Sử dụng mạng nơ-ron nhân tạo dự báo mực nước sông chịu ảnh hưởng của thủy triều

KHOA HỌC CÔNG NGHỆ 
 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 52 - 2019 1
SỬ DỤNG MẠNG NƠ-RON NHÂN TẠO DỰ BÁO MỰC NƯỚC SÔNG 
CHỊU ẢNH HƯỞNG CỦA THỦY TRIỀU 
Hồ Việt Tuấn 
Công ty TNHH Framgia Việt Nam 
Hồ Việt Hùng 
 Trường Đại học Thủy Lợi 
Tóm tắt: Mạng nơ-ron hồi quy (Recurrent Neural Network - RNN) được sử dụng rộng rãi trong 
nhiều lĩnh vực khác nhau, trong đó có thủy lợi. Các mô hình RNN được ứng dụng để dự báo mực 
nước sông, lưu lượng đến hồ chứa Trong bài báo này, các tác giả đã thiết lập một mô hình Long 
Short-Term Memory network (LSTM), một dạng đặc biệt của RNN, để dự báo mực nước ở hạ lưu 
cống - âu thuyền Cầu Cất thuộc hệ thống thủy lợi Bắc Hưng Hải. Dữ liệu đầu vào của mô hình 
chỉ là mực nước ở hạ lưu cống Cầu Cất trong quá khứ, kết quả dự báo là mực nước ở đó cho 6 
giờ, 12 giờ, 18 giờ và 24 giờ trong tương lai. Mô hình mà các tác giả đề xuất cho kết quả có độ 
chính xác cao và ổn định, hệ số Nash dao động từ 95.3% đến 91.6% tương ứng với các trường 
hợp dự báo. Vì vậy, có thể ứng dụng mô hình này để dự báo mực nước tại các cống vùng triều, 
giúp cho việc vận hành cống an toàn, hiệu quả. 
Từ khóa: Mạng nơ-ron hồi quy (RNN), LSTM, dự báo mực nước, âu thuyền Cầu Cất. 
Summary: Recurrent Neural Network (RNN) is widely used in many different fields, including 
irrigation. RNN models have been applied to forecast river water levels, reservoir’s inflow... In 
this paper, the authors developed a Long Short-Term Memory Network model (LSTM), a special 
type of RNN, to predict water levels downstream of Cau Cat Culvert in the Bac Hung Hai irrigation 
system. The input data of the model are just the water levels downstream of Cau Cat Culvert in 
the past, the predicted result is the water level there for 6 hours, 12 hours, 18 hours and 24 hours 
of lead-time in the future. The model proposed by the authors provides results with high accuracy 
and stability, with Nash coefficients ranging from 95.3% to 91.6% corresponding to the predicted 
cases. Therefore, it is possible to use this model to forecast the water level in the tidal sluice, 
helping to operate the culvert safely and effectively. 
Key words: Recurrent Neural Network (RNN), LSTM, forecast river water levels, Cau Cat 
Culvert. 
1. GIỚI THIỆU CHUNG* 
Trí tuệ nhân tạo (Artificial Intelligence - AI) 
ngày càng được ứng dụng rộng rãi trong nhiều 
lĩnh vực khác nhau của đời sống. AI có thể được 
áp dụng trong ngành Thủy lợi để dự báo mực 
nước hoặc lưu lượng dòng chảy trong sông 
nhằm cảnh báo lũ, góp phần giảm nhẹ và phòng 
ngừa tác hại của lũ lụt, hoặc dự báo mực nước 
Ngày nhận bài: 11/10/2018 
Ngày thông qua phản biện: 30/11/2018 
ở các cống tưới tiêu kết hợp nhằm giúp cho quy 
trình vận hành cống phù hợp và hiệu quả. Nhằm 
giúp độc giả hiểu rõ hơn các ứng dụng của AI 
trong lĩnh vực tài nguyên nước, bài báo này 
trình bày một mô hình áp dụng mạng nơ-ron 
nhân tạo (Artificial Neural Network - ANN) để 
dự báo mực nước sông vùng chịu ảnh hưởng 
của thủy triều. 
