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

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.