Ứng dụng mô hình Multivariate LSTM để dự báo nhiệt độ và lượng mưa
Abstract
Forecasting temperature and rainfall is an important issue in the agricultural sector to assist farmers in planning appropriate planting. Several techniques have previously been proposed based on statistical analysis, learning machine and deep learning techniques. This paper proposes a method to build a model to forecast monthly temperature and rainfall using the Multivariate Long Short-Term Memory (MLSTM) model. The parameters of the model are adjusted to suit the proposed problem. The model is evaluated using RMSE and MAE measurements. Besides, other forecasting models (such as LSTM, MLP, and SVR) are also used to compare the effectiveness of the proposed model. Experimental results on the data set of monthly average temperature and rainfall in Vietnam from 1901 to 2015 show that the MLSTM model is quite effective with the RMSE on the temperature set of 1.311 and the MAE of 1.051, respectively on the rainfall data set of 2.299 and 2.450.
Tóm tắt
Dự báo nhiệt độ và lượng mưa là vấn đề quan trọng trong lĩnh vực nông nghiệp nhằm hỗ trợ người dân có kế hoạch gieo trồng phù hợp. Một số kỹ thuật trước đây đã được đề xuất dựa trên phân tích thống kê, máy học và kỹ thuật học sâu. Bài viết này đề xuất phương pháp xây dựng mô hình dự báo nhiệt độ và lượng mưa hàng tháng bằng mô hình đa biến bộ nhớ ngắn hạn dài hạn (Multivariate Long Short-Term Memmory- MLSTM). Các tham số của mô hình được điều chỉnh sao cho phù hợp với bài toán đặt ra. Mô hình được đánh giá thông qua đo độ lỗi RMSE và MAE. Bên cạnh đó, các mô hình dự báo khác (như LSTM, MLP, SVR) cũng được sử dụng nhằm so sánh hiệu quả của mô hình đề xuất. Kết quả thực nghiệm trên tập dữ liệu nhiệt độ và lượng mưa trung bình hàng tháng tại Việt Nam từ 1901 đến 2015 cho thấy mô hình MLSTM đạt hiệu quả khá tốt với độ lỗi RMSE trên tập nhiệt độ là 1.311 và MAE là 1.051, tương ứng trên tập dữ liệu lượng mưa là 2.299 và 2.450.
Tài liệu tham khảo
[1]. Lim, B., & Zohren, S., (2020). Time Series Forecasting With Deep Learning: A
Survey. arXiv preprint arXiv: 2004.13408.
[2]. Ikram, B. A. O., Abdelhakim, B. A., Abdelali, A., Zafar, B., & Mohammed, B. (2019, March). Deep Learning architecture for temperature forecasting in an IoT LoRa based system. In Proceedings of the 2nd International Conference on Networking, Information Systems & Security (pp. 1-6).
[3]. Poornima, S., & Pushpalatha, M. (2019). Prediction of rainfall using intensified LSTM based recurrent neural network with weighted linear units. Atmosphere, 10(11), 668.
[4]. Shi, X., Chen, Z., Wang, H., Yeung, D. Y., Wong, W. K., & Woo, W. C. (2015). Convolutional LSTM network: A machine learning approach for precipitation nowcasting. Advances in neural information processing systems, 28.
[5]. LIAO, W., YIN, Z., WANG, R., & LEI, X. (2019). RAINFALL-RUNOFF
MODELLING BASED ON LONG SHORT-TERM MEMORY (LSTM).
[6]. Dash, Y., Mishra, S. K., & Panigrahi, B. K. (2018). Rainfall prediction for the Kerala state of India using artificial intelligence approaches. Computers & Electrical Engineering, 70, 66-73.
[7]. Nguyen Thai-Nghe, Nguyen Thanh-Hai and Nguyen Chi Ngon, “Deep Learning Approach for Forecasting Water Quality in IoT Systems" International Journal of Advanced Computer Science and Applications (IJACSA), 11(8), 2020. http://dx.doi. org/10.14569/IJACSA.2020.0110883.
[8]. Kratzert, F., Klotz, D., Brenner, C., Schulz, K., & Herrnegger, M. (2018). Rainfall– runoff modelling using long short-term memory (LSTM) networks. Hydrology and Earth System Sciences, 22(11), 6005-6022. Zhang,
[9]. Zhang, Q., Wang, H., Dong, J., Zhong, G., & Sun, X. (2017). Prediction of sea surface temperature using long short-term memory. IEEE Geoscience and Remote Sensing Letters, 14(10), 1745-1749.