Ngày duyệt đăng: 05/12/2018 
KHOA HỌC CÔNG NGHỆ 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 52 - 2019 2
Từ trước đến nay, các mô hình thủy lực được áp 
dụng rộng rãi ở Việt Nam cũng như trên thế giới 
để tính toán dòng chảy trong sông vùng chịu 
ảnh hưởng của thủy triều, phục vụ cho công tác 
quy hoạch phòng chống lũ lụt hay hạn hán, xâm 
nhập mặn. Tuy nhiên, các mô hình này thường 
yêu cầu một lượng lớn các dữ liệu đầu vào như 
địa hình, lượng mưa, các lưu lượng chảy qua 
cống lấy nước hay thoát nước... Các thông số 
của mô hình phải được hiệu chỉnh và kiểm định 
dựa trên nhiều tài liệu thực đo, do đó không dễ 
dàng lựa chọn các thông số phù hợp. Trong 
trường hợp không có đủ tài liệu địa hình, địa 
mạo và tùy theo nhu cầu thực tế, mô hình mạng 
nơ-ron nhân tạo (ANN) có thể được áp dụng để 
dự báo các yếu tố thủy văn, thủy lực của dòng 
chảy. Các mô hình ANN dựa trên mối quan hệ 
giữa các dữ liệu đầu vào và đầu ra để học các 
quy luật trong quá khứ từ đó đưa ra các dự báo 
trong tương lai. 
Trên thế giới, các mô hình ANN đã được sử 
dụng để dự báo lũ từ năm 1990. Sau đó, các nhà 
khoa học đã áp dụng và cải tiến các thuật toán 
trong mô hình ANN nhằm tăng độ chính xác 
trong dự báo (Lê Xuân Hiền, Hồ Việt Hùng, 
2018) [1]. Asaad Y. Shamseldin (2010) [5] đã 
khai thác sử dụng mạng nơ-ron nhân tạo để dự 
báo lưu lượng dòng chảy sông Nile xanh ở 
Sudan. Trong nghiên cứu này, tác giả đã sử 
dụng giá trị lưu lượng dòng chảy trung bình 
ngày của sông Nile xanh đo tại Eldeim gần biên 
giới Sudan - Ethiopia và dữ liệu lượng mưa 
trung bình ngày trong khu vực cho giai đoạn 
bốn năm 1992-1995 để dự báo. Chen, J.F. và 
nnk (2014) [6] đã sử dụng thuật toán Cuckoo 
Search để dự báo lưu lượng dòng chảy đến hồ 
Hòa Bình, Việt Nam. Ngoài ra, có thể kể đến 
các nghiên cứu ở trong nước như: Trương Xuân 
Nam, Nguyễn Thanh Tùng (2016) đã sử dụng 
phương pháp Học sâu để dự báo lưu lượng nước 
đến hồ Hòa Bình [4]. Trong nghiên cứu này, các 
tác giả đã sử dụng dữ liệu đầu vào là lưu lượng 
mùa kiệt từ năm 1964 đến 2002 với bước thời 
gian quan trắc 10 ngày và đưa ra dự báo lưu 
lượng dòng chảy cho 10 ngày sau đó. Lê Xuân 
Hiền, Hồ Việt Hùng (2018) đã ứng dụng mô 
hình bộ nhớ gần xa, Long Short-Term Memory 
(LSTM) để dự báo mực nước tại các trạm thủy 
văn ở Hải Phòng, khu vực bị ảnh hưởng của 
thủy triều. Các tác giả đã sử dụng dữ liệu là mực 
nước giờ để dự báo mực nước trong tương lai 
từ 1 giờ đến 5 giờ, tại trạm Quang Phục và Cửa 
Cấm [1]. Hồ Việt Hùng và nnk (2018) đã xây 
dựng một mô hình toán dựa trên mạng nơ-ron 
hồi quy (Recurrent Neural Network - RNN), 
một dạng ứng dụng chuyên sâu của mô hình 
ANN, để dự báo lưu lượng lũ sông Đà tại Lai 
Châu trước 1 ngày [2] và dự báo lưu lượng dòng 
chảy sông Hồng tại trạm Sơn Tây trước 1 ngày, 
2 ngày và 3 ngày [3]. Mô hình mà các tác giả đề 
xuất không đòi hỏi các dữ liệu về địa hình và 
thảm phủ bề mặt lưu vực sông, chỉ cần các dữ 
liệu về lưu lượng dòng chảy. Lê Xuân Hiền và 
nnk (2018) đã sử dụng mô hình LSTM để dự 
báo lưu lượng nước về hồ Hòa Bình trước 6 giờ, 
12 giờ và 18 giờ [7]. Những nghiên cứu kể trên 
cho thấy rằng, các mô hình dự báo dòng chảy 
dựa trên ANN ngày càng phổ biến và có thể ứng 
dụng rộng rãi trong ngành Thủy lợi. 
