp của véctơ đầu vào. Bài toán nhị phân chỉ phân
loại 2 lớp, được mã tương ứng là lớp +1 và lớp -1. Ta
cần m một siêu phẳng ˙
để tách tập dữ liệu
trên thành 2 lớp.
Trong đó:
: véctơ pháp tuyến của siêu phẳng, có tác dụng điều
chỉnh hướng của siêu phẳng;
Giá trị có tác dụng di chuyển siêu phẳng song song
với chính nó.
Có thể, có nhiều siêu phẳng để phân tách tập dữ liệu
và cũng đã có nhiều thuật toán để giải bài toán này,
chẳng hạn như thuật toán Perceptron của Rosenbla

[15], thuật toán biệt thức tuyến nh của Fisher [16]. Tuy
nhiên, trong thuật toán SVM, siêu phẳng tối ưu được

Thỏa mãn: 0 ≤ α i ≤ C,∀i ∈[1, N ] và ∑ i=1α i yi = 0 với ai
là các nhân tử Lagrange. Sau khi có được các giá trị
ai từ bài toán (11), ta sẽ thu được các giá trị tối ưu
và của siêu phẳng. Chỉ có các mẫu có a ≥ mới
được gọi là các véctơ hỗ trợ. Cuối cùng, hàm quyết
định phân lớp có dạng:
(11)
f (x) = sgn α y Φ(x ) Φ(x ) + b*

(

i

i

i

j

)

Gọi K (xi ,x j ) = Φ(xi ) Φ(x j ) là hàm nhân của không
gian đầu vào. Theo đó, ch vơ hướng trong khơng gian
đặc trưng tương đương với hàm nhân K(xi ,x j ) ở không
gian đầu vào. Như vậy, thay vì nh trực ếp giá trị ch
vô hướng, ta thực hiện gián ếp thông K(xi ,x j ) cho
các nh toán ếp theo.

2.2.3. Ước lượng HLmax, HLmin trong ngày
2.2.3.1. Ước lượng thành phần tuyến nh
Từ phương trình (4), hàm quan hệ tuyến nh giữa HLmax
của ngày d với HLmax của các ngày quá khứ và được xác
định từ hệ phương trình ước lượng xấp xỉ như trong
công thức (12) và (13). Từ (13) ta cần xác định véctơ
a = a1,a2 ,É,a K

T

để đạt cực ểu của hàm sai số ước
lượng. Trong thực tế áp dụng, ta còn cần trả lời hai câu
hỏi: (1) Cần sử dụng bao nhiêu số liệu trong quá khứ?,
(2) Đó là những số liệu nào?.

a1 HTmax (K ) + a2 HLmax (K 1) + ...+ aK HLmax (d K ) ≈ HLmax (K +1)
a1 THL(K 1) + a2 HLmax (K 2) + ...+ aK HLmax (d

K +1) ≈ HLmax (K + 2)
(12)

...

...

a1 HLmax (N max 1) + a2 HLmax (N max 2) + ...+ aK HLmax (N max

...
K ) ≈ HLmax (N max )

Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số 1 (72) 2021


NGHIÊN CỨU KHOA HỌC

HLmax (K )
⇔

HLmax (K 1)

HLmax (K 1)

....

HLmax (1)

HLmax (K

...

HLmax (2)

!

2)

!

HLmax (N max 1)

HLmax (N max

2)

!
...

.

!
HLmax (N max

HLmax (K +1)

a1

K)

a2
!
aK

≈

HLmax (K + 2)

(13)

!
HLmax (N max )

Phương pháp xác định thích nghi được thực hiện như sau:
- Trước ên ta sử dụng một số lượng lớn số liệu quá
khứ (trong nghiên cứu sử dụng K = 60 - Tương đương 2
tháng số liệu trước đó - là đủ để dự báo ngày ếp theo).

(15)) được sử dụng là đầu vào cho mơ hình ước lượng
thành phần phi tuyến dùng kỹ thuật SVM.

