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

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 trạmCPHU, 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 R2đạt 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 R2chỉ còn từ 0,33÷0,42. Ngoài ra, độ lớn củacửa 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