Trong bài báo này, các tác giả xây dựng một mô 
hình mạng nơ-ron hồi quy (RNN) để dự báo 
mực nước ở hạ lưu cống – âu thuyền Cầu Cất 
thuộc hệ thống thủy lợi Bắc Hưng Hải, với 4 
trường hợp dự báo: 6 giờ, 12 giờ, 18 giờ và 24 
giờ. 
2. PHƯƠNG PHÁP NGHIÊN CỨU VÀ DỮ 
LIỆU ĐẦU VÀO 
2.1. Mạng nơ-ron hồi quy (RNN) và mạng 
LSTM 
Mạng nơ-ron nhân tạo được mô phỏng dựa trên 
hoạt động của hệ thống thần kinh động vật, là 
mô hình xử lý thông tin nhờ một lượng lớn các 
nơ-ron được gắn kết với nhau. Cấu trúc cơ bản 
của một ANN gồm 3 thành phần, được gọi là: 
lớp dữ liệu đầu vào (Input layer), lớp ẩn 
(Hidden layer) và lớp dữ liệu đầu ra (Output 
layer) như Hình 1 [3]. Một ANN có thể có một 
KHOA HỌC CÔNG NGHỆ 
 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 52 - 2019 3
hoặc nhiều lớp ẩn, phụ thuộc vào kích thước của 
tập dữ liệu đầu vào và yêu cầu về độ chính xác 
của kết quả dự báo. 
Mạng nơ-ron hồi quy (RNN) khác với mạng 
ANN truyền thống là: nó chứa các vòng lặp bên 
trong, cho phép thông tin có thể lưu lại được. 
Long Short-Term Memory networks (LSTM) 
là một dạng đặc biệt của RNN nhằm giải quyết 
các bài toán có sự phụ thuộc dài hạn (long-term 
dependency). LSTM xuất hiện lần đầu tiên vào 
năm 1997, sau đó đã được cải tiến và phổ biến 
rộng rãi. Nhiều mô hình dự báo đã cho kết quả 
tốt khi sử dụng LSTM vì nó có khả năng học 
được các phụ thuộc xa và ghi nhớ thông tin 
trong một khoảng thời gian dài [2]. 
Hình 1: Cấu trúc của một ANN [3] 
Hình 2: Cấu trúc của một mô đun LSTM [1] 
Mạng LSTM có kiến trúc dạng chuỗi gồm các 
mô đun lặp đi lặp lại, nó không chỉ có 1 tầng 
nơ-ron như RNN chuẩn mà có tới 4 tầng tương 
tác với nhau một cách đặc biệt (Hình 2) [1]. Mỗi 
mô đun LSTM gồm có trạng thái tế bào (cell 
state) và các cổng (gate). Trạng thái tế bào chạy 
xuyên suốt qua tất cả các mô đun giúp thông tin 
được truyền đạt dễ dàng, còn cổng là nơi sàng 
lọc thông tin đi qua nó, có 3 cổng và 4 tầng 
trong một mô đun LSTM. Đầu tiên là tầng của 
cổng quên ft (forget gate layer), nó sẽ quyết định 
thông tin nào cần bỏ đi từ trạng thái tế bào. Đầu 
vào của tầng này là ht-1 (giá trị đầu ra tại thời 
điểm t-1) và xt (dữ liệu đầu vào, hiện tại); đầu 
ra của nó là ft, một số trong khoảng từ 0 đến 1 
cho mỗi số trong trạng thái tế bào Ct-1. 
t f t 1 t ff (W .[h ,x ] b ) (1) 
Trong đó:  là hàm sigmoid, Wf và bf lần 
lượt là trọng số và tham số của tầng cổng 
quên. 
