Tạp chí
 
Năm 2025
 
Số 66, Kỳ 1, [02 - 2025]

Đánh giá hiệu suất của mô hình trí tuệ nhân tạo khi phân tích dữ liệu GNSS theo thời gian với số nút trong lớp ẩn và hàm mất mát khác nhau

DOI:10.46326/JMES.2025.66(1).05

  • Cơ quan:

    1 Trường Đại học Mỏ - Địa chất, Hà Nội, Việt Nam
    2 Bộ tham mưu, Quân chủng Hải quân, Hải Phòng, Việt Nam.
    3 Nhóm nghiên cứu Trắc địa cao cấp - môi trường, Trường Đại học Mỏ - Địa chất, Hà Nội, Việt Nam

  • *Tác giả liên hệ:
    This email address is being protected from spambots. You need JavaScript enabled to view it.
  • Nhận bài: 30-08-2024
  • Sửa xong: 12-12-2024
  • Chấp nhận: 04-01-2025
  • Ngày đăng: 01-02-2025
Trang: 43 - 52
Lượt xem: 156
Xem onlineXem online
Lượt tải: 2
Tải về PDF
★★★★★Yêu thích: , Số lượt: 0
  • ★
  • ★
  • ★
  • ★
  • ★
Bạn yêu thích

Tóm tắt:

Trí tuệ nhân tạo đang được sử dụng một cách rộng rãi trong phân tích chuỗi dữ liệu theo thời gian nói chung và dữ liệu GNSS theo thời gian nói riêng. Hiệu suất của mỗi mô hình trí tuệ nhân tạo sử dụng để phân tích chuỗi dữ liệu GNSS theo thời gian phụ thuộc vào việc lựa chọn hàm tối ưu, hàm mất mát, số nút trong lớp ẩn cũng như số epochs. Mô hình học sâu GRU (Gated Recurrent Unit) đã được khẳng định có hiệu suất tốt trong dự đoán chuỗi dữ liệu theo thời gian. Bài báo này giới thiệu kết quả xác định hiệu suất của mô hình GRU khi lựa chọn các thông số nêu trên khác nhau. Dữ liệu đầu vào của mô hình là thành phần tọa độ theo phương thẳng đứng của trạm CORS HYEN trong khoảng thời gian từ 10/8/2019 đến 18/3/2022, là kết quả của việc phân tích dữ liệu GNSS thu nhận được tại trạm này bằng phần mềm Gamit/Globk. Kết quả xử lý cho thấy, khi lựa chọn hàm tối ưu là Adam, hàm mất mát là MSE thì hiệu suất của mô hình giảm rất nhanh khi số nút trong lớp ẩn giảm từ 200÷100. Các giá trị đặc trưng cho hiệu suất của mô hình trong trường hợp này bao gồm R2 giảm từ 85÷20%, giá trị MAE tăng từ 3,77÷8,37 mm. Khi thay thế hàm mất mát MSE bằng hàm mất mát Huber, hiệu suất của mô hình được cải thiện đáng kể thông qua chỉ số phù hợp của mô hình R2 tăng 7% và giá trị MAE giảm từ 3,77÷3,21 mm. Đây là hiệu suất tương đối cao trong dự đoán dữ liệu với mô hình trí tuệ nhân tạo mà tỷ lệ giữa tập huấn luyện và tập kiểm tra tương ứng là 60÷40%.

Trích dẫn
Trần Xuân Trường, Lê Đức Tình, Đỗ Thị Phương Thảo, Phạm Văn Mẫn và Nguyễn Gia Trọng ., 2025. Đánh giá hiệu suất của mô hình trí tuệ nhân tạo khi phân tích dữ liệu GNSS theo thời gian với số nút trong lớp ẩn và hàm mất mát khác nhau, Tạp chí Khoa học kỹ thuật Mỏ - Địa chất, số 66, kỳ 1, tr. 43-52.
Tài liệu tham khảo

Alpaydin, E. (2020). Introduction to machine learning: MIT press.

Andreas, H., Abidin, H. Z., Sarsito, D. A., Meilano, I., and Susilo, S. (2018). Investigating the tectonic subsidence on Java Island using GNSS GPS campaign and continuous. Paper presented at the AIP Conference Proceedings.

