Nghiên cứu ứng dụng các phương pháp học
máy tiên tiến trong công tác dự báo vận hành
hồ Hòa Bình

Phạm Thị Hoàng Nhung

Trường Đại học Công nghệ
Luận văn ThS chuyên ngành: Hệ thống Thông tin; Mã số: 60 48 05
Người hướng dẫn: PGS TS Hà Quang Thụy
Năm bảo vệ: 2007

Abstract: Trình bày lý thuyết về mạng nơ-ron thần kinh nhân tạo và quá trình huấn
luyện mạng, thuật toán của mạng; Trình bày lý thuyết của giải thuật di truyền và khả
năng ứng dụng của giải thuật này kết hợp với thuật toán lan truyền ngược sai số; Giới
thiệu sơ lược về bộ dữ liệu sử dụng, các phương pháp đánh giá kết quả dự báo và thử
nghiệm các phương pháp để dự báo lưu lượng nước đến hồ Hòa Bình trước 10 ngày,
từ đó đánh giá khả năng ứng dụng các phương pháp học máy để dự báo chuỗi thời
gian
Keywords: Công nghệ thông tin, Dự báo thủy văn, Hồ Hòa Bình, Mạng nơron nhân
tạo

Content
M
M
Ở
ỞĐ
Đ
Ầ

nội dung nghiên cứu thời sự hiện nay. Ở trong nước, tại Viện Khí tượng Thủy văn có hàng
chục công trình nghiên cứu liên quan tới dự báo thủy văn, đặc biệt có tới bốn đề tài cấp Nhà
nước [3]. Trên thế giới, việc áp dụng các phương pháp của khai phá dữ liệu (đặc biệt là các
phương pháp học máy sử dụng mạng nơ-ron nhân tạo và kết hợp với giải thuật di truyền) vào
dự báo thủy văn đã trở thành nội dung nghiên cứu dự báo thủy văn thời sự trong thời gian gần
đây [5-7,12-14, 19].
Khai phá dữ liệu là một trong những lĩnh vực nghiên cứu của khoa học máy tính hiện nay
đang được phát triển rất mạnh mẽ. Nó kết hợp giữa học máy, công nghệ cơ sở dữ liệu và một
số chuyên ngành khác để tìm ra những tri thức, bao gồm cả các thông tin dự báo, từ những cơ
sở dữ liệu lớn.
Luận văn này tập trung khảo sát một số phương pháp học máy tiên tiến, thực hiện việc kết
hợp giữa phương pháp học máy sử dụng mạng nơ-ron nhân tạo [5-7,9-20] với giải thuật di
truyền [4,8,21] và ứng dụng vào bài toán dự báo lưu lượng nước đến hồ Hòa Bình. Luận văn
tập trung khảo sát một số công trình nghiên cứu liên quan trên thế giới [5-7, 12-14, 19].
Demetris F. Lekkas [12] cung cấp một khung nhìn phương pháp luận về các phương pháp dự
báo dòng chảy. Ibrahim Can cùng các đồng tác giả [5] và Cristiane Medina Finzi Quintao
cùng các đồng tác giả [19] công bố một số kết quả nghiên cứu cập nhật về dự báo dòng chảy
của một số dòng sông tại Thổ Nhĩ Kỳ và Brazin. Đặc biệt, các công trình này đã cung cấp
cách thức đánh giá kết quả thực nghiệm các phương pháp dự báo thủy văn được đề cập. Các
công trình nghiên cứu khác về mạng nơ-ron nhân tạo, giải thuật di truyền và kết hợp chúng
được luận văn sử dụng để làm nền tảng khoa học cho các nghiên cứu phát triển. Luận văn đã
hoàn thành phần mềm thử nghiệm và tiến hành thực nghiệm trên bộ dữ liệu được thu thập tin
cậy thông qua hệ thống đo đạc thủy văn dọc sông Đà, nguồn nước chính chảy vào hồ Hòa
Bình. Đóng góp khoa học của luận văn là một báo cáo khoa học đã được trình bày tại Hội
thảo khoa học quốc gia Một số vấn đề chọn lọc về Công nghệ thông tin và Truyền thông lần
thứ X được tổ chức tại Đại Lải vào tháng 9/2007 với kết quả thực hiện cho dự báo nước trước
10 ngày có chỉ số R
2
khá cao, lên tới 0.8737 [2]. Cải tiến do luận văn đề xuất kết hợp đột biến
BIASED với đột biến UNBIASED trong đó đột biến BIASED sẽ đóng vai trò chủ đạo nhằm

[1]. Lê Văn Nghinh, Bùi Công Quang, Hoàng Thanh Tùng (2006), Mô hình toán thuỷ
văn, Nhà xuất bản xây dựng.
[2]. Phạm Thị Hoàng Nhung, Hà Quang Thụy (2007), Nghiên cứu, sử dụng mạng nơ-
ron nhân tạo trong dự báo lưu lượng nước đến hồ Hoà Bình trước 10 ngày, Hội
thảo Quốc gia Một số vấn đề chọn lọc về Công nghệ thông tin và Truyền thông, lần
thứ X, Đại Lải, Vĩnh Phúc, 9/2007.
[3]. Viện Khí tượng Thủy văn. Danh sách các đề tài, dự án nghiên cứu khoa học công
nghệ.
[4]. Thomas Back (1996), Evolutionary Algorithm in Theory and Practice, Oxford
University Press.
[5]. Ibrahim Can, Cahit Yerdelen, Ercan Kahya1 (2007), Stochastic modeling of Karasu
River (Turkey) using the methods of Artificial Neural Networks, Proceeding of the
AGU Hydrology Days 2007, March 19 - March 21, 2007, Colorado State
University, Fort Collins, Colorado, USA, 138-144.
[6]. Paulin Coulibaly, Francois Anctil, and Bernard Bobee (2001), Multivariate
Reservoir Inflow Forecasting Using Temporal Neural Networks, Journal of
Hydrologic Engineering, 6(5), 367-376.
[7]. Oscar R. Dolling, Eduardo A. Varas (2002), Artificial neural networks for stream
flow prediction, Journal of Hydraaulic research, 40(5), 547-554.
[8]. D.E. Goldberg (1989), Genetic Algorithm in Search, Optimization and Machine
Learning, Addison Wesley, Reading, MA.
[9]. J. Hertz, A. Krogh, and R.G. Palmer. (1991), Introduction to the Theory of Neural
Computation, New York: Addison-Wesley.
[10]. Ismail Kilinş, Kerem Ciğizouğlu (2005), Reservoir Management Using Artificial
Neural Networks, 14th. Reg. Directorate of DSI (State Hydraulic Works), Istanbul,
Turkey.
[11]. Steve Lawrence and C. Lee Giles (2000), Overfitting and Neural Networks:
Conjugate Gradient and Backpropagation, International Joint onference on Neural
Networks, Como, Italy, July 24–27, 114–119, 2000.
[12]. D.R. Legates, G.J. McCabe Jr. (1998), Evaluating the Use of "Goodness-of-Fit"