- Với K số liệu quá khứ, ta xác định véctơ

Mơ hình nghiên cứu được xây dựng trên nền phần
mềm Matlab 2010b, với SVM sử dụng LSSVMlabv1.8_
R2009b_R2011a và được thiết kế theo các bước sau: (1)
Chuẩn bị dữ liệu, (2) Lựa chọn đặc nh cho mơ hình dự
báo, (3) Xây dựng kiến trúc mạng, (4) Lựa chọn phương
pháp và đào tạo mạng, (5) Đánh giá độ n cậy. Chất
lượng của mơ hình được kiểm nghiệm trên số liệu thực
tế tại Trạm thủy văn Bá Nha, huyện Thành Hà, tỉnh Hải
Dương (1460 ngày từ 01/01/2017 đến 31/8/2020).

T

a = a1,a2 ,É,aK
K

của hàm ước lượng tuyến

(

HLmax (d) ≈ ∑ ai HLmax d i
i=1

)

nh

bằng SVD.

- Xác định thành phần có giá trị tuyệt đối nhỏ nhất trong
véctơ a. Thành phần này sẽ tương ứng với ngày trong
quá khứ ít ảnh hưởng tới ngày dự báo và ta loại bỏ 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
cho đến khi K giảm xuống một giá trị đủ nhỏ có thể
chấp nhận được để mơ hình khơng q phức tạp. Cụ
thể, trong bài báo ta chọn Kmin<5.

3. KẾT QUẢ VÀ THẢO LUẬN

3.1. Kết quả ước lượng thành phần tuyến nh
3.1.1. Kết quả ước lượng HLmax

Tương tự, ếp tục xây dựng hàm quan hệ tuyến nh
giữa Tmax của ngày d với HLmin, HLTB, TLmax, TLmin và TLTB
của các quá khứ ta được phương trình (14).

Bằng phương pháp phân ch SVD kết hợp với kinh
nghiệm thực tế ta xác định các yếu tố ảnh hưởng lớn
nhất đến mức nước cao nhất (HLmax) cần dự báo:

a HL (d i)+ ai2 HLmin (d i)+
K i1 max
HLmax (d) ≈ ∑ a HL (d i)+ a TLmax (d i)+
i3 TB
i4
i=1
+ai5 TLmin (d i)+ ai6 TLTB (d i)

- Ảnh hưởng của HLmax trong quá khứ đến HLmax dự
báo, ta xác định được 5 ngày có hệ số phụ thuộc lớn là:
d-1, d-4, d-8, d-12 và d-15. Tiếp tục khảo sát sự phụ
thuộc của HL max vào các số liệu HLmin, HLTB, TLmax, TLmin,
TLTB trong quá khứ bằng cách làm hoàn toàn tương tự
ta được:

(14)

Khi xác định được mối quan hệ tuyến nh giữa HLmax
của ngày d với các ngày trong quá khứ, ta nh sai số
chênh lệch giữa số liệu thực tế và số liệu ước lượng như
phương trình (15).

NL(d) = HLmax (d)

K

ai1 HLmax (d i)+ ai2 HLmin (d i)+

∑ ai3 HLTB (d

i=1

i)+ ai4 TLmax (d i)+

(15)

+ai5 TLmin (d i)+ ai6 TLTB (d i)

Đây sẽ là phần phụ thuộc phi tuyến còn lại giữa HLmax
với các ngày trong quá khứ. Hoàn toàn thực hiện tương
tự khi xây dựng các mơ hình ước lượng cho HLmin.
2.2.3.2. Ước lượng thành phần phi tuyến
Khi xác định được các thông số mơ hình tuyến nh, ta
ến hành xây dựng mạng nơron nhân tạo để ước lượng
thành phần phi tuyến. Giá trị chênh lệnh (phương trình