Hai tầng tiếp theo sẽ quyết định thông tin lưu 
vào trạng thái tế bào và cập nhật giá trị cho trạng 
thái này, đó là tầng cổng vào it (input gate layer) 
và một tầng tanh Nt (tanh layer). 
t i t 1 t ii (W.[h ,x ] b ) (2) 
t C t 1 t CN tanh(W .[h ,x ] b ) (3) 
t t t 1 t tC f *C i *N (4) 
Trong đó: Ct-1 và Ct là trạng thái tế bào lần lượt 
ở thời điểm t-1 và t; Wi và bi lần lượt là trọng 
số và tham số của tầng cổng vào. WC và bC là 
trọng số và tham số của trạng thái tế bào; tanh 
là hàm hyperbolic tangent. 
KHOA HỌC CÔNG NGHỆ 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 52 - 2019 4
Cuối cùng là tầng cổng ra ot (output gate), giá 
trị đầu ra (ht) sẽ được quyết định bởi trạng thái 
tế bào muốn xuất ra. 
t o t 1 t oo (W .[h ,x ] b ) (5) 
t t th o *tanh(C ) (6) 
Trong đó: Wo và bo lần lượt là trọng số và tham 
số của tầng cổng ra. 
Trong nghiên cứu này, thư viện phần mềm mã 
nguồn mở TensorFlow của Google, các thư 
viện Numpy, Pandas, Keras cùng với ngôn ngữ 
lập trình Python 3.6 đã được sử dụng để thiết 
lập một mô hình LSTM. 
2.2. Phương pháp đánh giá 
Để đánh giá mức độ chính xác của kết quả mô 
hình, các tác giả sử dụng hai trị số, đó là RMSE 
(Root Mean Squared Error – sai số căn quân 
phương) và NSE (Nash Sutcliffe Efficiency – 
hệ số Nash), được tính toán bằng các công thức 
(7) và (8) [1]. 
n
2
i i
i 1
1
RMSE O P
n 
  (7) 
n
2
i i
i 1
n 2
ii
i 1
O P
NSE 1
O O


 (8) 
Trong đó: Oi, iO và Pi lần lượt là giá trị thực đo, 
giá trị thực đo trung bình và giá trị dự báo của 
mẫu thứ i. Mô hình dự báo có độ chính xác cao 
khi giá trị của RMSE nhỏ và NSE lớn. 
2.3. Dữ liệu đầu vào của mô hình 
Mô hình LSTM được xây dựng để dự báo mực 
nước ở hạ lưu cống – âu thuyền Cầu Cất, nối 
sông Bắc Hưng Hải với sông Thái Bình (Hình 
3). Đây là một trong các cống chính của hệ 
thống thủy lợi Bắc Hưng Hải, cống – âu thuyền 
kết hợp lấy nước hoặc tiêu nước ra sông Thái 
Bình, có hệ thống đo mực nước 6 giờ một lần, 
vào lúc 1h, 7h, 13h, 19h. Cống có 1 cửa với kích 
thước B x H= 6.0 x 6.45 m; Cao trình đáy cống 
là -1.50 m [8]. 
Hình 3: Vị trí cống Cầu Cất trong sơ đồ hệ thống Bắc Hưng Hải 
Dự liệu đầu vào của mô hình là mực nước hạ 
lưu cống Cầu Cất, phía sông Thái Bình, 6 giờ 
đo một lần, từ 01h ngày 01/01/2000 đến 19h 
ngày 10/11/2018 (27559 số liệu). Tập dữ liệu 
này được chia thành 3 phần. Phần thứ nhất là 
chuỗi số liệu được đo đạc trong 18 năm (26059 
số liệu) từ 01h ngày 01/01/2000 đến 19h ngày 
31/10/2017 dùng để hiệu chỉnh (training) mô 
hình và lựa chọn các thông số tốt nhất cho mô 
hình LSTM. Phần thứ hai là chuỗi số liệu thực 
đo trong 1 năm (1460 số liệu), từ 01h ngày 
01/11/2017 đến 19h ngày 31/10/2018, dùng để 
KHOA HỌC CÔNG NGHỆ 
 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 52 - 2019 5
kiểm định (test) các thông số mô hình. Phần thứ 
ba là các số liệu thực đo trong 10 ngày đầu 
tháng 11/2018 dùng để dự báo thử mực nước hạ 
lưu cống Cầu Cất và so sánh kết quả dự báo với 
mực nước thực đo tại cống này. 