Bishop, C. M., and Nasrabadi, N. M. (2006). Pattern recognition and machine learning (Vol. 4): Springer.

Cetin, S., Aydin, C., and Dogan, U. (2019). Comparing GPS positioning errors derived from GAMIT/GLOBK and Bernese GNSS software packages: A case study in CORS-TR in Turkey. Survey Review, 51(369), 533-543.

Chen, H., He, X., and Lu, T. (2024). Deep Learning Based GNSS Time Series. In Positioning Navigation Using Machine Learning Methods (pp. 99).

Chollet, F. (2021). Deep learning with Python: Simon and Schuster.

Ciaburro, G., and Venkateswaran, B. (2017). Neural Networks with R: Smart models using CNN, RNN, deep learning, and artificial intelligence principles: Packt Publishing Ltd.

Crocetti, L., Schartner, M., and Soja, B. (2021). Discontinuity detection in GNSS station coordinate time series using machine learning. Remote sensing, 13(19), 3906.

Gao, W., Li, Z., Chen, Q., Jiang, W., and Feng, Y. (2022). Modelling and prediction of GNSS time series using GBDT, LSTM and SVM machine learning approaches. Journal of Geodesy, 96(10), 71.

Goudarzi, M. A. (2016). GPS inferred velocity and strain rate fields in eastern Canada.

Haritonova, D., Balodis, J., Janpaule, I., and Morozova, K. (2015). Earth's Surface Displacements from the GPS Time Series. Paper presented at the IOP Conference Series: Materials Science and Engineering.

Khorrami, F., Ejigu, Y. G., Näränen, J., Raja-Halli, A., and Nordman, M. (2024). Exploring Non-tidal Atmospheric Loading Deformation Correction in GNSS Time Series Analysis Using GAMIT/GLOBK Software. In Springer.

Le, D. T., Huynh, N. D., and Nguyen, G. T. Q. (2024). Exploring the training results of machine learning models using different batch sizes and epochs: A case study with GNSS time series data. J. Hydro-Meteorol, 19, 90 - 99.

Meyer, G. P. (2021). An alternative probabilistic interpretation of the huber loss. Paper presented at the Proceedings of the IEEE/CVF conference on computer vision and pattern recognition.

Özbey, V., Ergintav, S., and Tarı, E. (2024). GNSS Time Series Analysis with Machine Learning Algorithms: A Case Study for Anatolia. Remote Sensing, 16(17), 3309.

Rizos, C. (2008). The contribution of GNSS CORS infrastructure to the mission of Modern Geodesy. Paper presented at the 7th Int. Symp. and Exhibition on Geoinformation.

Trọng, N. G., Nghĩa, N. V., Khải, P. C., Thành, N. H., Hà, L. L., Dũng, V. T., Quân, N. V., Quang, P. N. (2022). Xác định chuyển dịch trên phạm vi lãnh thổ Việt Nam dựa vào dữ liệu của các trạm CORS thuộc mạng lưới VNGEONET. Tạp chí Khí tượng Thủy văn, 739, 59-66.

Uzel, T., Eren, K., Gulal, E., Tiryakioglu, I., Dindar, A. A., and Yilmaz, H. (2013). Monitoring the tectonic plate movements in Turkey based on the national continuous GNSS network. Arabian Journal of Geosciences, 6, 3573-3580.

Vân Phong, D., Trọng, N. G., Chiến, N. V., Thành, N. H., Hà, L. L., Quân, N. V., and Quang, P. N. (2023). Phân tích chuyển dịch thẳng đứng vỏ Trái đất sử dụng hàm ANN từ kết quả xử lý chuỗi dữ liệu GNSS theo thời gian. Tạp chí Khí tượng thủy văn, 752, 41 - 50.

Wang, Q., Ma, Y., Zhao, K., and Tian, Y. (2020). A comprehensive survey of loss functions in machine learning. Annals of Data Science, 1-26.

Xie, Y., Wang, J., Li, H., Dong, A., Kang, Y., Zhu, J., Wang, Y., Yang, Y. (2024). Deep Learning CNN-GRU Method for GNSS Deformation Monitoring Prediction. Applied Sciences, 14(10), 4004.

Các bài báo khác