- Ảnh hưởng của HLmin trong quá khứ đến Tmax dự báo là
các ngày d-1, d-15 và d-18; Ngày d-27 xa ngày dự báo
nên ta có thể loại.
- Giá trị HLTB trong quá khứ ảnh hưởng đến HLmax dự
báo là d-1, d-2, d-4 và d-8. Ngày d-36 loại.
- Các giá trị TLmax trong quá khứ ảnh hưởng đến HLmax dự
báo d-1; Ngày gần nhất d-47 xa ngày dự báo nên loại.
- Ảnh hưởng của TLmin đến HLmax là d-5, d-12, d-15 và d-16;
ngày d-42 xa ngày dự báo nên loại.
- Ảnh hưởng của TLTB đến HLmax là d-4, d-13 và d-14;
ngày d-33 và d-51 xa ngày dự báo loại.
Tổng hợp lại ta có mơ hình được lựa chọn để dự báo giá
trị HLmax của ngày thứ d sẽ gồm 20 số liệu quá khứ có hệ
số ảnh hưởng lớn nhất đến ngày dự báo d, như phương

trình (16).

Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số 1 (72) 2021


LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA
HLmax (d ) = 0.522

- Giá trị HLTB trong quá khứ ảnh hưởng đến HLmin dự báo
gồm d-1, d-12 và d-23.

HLmax (d 1) + 0.142 HLmax (d 4) +

+ 0.107 HLmax (d 8) + 0.108 HLmax (d 12) +

- Các giá trị TLmax trong quá khứ ảnh hưởng đến HLmin
dự báo d-1, d-8 và d-23. Ngày d-33 ở xa ngày dự báo
nên bỏ qua.

+ 0.081 HLmax (d 1) + 0.117 HLmin (d 1)
0.065 HLmin (d 15) + 0.092 HLmin (d 18) +
+ 0.539 HLTB (d 1) 0.211 HLTB (d 2) +

(16)

+ 0.160 HLTB (d 4) + 0.085 HLTB (d 8) +

- Ảnh hưởng của TLTB đến HLmin là d-1, d-8 và d-24. Loại
ngày d-33 do ở xa ngày dự báo.

+ 0.084 TLmax (d 1) + 0.198 TLmin (d 5) +

Tổng hợp lại ta có mơ hình được lựa chọn để dự báo giá
trị HLmin của ngày thứ d sẽ gồm 16 số liệu quá khứ:

+ 0.176 TLmin (d 12) 0.113 TLmin (d 15) +
+ 0.167 TLmin (d 16) + 0.138 TLTB (d 4) +

HLmin (d) = 0.699 HLmin (d 1) + 0.160 Tmin (d 12) +

+ 0.119 TLTB (d 13) 0.115 TLTB (d 14)

Kiểm tra chất lượng của mơ hình, tác giả sử dụng 467
ngày số liệu cuối trong tập số liệu 1.460 ngày. Kết quả
nh toán các thành phần sai số được thể hiện trong
Bảng 1.
Bảng 1. Kết quả sai số khi sử dụng mơ hình tuyến nh
(SVD) để ước lượng HL , HL
Sai số học
(

(

(

(

(

HLmax 0,19 3,45

0,95

0,17

3,65

0,69

HLmin 0,17 3,02

0,93

0,16

3,62

0,65

+ 0.093 HLmin (d 24) + 0.101 Tmin (d 7) +
+ 0.807 Tmax (d a) + 0.113 Tmax (d 7) +
+ 0.600 HLmax (d 1) + 0.535 HLmax (d 22) +
+ 0.808 HLTB (d 1) + 0,228 HLTB (d 12) +

(17)

+ 0.165 HLTB (d 23) + 0.443 TLmax (d 1) +

Sai số kiểm tra
(

- Ảnh hưởng của TLmin đến HLmin là d-1 và d-12 Loại ngày
d-43 do xa ngày dự báo.

+ 0.444 TLmax (d 8) + 0.361 TLmax (d 23) +
+ 0.131 TLmin (d 1) + 0.217 TLmin (d 12) +
+ 0.377 TLTB (d 1) + 0.285 TLTB (d 8) +
+ 0.272 TLTB (d 24)

Kiểm tra chất lượng của mơ hình, tác giả sử dụng 467
ngày số liệu cuối trong tập số liệu 1.460 ngày. Các kết
quả nh toán sai số được thể hiện trong bảng 1. Khi
ước lượng thành phần tuyền nh bằng phương pháp
khai triển hệ số tuyến nh trong mơ hình hỗn hợp sai số
trung bình tuyệt đối kiểm tra với HLmax (0.17) và HLmin
(0.16). Sau khi có mơ hình tuyến nh, phần sai số cịn lại
sẽ được xấp xỉ bởi mơ hình phi tuyến sử dụng kỹ thuật
SVM và được trình bày ở mục 3.2 của bài báo.