2.4. Thiết kế mô hình 
Mô hình LSTM được xây dựng để dự báo mực 
nước lần lượt cho từng trường hợp: 6 giờ, 12 
giờ, 18 giờ và 24 giờ. Với mỗi trường hợp, các 
thông số của mô hình có thể được điều chỉnh 
bằng cách thử dần cho đến khi đạt kết quả tốt 
nhất. Mô hình cũng được lập trình để tự động 
tính các trị số của RMSE và NSE theo công 
thức (7) và (8). Sau quá trình hiệu chỉnh và kiểm 
định, các thông số phù hợp nhất của mô hình 
cho mỗi trường hợp đã được lựa chọn để phục 
vụ việc dự báo. Dữ liệu đầu vào của mô hình 
LSTM là mực nước thực đo trong 12 bước thời 
gian gần nhất (từ t-11, t-10, đến t-0), tức 
trong 72 giờ gần nhất trước thời điểm t, để dự 
báo cho 6 giờ, 12 giờ, 18 giờ hoặc 24 giờ trong 
tương lai sau thời điểm t (tức t+1, t+2, t+3, t+4). 
Chiều dài chuỗi là 12 bước thời gian (time step) 
vì 72 giờ gần nhất tác động tới kết quả dự báo 
nhiều nhất, các số liệu trong quá khứ xa hơn chỉ 
bổ sung thêm thông tin. Số lượng mô đun 
(LSTM cells) cũng được lựa chọn dựa trên kết 
quả tính thử dần của từng trường hợp, với 42 
hoặc 43 mô đun, NSE có trị số cao nhất. Để 
tránh hiện tượng quá khớp với thực đo (Over 
fitting) trong quá trình hiệu chỉnh mô hình, kỹ 
thuật dừng lại sớm (Early stopping) đã được sử 
dụng. Do đó, số lần lặp (Epoch) là do mô hình 
tự động chọn và nó tự dừng tính toán khi có kết 
quả tốt. Như vậy, các thông số cũng như cấu 
trúc của mô hình được chọn thông qua quá trình 
thử dần và được đánh giá dựa trên các trị số 
RMSE và NSE. 
3. KẾT QUẢ NGHIÊN CỨU 
3.1. Kết quả kiểm định mô hình 
Sử dụng cấu trúc mô hình đã được lựa chọn như 
trên, các tác giả tiến hành kiểm định mô hình cho 
tất cả 4 trường hợp, với thời gian dự báo là 6 giờ, 
12 giờ, 18 giờ và 24 giờ, bằng cách so sánh kết 
quả dự báo với số liệu thực đo mực nước tại hạ 
lưu cống Cầu Cất trong thời gian 1 năm, từ ngày 
01/11/2017 đến ngày 31/10/2018. Kết quả kiểm 
định mô hình được thể hiện trên các đồ thị từ 
Hình 4 đến Hình 8 và Bảng 1. Có thể thấy rằng, 
kết quả kiểm định có độ chính xác cao, hệ số 
NSE dao động từ 95.3% đến 91.6%. Khi có lũ 
trên sông Thái Bình, đỉnh lũ kết hợp với đỉnh 
triều làm mực nước dâng cao nhưng mô hình vẫn 
dự báo đúng thời gian xuất hiện đỉnh lũ. Tuy 
nhiên, mực nước dự báo chân triều có xu hướng 
cao hơn thực đo khi dự báo 12 giờ và xa hơn. Dự 
báo 6 giờ cho kết quả tốt nhất với sai số RMSE 
chỉ có 13cm. Khi dự báo xa hơn cho tương lai, 
độ chính xác (hệ số NSE) giảm xuống. 
