Trong bài viết này, đề xuất sử dụng mô hình lai, phối hợp máy học vectơ hỗ trợ SVM (Support Vector Machine) và mô hình khai triển theo phương pháp tuyến tính SVD (Singular Value Decomposition) để dự báo và ước lượng giá trị độ ẩm lớn nhất và nhỏ nhất trong ngày tại thành phố Hải Dương, Việt Nam. | Ứng dụng mạng nơron SVM trong mô hình lai dự báo độ ẩm lớn nhất và nhỏ nhất trong ngày NGHIÊN CỨU KHOA HỌC ỨNG DỤNG MẠNG NƠRON SVM TRONG MÔ HÌNH LAI DỰ BÁO ĐỘ ẨM LỚN NHẤT VÀ NHỎ NHẤT TRONG NGÀY APPLICATIONS OF SVM NETWORKS IN HYBRID MODEL FOR PREDICT THE MAXIMUM AND MINIMUM HUMIDITY OF THE DAY Đỗ Văn Đỉnh, Vũ Quang Ngọc Email: dodinh75@ Trường Đại học Sao Đỏ Ngày nhận bài: 17/11/2018 Ngày nhận bài sửa sau phản biện: 20/3/2018 Ngày chấp nhận đăng: 28/3/2018 Tóm tắt Dự báo độ ẩm môi trường trong ngày là một trong những bài toán không chỉ ở Việt Nam mà các quốc gia trên thế giới đang rất quan tâm tới. Bài toán dự báo trên có tính chất phụ thuộc nhiều vào điều kiện địa lý và mang tính khu vực. Do đó, tại từng khu vực và vùng miền khác nhau cần xác lập bộ thông số dữ liệu phù hợp cho quá trình dự báo. Trong bài báo này, đề xuất sử dụng mô hình lai, phối hợp máy học vectơ hỗ trợ SVM (Support Vector Machine) và mô hình khai triển theo phương pháp tuyến tính SVD (Singular Value Decomposition) để dự báo và ước lượng giá trị độ ẩm lớn nhất và nhỏ nhất trong ngày tại thành phố Hải Dương, Việt Nam. Bộ số liệu đầu vào là giá trị lớn nhất, nhỏ nhất của nhiệt độ, độ ẩm, tốc độ gió và giá trị trung bình của lượng mưa, số giờ nắng của các ngày trước đó. Chất lượng của giải pháp đề xuất được kiểm nghiệm trên bộ số liệu quan trắc thực tế (2191 ngày, từ ngày 01/01/2010 đến ngày 31/12/2015) ở thành phố Hải Dương, Việt Nam. Kết quả thực nghiệm cho sai số tuyệt đối trung bình MAE = 4,23%. Từ khóa: Dự báo; mô hình lai; máy học vectơ hỗ trợ; độ ẩm lớn nhất, nhỏ nhất trong ngày. Abstract Forecasting the humidity of the day is one of the problems not only in Vietnam but also in other countries in the world. The prediction problem is highly dependent on geographic and regional conditions. Therefore, in different regions and regions, it is necessary to establish appropriate data sets for the forecasting process. In