Hình 3. Kết quả ước lượng thành phần tuyến nh
cho HL của bộ số liệu học và bộ số liệu kiểm tra
3.1.2. Kết quả ước lượng cho HLmin
Thực hiện ước lượng mực nước thấp nhất (HLmin) tương
tự ước lượng HLmax ta xác định các yếu tố ảnh hưởng
lớn nhất đến mức nước thấp nhất (HLmin) cần dự báo:
- Ảnh hưởng của HLmin trong quá khứ đến HLmin dự báo,
ta xác định được 3 ngày có hệ số phụ thuộc lớn là: d-1,
d-12 và d-24. Tiếp tục khảo sát sự phụ thuộc của HLmin
vào các số liệu HLmax, HLTB, TLmax, TLmin và TLTB trong
quá khứ:

- Ảnh hưởng của HLmax trong quá khứ đến HLmin dự báo
là d-1 và d-22. Loại ngày d-55.

Hình 4. Kết quả ước lượng thành phần tuyến nh
cho HL của bộ số liệu học và bộ số liệu kiểm tra

Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số 1 (72) 2021


NGHIÊN CỨU KHOA HỌC
3.2. Kết quả ước lượng thành phần phi tuyến

4. KẾT LUẬN

3.2.1. Kết quả ước lượng HLmax
Sau khi đã xác định các thơng số của mơ hình tuyến
nh, ta ến hành xây dựng mạng nơron ứng với 20 đầu
vào, 1 đầu ra (tương ứng với mức nước cao nhất cần dự
báo); Kết quả các thành phần sai số khi ước lượng phi
tuyến như Bảng 2.
Bảng 2. Kết quả sai số khi sử dụng SVM ước lượng thành
phần phi tuyến để dự báo HL , HL
Sai số học
(

Sai số kiểm tra

(

HLmax

1,52

HLmin

1,43

(

(

(
2,35

(
0.61

0.26

Khi ước lượng các bài toán phi tuyến, để giảm bớt mức
độ phức tạp của giải pháp, mơ hình hỗn hợp tách riêng
thành phần tuyến nh và thành phần phi tuyến để xử lý.
Thành phần tuyến nh được xác định thông qua việc sử
dụng khai triển theo cá giá trị kỳ dị (SVD). Thuật toán
này cho phép xác định được hàm quan hệ tuyến nh
mực nước sông cao nhất (hoặc thấp nhất) của một ngày
và các ngày trước đó từ hệ các phương trình ước lượng
xấp xỉ được viết dưới dạng ma trận có số hàng nhiều
hơn số cột.
Thành phần phi tuyến được xác định thông qua việc sử

dụng kỹ thuật máy học véctơ hỗ trợ SVM; Qua thực
nghiệm cho thấy sai số học và sai số kiểm tra khi dự
báo ngắn hạn mực nước sông khu vực hạ lưu cao nhất
(HLmax) và thấp nhất (HLmin) đạt khoảng 0,12, với sai số
này phù hợp cho bài toán dự báo. Vì vậy, ta thấy rằng
phối hợp SVD và SVM trong mơ hình hỗn hợp cho bài
tốn dự báo mực nước sơng là phù hợp.

TÀI LIỆU THAM KHẢO

Hình 5. Sai số học và sai số kiểm tra khi ước lượng HL
bằng SVM trong mơ hình phi tuyến

[1].

Trần Hồi Linh (2009), Mạng nơron và ứng dụng
trong xử lý n hiệu, NXB Bách Khoa.

[2].

Nguyễn Quân Nhu (2009), Nghiên cứu và ứng
dụng mạng nơron và logic mờ cho bài toán dự báo
phụ tải điện ngăn hạn, Luận án Tiến sĩ.