Bảng 1: Thông số mô hình và kết quả kiểm định cho 4 trường hợp 
Dự báo 
 (h) 
Chiều dài 
chuỗi (số) 
Số trạm 
đo MN 
LSTM 
cells 
Số lần 
lặp 
RMSE (m) NSE (%) 
6 12 1 42 1200 0.131 95.3% 
12 12 1 43 940 0.174 91.7% 
18 12 1 42 1349 0.171 92.0% 
24 12 1 43 1281 0.176 91.6% 
KHOA HỌC CÔNG NGHỆ 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 52 - 2019 6
Hình 4: So sánh số liệu thực đo với mực nước dự báo 6 giờ 
Hình 5: So sánh số liệu thực đo với mực nước dự báo 12 giờ 
Hình 6: So sánh số liệu thực đo với mực nước dự báo 18 giờ 
KHOA HỌC CÔNG NGHỆ 
 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 52 - 2019 7
Hình 7: So sánh số liệu thực đo với mực nước dự báo 24 giờ 
Hình 8: So sánh mực nước thực đo với dự báo 6 giờ (trái) và 24 giờ (phải) 
Sau quá trình hiệu chỉnh và kiểm định, các 
thông số của mô hình đã được chọn cho từng 
trường hợp. Sau đó, tất cả các số liệu của phần 
1 và phần 2 trong tập dữ liệu đầu vào đã được 
tập hợp để hoàn thành (Finalize) 4 mô hình dự 
báo. Các mô hình này được ghi lại thành 4 files 
dưới định dạng *.h5 phục vụ việc dự báo. 
3.1. Kết quả dự báo mực nước trong tương 
lai gần 
Để tiến hành dự báo thử nghiệm cho từng trường 
hợp, chúng tôi cho chạy các file định dạng *.h5 
trong môi trường Python 3.6 sử dụng TensorFlow 
backend, keras, numpy, pandas, sklearn. 
Phần dữ liệu thứ ba gồm 5 ngày, từ ngày 
01/11/2018 đến 05/11/2018 đã được sử dụng, 
trong đó: 72 giờ của 4 ngày đầu được dùng như 
dữ liệu đầu vào của mô hình để đưa ra kết quả 
dự báo mực nước, 24 giờ của ngày cuối cùng 
dùng để đánh giá kết quả dự báo. Đây là tập dữ 
liệu độc lập và chưa được sử dụng trước đây 
nhằm đảm bảo tính khách quan của kết quả dự 
báo. Kết quả dự báo được so sánh với số liệu 
thực đo trong ngày 4/11 và ngày 5/11/2018. Các 
thông số mô hình và kết quả dự báo mực nước 
ở hạ lưu cống Cầu Cất với 4 trường hợp khác 
nhau được thể hiện trong Bảng 2. 
KHOA HỌC CÔNG NGHỆ 
TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 52 - 2019 8
Có thể thấy rằng, chênh lệch giữa kết quả dự 
báo và thực đo là nhỏ, từ 1cm đến 13cm. Lúc 
19h ngày 4/11/2018 xuất hiện đỉnh triều nên 
sai số dự báo lên tới 13cm (8.5%), mặc dù chỉ 
dự báo 6 giờ. Dự báo xa nhất, 24 giờ, cũng có 
sai số 13cm (11.2%), đây là sai số lớn nhất. 
Vào các thời điểm còn lại sai số nhỏ hơn (1cm 
và 3cm). Rõ ràng việc đo mực nước 6 giờ một 
lần cũng ảnh hưởng đến kết quả dự báo. Nếu 
mực nước được đo 3 giờ một lần, hoặc mỗi 2 
giờ thì kết quả dự báo sẽ tốt hơn, độ chính xác 
sẽ tăng lên, vì đây là vùng chịu ảnh hưởng của 
thủy triều, mực nước thay đổi nhanh theo từng 
giờ. 
