Đánh giá hiệu suất của mô hình trí tuệnhân tạo khi phân tích dữliệu GNSS theo thời gian với sốnút trong lớp ẩn và hàm mất mát khác nhau

Tóm tắt

Trí tuệ nhân tạo đang được sử dụng một cách rộng rãi trong phân tích chuỗi dữ liệu theo thời gian nói chung và dữ liệu GNSS theo thời gian nói riêng. Hiệu suất của mỗi mô hình trí tuệ nhân tạo sử dụng để phân tích chuỗi dữ liệu GNSS theo thời gian phụ thuộc vào việc lựa chọn hàm tối ưu, hàm mất mát, số nút trong lớp ẩn cũng như số epochs. Mô hình học sâu GRU (Gated Recurrent Unit) đã được khẳng định có hiệu suất tốt trong dự đoán chuỗi dữ liệu theo thời gian. Bài báo này giới thiệu kết quả xác định hiệu suất của mô hình GRU khi lựa chọncác thông số nêu trên khác nhau. Dữ liệu đầu vào của mô hình là thành phần tọa độ theo phương thẳng đứng của trạm CORS HYEN trong khoảng thời gian từ 10/8/2019 đến 18/3/2022, là kết quả của việc phân tích dữ liệu GNSS thu nhận được tại trạm này bằng phần mềm Gamit/Globk. Kết quả xử lý cho thấy, khi lựa chọn hàm tối ưu là Adam, hàm mất mát là MSE thì hiệu suất của mô hình giảm rất nhanh khi số nút trong lớp ẩn giảm từ 200÷100. Các giá trị đặc trưng cho hiệu suất của mô hình trong trường hợp này bao gồm R2giảm từ 85÷20%, giá trị MAE tăng từ 3,77÷8,37 mm. Khi thay thế hàm mất mát MSE bằng hàm mất mát Huber, hiệu suất của mô hình được cải thiện đáng kể thông qua chỉ số phù hợp của mô hình R2 tăng 7% và giá trị MAE giảm từ 3,77÷3,21 mm. Đây là hiệu suất tương đối cao trong dự đoán dữ liệu với mô hình trí tuệ nhân tạo mà tỷ lệ giữa tập huấn luyện và tập kiểm tra tương ứng là 60÷40%