[3].

Đỗ Văn Đỉnh, Đinh Văn Nhượng và Trần Hồi
Linh (2015), Ứng dụng mơ hình hỗn hợp trong
ước lượng giá trị lớn nhất và nhỏ nhất của nhiệt
độ mơi trường ngày, Tạp chí khoa học và công

nghệ - Đại học Đà Nẵng, số 11(96).2015, quyển
2, trang 35-39.

[4].

Hồ Việt Hùng, Lê Xuân Hiền, Giha Lee (2018),
Ứng dụng mạng thần kinh nhân tạo dự báo lưu
lượng dòng chày sông Hồng tại Sơn Tây dựa trên
dữ liệu thượng lưu, Tuyển tập cơng trình Hội
nghị khoa học Cơ học Thủy khí tồn quốc lần
thứ 2018.

[5].

Hồ Việt Hùng, Hồ Việt Tấn (2020), Ứng dụng
mạng nơron LSTM (Long Short-Term Memory
neural networks) dự báo mực nước tại cống-Âu
Thuyền Cầu Cất trong hệ thống Bắc Hưng Hải,
Hội nghị.

[6].

V. Vapnil (1995), Support-Vector Networks,
Machine Learning, 20, 273-297.

[7].

A. Filippo et al (2012), Application of Artificial
Neural Network (ANN) to improve forecasting
of sea, Ocean & Coastal Management 55, pp.

101-110.

3.2.2. Kết quả ước lượng HLmin
Sau khi đã xác định các thơng số của mơ hình tuyến
nh, ta ến hành xây dựng mơ hình phi tuyến với 16
đầu vào, 1 đầu ra (ứng với mực nước thấp nhất cần dự
báo); Kết quả các thành phần sai số khi ước lượng phi
tuyến như Bảng 2. Sai số trung bình tuyệt đối khi ước
lượng HLmax và HLmin bằng SVM trong mơ hình phi tuyến
tương đối nhỏ khoảng 0,12. Với sai số này phù hợp với
bài tốn dự báo mực nước sơng.

Hình 6. Kết quả ước lượng thành phần phi tuyến
cho HL bằng SVM trong mơ hình phi tuyến

Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số 1 (72) 2021


LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA
[8].

Erik M.M.R et al (2014), Comparison of ar cial
neural networks and harmonic analysis for sea
level forecas ng (Urias coastal lagoon, Mazatlan,
, Ciencias Marinas, 40(4), pp. 251-261.

[9].

Lyubka Pashova and Silviya Popova (2011), Daily
sea level forecast at de gauge Burgas, Bulgaria

using ar cial neural networks, Journal of Sea
Research 66, pp. 154-161.

[10]. Mohammed s. et al (2015), Development of a
sequen al Ar cial Neural Network for predic ng
river water levels based on Brahmaputra and
Ganges water levels, Neural Comput Applic, DOI
10.1007/s00521-015-1871-6.
[11]. Fazlina A.R. etal (2014), Flood water level
modeling and predic on using NARX neural
network: Case Study at Kelang River, IEEE 10th
Interna onal Colloquium on Signal Processing
& ít Applica ons (CSPA2014), 7-9 Mac. 2014,
Kuala Lumpua, Malaysia, pp. 204-207.

[12]. H. Wang and D. Hu (2005), Comparison of
LS SVM for regression, in Neural Networks
and Brain, 2005. ICNN&B’05. Interna onal
Conference on, vol. 1. IEEE, 2005, pp. 279–283.
[13]. Ani Shabri (2015), Least Square Support Vector
Machines as an Alterna ve Method in Seasonal
Time Series Forecas ng, Applied Mathema cal
Sciences, Vol. 9, 2015, no. 124, pp. 6207 – 6216.
[14]. T. Joachims (1998), Making large-Scale Support
Vector Machine Learning Prac cal, in Advances
in Kernel Methods - Support Vector Learning, B.
Schölkopf and C. Burges and A. Smola (ed.),
MIT-Press, Cambridge, MA, 1998.
[15]. D.E. Rumelhart; G.E. Hinton and R.J. Williams
(1986), Learning internal representa ons by error

propaga on, Rumelhart, D.E. et al. (eds.): Parallel
distributed processing: Explora ons in the
microstructure of cogni on (Cambridge MA.:
MIT Press), 318-362.
[16]. R.A. Fisher (1936), The Use of Mul ple
Measurements in Taxonomic Problems, in Annals
of Eugenics, No 7, 1936, pp. 179-188.