Bảng 2: Thông số mô hình và kết quả dự báo thử nghiệm 
Ngày, 
Tháng, Năm 
Giờ 
Dự báo 
(h) 
Chiều dài 
chuỗi SL 
 (số) 
LSTM 
cells 
Số lần 
lặp 
MN 
thực đo 
 (m) 
MN dự 
báo 
(m) 
Chênh 
lệch 
 (m) 
Sai 
số 
 (%) 
4-Nov-2018 19:00 6 12 42 4000 1.53 1.40 -0.13 -8.5 
5-Nov-2018 1:00 12 12 43 2135 0.96 0.93 -0.03 -3.1 
5-Nov-2018 7:00 18 12 42 2657 0.67 0.68 0.01 1.5 
5-Nov-2018 13:00 24 12 43 2628 1.16 1.29 0.13 11.2 
4. KẾT LUẬN 
Trong bài báo này, các tác giả đã trình bày 
phương pháp nghiên cứu để xây dựng một mô 
hình LSTM và sử dụng nó để dự báo mực nước 
ở hạ lưu cống Cầu Cất thuộc hệ thống thủy lợi 
Bắc Hưng Hải. Dữ liệu đầu vào chỉ là mực 
nước ở hạ lưu cống Cầu Cất trong quá khứ, từ 
ngày 01/01/2000 đến ngày 31/10/2018. Kết 
quả dự báo là mực nước tại cống này sau thời 
điểm kể trên 6 giờ, 12 giờ, 18 giờ và 24 giờ. 
Sản phẩm của nghiên cứu này là 4 files, người 
sử dụng có thể chạy các file này để dự báo mực 
nước ở hạ lưu cống Cầu Cất cho 6 giờ, 12 giờ, 
18 giờ và 24 giờ tương lai, sau khi nhập các số 
liệu mực nước của 72 giờ trước đó. Mô hình 
mà các tác giả đề xuất cho kết quả có độ chính 
xác cao và ổn định, nó có thể dự báo mực nước 
tại các cống vùng triều, giúp cho việc quản lý, 
vận hành cống an toàn, hiệu quả. 
TÀI LIỆU THAM KHẢO 
[1] Lê Xuân Hiền, Hồ Việt Hùng (2018). “Ứng dụng mạng Long Short-Term Memory (LSTM) 
để dự báo mực nước tại trạm Quang Phục và Cửa Cấm, Hải Phòng, Việt Nam”. Tạp chí 
Thủy lợi và môi trường số 62 (tháng 9/2018), Đại học Thủy lợi. 
[2] Hồ Việt Hùng, Lê Xuân Hiền, Giha Lee (2018). “xây dựng mô hình mạng nơ-ron hồi quy 
dựa trên phần mềm mã nguồn mở để dự báo lưu lượng dòng chảy”. Tuyển tập Hội nghị Khoa 
học thường niên năm 2018, Đại học Thủy lợi. 
[3] Hồ Việt Hùng, Lê Xuân Hiền, Giha Lee (2018). “Ứng dụng mạng thần kinh nhân tạo dự báo 
lưu lượng dòng chảy sông Hồng tại Sơn Tây dựa trên dữ liệu ở thượng lưu”. Hội nghị Khoa 
học thường niên năm 2018, Hội Cơ học Thủy khí. 
CHUYỂN GIAO CÔNG NGHỆ 
 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 52 - 2019 9
[4] Trương Xuân Nam, Nguyễn Thanh Tùng (2016). “Deep learning: Ứng dụng cho dự báo lưu 
lượng nước đến hồ chứa Hòa Bình”. Tuyển tập Hội nghị Khoa học thường niên năm 2016, 
Đại học Thủy lợi. 
[5] Asaad Y. Shamseldin (2010). “Artificial neural network model for river flow forecasting in 
a developing country”. Journal of Hydroinformatics, 12.1. 
[6] Chen, J.F., Hsieh, H.N., and Do, Q.H. (2014). “Forecasting Hoabinh Reservoir’s Incoming 
Flow: An Application of Neural Networks with the Cuckoo Search Algorithm”. Information. 
5, 570-586. 
[7] Le, X.H., Ho, V.H., Lee, G.H., and Jung, S.H. (2018) “A Deep Neural Network Application 
for Forecasting the Inflow into the Hoabinh Reservoir in Vietnam”. Proceeding of 
International Symposium on Lowland Technology. 
[8] Website: