THIẾT KẾ MẠNG HỌC SÂU LONG SHORT-TERM MEMORY (LSTM) ĐỂ DỰ BÁO LƯU LƯỢNG VÀ PHÁT HIỆN BẤT THƯỜNG TRONG MẠNG CẤP NƯỚC SẠCH | Thông | TNU Journal of Science and Technology

THIẾT KẾ MẠNG HỌC SÂU LONG SHORT-TERM MEMORY (LSTM) ĐỂ DỰ BÁO LƯU LƯỢNG VÀ PHÁT HIỆN BẤT THƯỜNG TRONG MẠNG CẤP NƯỚC SẠCH

Thông tin bài báo

Ngày nhận bài: 27/11/20                Ngày hoàn thiện: 30/11/20                Ngày đăng: 30/11/20

Các tác giả

1. Hoàng Văn Thông Email to author, Trường Đại học Giao thông vận tải
2. Nhữ Văn Kiên, Trường Cao đẳng Thuỷ lợi Bắc Bộ

Tóm tắt


Trong bài báo này, chúng tôi thiết kế một mạng học sâu LSTM để dự báo dữ liệu chuỗi thời gian là giá trị lưu lượng của các mạng lưới cấp nước sạch. Dựa trên kết quả dự báo, chúng tôi xây dựng một mô hình cho phép phát hiện sự bất thường của mạng. Mô hình được thử nghiệm trên 3 điểm đo lưu lượng của mạng cấp nước sạch tại thành phố Huế với sai số dự báo thấp và chỉ số NSE cao đạt 0.98. Kết quả dự báo của mô hình được sử dụng để xây dựng mô hình phát hiện bất thường trong mạng dựa trên sai số dự báo và dữ liệu thực. Kết quả thử nghiệm cho thấy phương pháp đề xuất cho kết quả phát hiện chính xác cao, có thể ứng dụng được vào thực tế.


Từ khóa


dự báo; chuỗi thời gian; bất thường; mạng cấp nước; học sâu; LSTM

Toàn văn:

PDF

Tài liệu tham khảo


[1]. N. I. Sapankevych, and R. Sankar, “Time Series Prediction Using Support Vector Machines: A Survey,” IEEE Computational Intelligence Magazine, vol. 4, no. 2, pp. 24-38, 2009.

[2]. M. Kumar, and M. An, "An Application of Time Series Arima Forecasting Model For Predicting Sugarcane Production In India," Studies in Business and Economics, vol. 9, pp. 81-94, 2018.

[3]. W. -C. Hong, “Application of Seasonal SVR with Chaotic Immune Algorithm in Traffic Flow Forecasting,” Neural Computing and Applications, vol. 21, no. 3, pp. 583-593, 2012.

[4]. S. Hochreiter, and J. Schmidhuber, “Long Short-Term Memory,” Neural Computation, vol. 9, no. 8, pp. 1735-1780, 1997.

[5]. M. Munir, S. A. Siddiqui, A. Dengel, and S. Ahmed, “DeepAnT: A Deep Learning Approach for Unsupervised Anomaly Detection in Time Series,” IEEE Access, vol. 7, pp. 1991-2005, 2018, doi: 10.1109 /ACCESS.2018.2886457

[6]. A. Alahi, K. Goel, V. Ramanathan, A. Robicquet, L. Fei-Fei, and S. Savarese, “Social LSTM: Human Trajectory Prediction in Crowded Spaces,” in Proc. 29th IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, June 2016, pp. 961-971.


Các bài báo tham chiếu

  • Hiện tại không có bài báo tham chiếu
Tạp chí Khoa học và Công nghệ - Đại học Thái Nguyên
Phòng 408, 409 - Tòa nhà Điều hành - Đại học Thái Nguyên
Phường Tân Thịnh - Thành phố Thái Nguyên
Điện thoại: 0208 3840 288 - E-mail: jst@tnu.edu.vn
Phát triển trên nền tảng Open Journal Systems
©2018 All Rights Reserved