THÔNG TIN TÁC GIẢ
Đỗ Văn Đỉnh
- Tóm tắt q trình đào tạo, nghiên cứu (thời điểm tốt nghiệp và chương trình đào tạo,
nghiên cứu):
+ Năm 1998: Tốt nghiệp Đại học chuyên ngành Tự động hóa, Trường Đại học Bách khoa
Hà Nội;
+ Năm 2005: Tốt nghiệp Thạc sĩ chuyên ngành Kỹ thuật tự động hóa, Trường Đại học Bách
khoa Hà Nội;
+ Năm 2018: Tốt nghiệp Tiến sĩ chuyên ngành Kỹ thuật điều khiển và Tự động hóa, Trường
Đại học Bách khoa Hà Nội;
- Cơng việc hiện tại: Cán bộ quản lý, nghiên cứu và giảng viên Trường Đại học Sao Đỏ;
- Các nghiên cứu chính: Ứng dụng trí tuệ nhân tạo trong các giải pháp đo lường, điều khiển
và tự động hóa, các thiết bị đo thông minh, hệ chuyên gia;
- Email: , ;
- Điện thoại: 0982 586 160
Nguyễn Trọng Quỳnh
- Tóm tắt q trình đào tạo, nghiên cứu (thời điểm tốt nghiệp và chương trình đào tạo,
nghiên cứu):
+ Năm 2005: Tốt nghiệp Đại học Kỹ thuật cơng nghiệp Thái Ngun, chun ngành
Tự động hóa;
+ Năm 2018: Tốt nghiệp Thạc sĩ ngành Kỹ thuật điện tử, Trường Đại học Sao Đỏ;
- Công việc hiện tại: Giảng viên khoa Điện, Trường Đại học Sao Đỏ;

- Lĩnh vực quan tâm: Tự động hóa;
- Email: ;
- Điện thoại: 0986 836 399.

Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số 1 (72) 2021


NGHIÊN CỨU KHOA HỌC

Vũ Văn Cảnh
- Tóm tắt q trình đào tạo, nghiên cứu (thời điểm tốt nghiệp và chương trình đào tạo,
nghiên cứu):
+ Năm 2012: Tốt nghiệp Đại học chuyên ngành CNTT, rường Đại học Sư phạm Hà Nội;
- Tóm tắt cơng việc hiện tại: Giáo viên Trung tâm GDNN&GDTX Thành phố Chí Linh, tỉnh
Hải Dương;
- Lĩnh vực quan tâm: Xử lý ảnh, Mul media, tăng cường thực tại ảo;
- Email: ;
- Điện thoại: 0987 930 925.

Phạm Văn Nam
- Tóm tắt q trình đào tạo, nghiên cứu (thời điểm tốt nghiệp và chương trình đào tạo,
nghiên cứu):
+ Năm 2006: Tốt nghiệp Đại học chuyên ngành Đo lường, Trường Đại học Bách khoa
Hà Nội;
+Năm 2008: Tốt nghiệp Thạc Sĩ chuyên ngành Đo lường, Trường Đại học Bách khoa
Hà Nội;
+ Năm 2018: Tốt nghiệp ến sĩ chuyên ngành Kỹ thuật điều khiển và Tự động hóa, Trường
Đại học Bách khoa Hà Nội;
- Tóm tắt cơng việc hiện tại: Giảng viên, khoa Điện, Trường Đại học Công nghiệp Hà Nội;
- Lĩnh vực quan tâm: Thị giác máy và mạng nơron AI;

- Email: ;
- Điện thoại: 0979 427 781.

Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số 1 (72) 2021