Xây dựng mô hình mô phỏng chỉ số chất lượng không khí cho thành phố Hồ Chí Minh bằng phương pháp học máy

Abstract

Nghiên cứu áp dụng các mô hình học máy bao gồm MLP (Multi-layer Perceptron), RF (Random Forest) và SVR (Support Vector Regression) để dự báo chỉ số chất lượng không khí tại Tp. Hồ Chí Minh. Dữ liệu đầu vào bao gồm chỉ số chất lượng không khí AQI (Air Quality Index) và 5 biến khí tượng (điểm sương, áp suất, nhiệt độ, độ ẩm, tốc độ gió) từ tháng 3/2019 đến tháng 6/2021, với 70% dữ liệu đầu vào được sử dụng cho giai đoạn huấn luyện và 30% dữ liệu còn lại sử dụng cho giai đoạn kiểm tra. Thông qua phân tích tương quan và phân tích tự tương quan một phần, 6 kịch bản với các thông số đầu vào khác nhau được xây dựng để mô phỏng chỉ số AQI. Kết quả cho thấy cả 3 mô hình đều có hiệu suất dự báo tốt ở cả 6 kịch bản. Trong đó, mô hình MLP với 5 thông số đầu vào (MLP-K5) cho hiệu quả dự báo tốt nhất với MSE = 0,0045, R 2 = 0,89, NSE = 0,886. Đối với mô hình SVR, mô hình SVR với 6 thông số đầu vào (SVR-K6) cho kết quả dự báo tốt nhất với MSE = 0,0048, R 2 = 0,88, NSE = 0,879. Đối với mô hình RF, mô hình RF với 6 thông số đầu vào (RF-K6) cho kết quả dự báo tốt nhất với MSE = 0,005, R 2 = 0,88, NSE = 0,875. Kết quả cho thấy, mô hình MLP có khả năng mô phỏng tốt chỉ số chất lượng không khí cho thành phố Hồ Chí Minh.