Tạp chí
 
Năm 2025
 
Số 3, Kỳ 66, [06 - 2025] - Xem trước

Dự đoán giá trị độ cao sử dụng mạng nơ ron hồi tiếp (GRU)

DOI:10.46326/JMES.2025.66(3).03

  • Cơ quan:

    1 Khoa Trắc địa - Bản đồ và Quản lý đất đai, Trường Đại học Mỏ - Địa chất, Hà Nội, Việt Nam
    2 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: 08-01-2025
  • Sửa xong: 24-07-2025
  • Chấp nhận: 15-05-2025
  • Ngày đăng: 01-06-2025
Trang: 29 - 38
Lượt xem: 28
Xem onlineXem online
Lượt tải: 0
Tải về PDF
★★★★★Yêu thích: , Số lượt: 0
  • ★
  • ★
  • ★
  • ★
  • ★
Bạn yêu thích

Tóm tắt:

Bài báo này tập trung vào việc xây dựng và đánh giá mô hình dự báo giá trị độ cao điểm GNSS dựa trên mạng nơ-ron hồi tiếp GRU (Gated Recurrent Unit), một biến thể tiên tiến trong học sâu dành cho dữ liệu chuỗi thời gian. Dữ liệu đầu vào là chuỗi tọa độ độ cao h được trích xuất từ kết quả xử lý GNSS tại trạm CPHU, sử dụng phần mềm chuyên dụng Gamit/Globk, với độ chính xác đạt mức milimét. Không giống nhiều nghiên cứu khác, mô hình GRU trong nghiên cứu này được huấn luyện dựa trên toàn bộ chuỗi dữ liệu liên tục mà không chia tách thành tập huấn luyện và kiểm tra riêng biệt. Khoảng thời gian đánh giá dự báo độ cao điểm trong tương lai từ ngày 9/3/2022 đến 17/3/2022. Mô hình được thử nghiệm với hai thuật toán tối ưu hóa là Adam và SGD, kết hợp với hai hàm mất mát phổ biến là MSE và Huber. Hiệu quả của từng cấu hình được đánh giá thông qua các chỉ số MSE, RMSE, MAE và hệ số xác định R2. Kết quả cho thấy, mô hình GRU sử dụng thuật toán Adam cùng hàm mất mát MSE mang lại hiệu suất dự báo tốt nhất với hệ số R2 đạt khoảng 0,54 và sai số MAE ở mức 4,24 mm. Ngược lại, khi thay thế bằng SGD và Huber, hiệu quả giảm xuống rõ rệt với R2 chỉ còn từ 0,33÷0,42. Ngoài ra, độ lớn của cửa sổ trượt (lag) cũng ảnh hưởng đến khả năng dự báo: cửa sổ ngắn (độ lớn bằng 10) giúp mô hình thích ứng tốt hơn với dữ liệu có nhiễu.

Trích dẫn
Nguyễn Viết Nghĩa và Nguyễn Gia Trọng ., 2025. Dự đoán giá trị độ cao sử dụng mạng nơ ron hồi tiếp (GRU), Tạp chí Khoa học kỹ thuật Mỏ - Địa chất, số 3, kỳ 66, tr. 29-38.
Tài liệu tham khảo

 ADDIN EN.REFLIST Ceder, N. (2018). The quick Python book: Simon and Schuster.

Chen, D. Y. (2017). Pandas for everyone: Python data analysis: Addison-Wesley Professional.

Cho, J. M. (2015). Estimation of the crustal deformation caused by earthquake and its use in updating published coordinates of geodetic control points-A case study of the 2011 Tohoku Earthquake’s impact in South Korea. Journal of the Korean Society of Surveying, Geodesy, Photogrammetry, Cartography, 33(6), 485-495.

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

Construction, M. o. (2019). Trouble underground - Land Subsidence in the Mekong Delta. In (pp. https://www.eda.admin.ch/dam/countries/countries-content/vietnam/vn/sdc-publications/ground-subsidence_VN.pdf): Deutsche Gesellschaft für Internationale Zusammenarbeit (GIZ) GmbH.

Crocetti, L., Schartner, M., Schneider, R., Schindler, K. and Soja, B. (2024). Modelling and Analysing GNSS Displacements with Machine Learning and Environmental Variables. JGR: Solid Earth. https://doi.org/10.22541/essoar.172838522.21948627/v1.

Goodfellow, I., Bengio, Y. and Courville, A. (2016). Regularization for deep learning. Deep learning, 216-261.

Gupta, P. and Bagchi, A. (2024). Introduction to NumPy. In Essentials of Python for Artificial Intelligence and Machine Learning (pp. 127-159): Springer.

Inazu, D., Waseda, T., Hibiya, T. and Ohta, Y. (2016). Assessment of GNSS-based height data of multiple ships for measuring and forecasting great tsunamis. Geoscience Letters, 3, 1-13.

Karim, M. R. (2018). TensorFlow: Powerful Predictive Analytics with TensorFlow: Predict valuable insights of your data with TensorFlow: Packt Publishing Ltd.

Khánh, T. and Dương, P. Đ. (2011). Phân tích độ ổn định hệ thống mốc độ cao cơ sở trong quan trắc lún công trình. Tạp chí Khoa học Đo đạc và Bản đồ, 8(8), 52-56.

Kiani, M. (2020). A precise machine learning aided algorithm for land subsidence or upheave prediction from GNSS time series. arXiv preprint arXiv:.03772.

Kingma, D. P. (2014). Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980.

Le D. T., Quoc, H. N. D., and Trong, N. G. (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.

Long, N. Q. (2016). Đánh giá khả năng ứng dụng mạng nơ-ron nhân tạo dự báo lún bề mặt mỏ do khai thác hầm lò. Tạp chí Khoa học Kỹ thuật Mỏ-Địa chất, 55, 79-88.

Quốc, L. B. (2022). Dự đoán lún bề mặt do tải trọng đặc trưng khi thi công công trình ngầm trong đất yếu ở TP Hồ Chí Minh. Tạp chí Xây dựng, 90 - 93.

Solak, H. İ. (2024). Prediction of GNSS Velocity Accuracies Using Machine Learning Algorithms for Active Fault Slip Rate Determination and Earthquake Hazard Assessment. Applied Sciences, 15(1), 113.

Tosi, S. (2009). Matplotlib for Python developers: Packt Publishing Ltd.

Trọng, N. G., Nghĩa, N. V., Khải, P. C., Thành, N. H., Hà, L. L., Dũng, V. T., . . . 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.

Trọng, N. G. and Quý, B. N. (2024). Phân tích chuỗi dữ liệu nghiệm triều sử dụng mạng nơ ron hồi tiếp với nút có cổng (GRU). Tạp chí Khí tượng Thủy văn, 765, 39-46.

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.  

Các bài báo khác