Tác giả

Nguyễn Thị Thùy Linh 1* , Nguyễn Văn An 2

Đơn vị công tác

¹ Trường Đại học Sư Phạm, Đại học Đà Nẵng; linhpknguyen@gmail.com

² Trường Đại học Sư Phạm, Đại học Đà Nẵng; nvan@ued.udn.vn

*Tác giả liên hệ: linhpknguyen@gmail.com; Tel: +84–372251803

Tóm tắt

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.

Từ khóa

Dự đoán dòng chảy; CNN , LSTM , CNN-LSTM.

Trích dẫn bài báo

Linh, N.T.T.; An, N.V. 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. Tạp chí Khí tượng Thủy văn 2025, 771, 79-89.

Tài liệu tham khảo

1. Lima, A.R.; Cannon, A.J.; Hsieh, W.W. Forecasting daily streamflow using online sequential extreme learning machines. J. Hydrol. 2016, 537, 431–443.

2. Valipour, M.; Banihabib, M.E.; Behbahani, S.M.R. Comparison of the ARMA, ARIMA, and the autoregressive artificial neural network models in forecasting the monthly inflow of Dez dam reservoir. J. Hydrol. 2013, 476, 433–441.

3. Yu, X.; Zhang, X.; Qin, H. A data-driven model based on Fourier transform and support vector regression for monthly reservoir inflow forecasting. J. Hydro-environ. Res. 2018, 18, 12–24.

4. He, Z.; Wen, X.; Liu, H.; Du, J. A comparative study of artificial neural network, adaptive neuro fuzzy inference system and support vector machine for forecasting river flow in the semiarid mountain region. J. Hydrol. 2014, 509, 379–386.

5. Humphrey, G.B.; Gibbs, M.S.; Dandy, G.C.; Maier, H.R. A hybrid approach to monthly streamflow forecasting: integrating hydrological model outputs into a Bayesian artificial neural network. J. Hydrol. 2016, 540, 623–640.

6. Tan, Q.F.; Lei, X.H.; Wang, X.; Wang, H.; Wen, X.; Ji, Y.; Kang, A.Q. An adaptive middle and long-term runoff forecast model using EEMD-ANN hybrid approach. J. Hydrol. 2018, 567, 767–780.

7. Bai, Y.; Chen, Z.; Xie, J.; Li, C. Daily reservoir inflow forecasting using multiscale deep feature learning with hybrid models. J. Hydrol. 2016, 532, 193–206.

8. Hochreiter, S.; Schmidhuber, J. Long short-term memory. Neural Comput. 1997, 9(8), 1735–1780.

9. Yang, J.; Kim, J. An accident diagnosis algorithm using long short-term memory. Nucl. Eng. Technol. 2018, 50(4), 582–588.

10. Peng, L.; Liu, S.; Liu, R.; Wang, L. Effective long short-term memory with differential evolution algorithm for electricity price prediction. Energy 2018, 162, 1301–1314.

11. Zhang, J.; Zhu, Y.; Zhang, X.; Ye, M.; Yang, J. Developing a long short-term memory (LSTM) based model for predicting water table depth in agricultural areas. J. Hydrol. 2018, 561, 918–929.

12. LeCun, Y.; Bottou, L.; Bengio, Y.; Haffner, P. Gradient-based learning applied to document recognition. Proc. IEEE. 1998, 86(11), 2278–2324.

13. Lu, W.; Li, J.; Li, Y.; Sun, A.; Wang, J. A CNN‐LSTM‐based model to forecast stock prices. Complexity 2020, 2020(1), 6622927.

14. Shen, X.; Ni, Z.; Liu, L.; Yang, J.; Ahmed, K. WiPass: 1D-CNN-based smartphone keystroke recognition using WiFi signals. Pervasive Mob. Comput. 2021, 73, 101393.

15. Ghimire, S.; Yaseen, Z.M.; Farooque, A.A.; Deo, R.C.; Zhang, J.; Tao, X. Streamflow prediction using an integrated methodology based on convolutional neural network and long short-term memory networks. Sci. Rep. 2021, 11(1), 17497.

16. Sun, M.; Song, Z.; Jiang, X.; Pan, J.; Pang, Y. Learning pooling for convolutional neural network. Neurocomputing 2017, 224, 96–104.

17. Castangia, M.; et al. Transformer neural networks for interpretable flood forecasting. Environ. Modell. Software. 2023, 160, 105581.

18. Van Houdt, G.; Mosquera, C.; Nápoles, G. A review on the long short-term memory model. Artif. Intell. Rev. 2020, 53(8), 5929–5955.

19. Kratzert, F.; et al. Rainfall–runoff modelling using long short-term memory (LSTM) networks. Hydrol. Earth Syst. Sci. 2018, 22(11), 6005–6022.

20. Hu, C.; et al. Deep learning with a long short-term memory networks approach for rainfall-runoff simulation. Water 2018, 10(11), 1543.

21. Aldhyani, T.H.; Alzahrani, A. Framework for predicting and modeling stock market prices based on deep learning algorithms. Electronics 2022, 11(19), 3149.

22. Yao, R.; et al. Intrusion detection system in the advanced metering infrastructure: a cross-layer feature-fusion CNN-LSTM-based approach. Sensors 2021, 21(2), 626.

23. Guo, Q.; He, Z.; Wang, Z. Monthly climate prediction using deep convolutional neural network and long short-term memory. Sci. Rep. 2024, 14(1), 17748.

24. Ahmed, S.; et al. Forecasting the status of municipal waste in smart bins using deep learning. Int. J. Environ. Res. Public Health. 2022, 19(24), 16798.

25. Nohani, E.; et al. Monthly streamflow forecasting based on meteorological data from a nearby station. Water Pract. Technol. 2024, 19(5), 1659–1675.

26. Khosravi, K.; et al. Improving daily stochastic streamflow prediction: Comparison of novel hybrid data-mining algorithms. Hydrol. Sci. J. 2021, 66(9), 1457–1474.

27. Krause, P.; Boyle, D.; Bäse, F. Comparison of different efficiency criteria for hydrological model assessment. Adv. Geosci. 2005, 5, 89–97.

28. Chicco, D.; Warrens, M.J.; Jurman, G. The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation. Peer J. Comput. Sci. 2021, 7, e623.

29. Althoff, D.; Rodrigues, L.N. Goodness-of-fit criteria for hydrological models: Model calibration and performance assessment. J. Hydrol. 2021, 600, 126674.

30. Xie, T.; et al. Hybrid forecasting model for non-stationary daily runoff series: a case study in the Han River Basin, China. J. Hydrol. 2019, 577, 123915.

31. Hodson, T.O. Root mean square error (RMSE) or mean absolute error (MAE): When to use them or not. Geosci. Model Dev. Discuss. 2022, 2022, 1–10