跳到主要內容

臺灣博碩士論文加值系統

(44.200.194.255) 您好!臺灣時間:2024/07/20 14:59
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

我願授權國圖
: 
twitterline
研究生:趙軒萱
研究生(外文):Hsuan-Hsuan Chao
論文名稱:以LSTM為基礎之預測系統研究-以水質溶氧量預測為例
論文名稱(外文):Investigation on Prediction Systems based on LSTM — prediction for dissolved oxygen (DO) in water
指導教授:洪麗玲洪麗玲引用關係
指導教授(外文):Li-Ling Hung
口試委員:溫志中林熙中
口試委員(外文):Chih-Chung WenHsi-Chung Lin
口試日期:2021-01-29
學位類別:碩士
校院名稱:真理大學
系所名稱:資訊工程學系碩士班
學門:工程學門
學類:電資工程學類
論文種類:學術論文
論文出版年:2021
畢業學年度:109
語文別:中文
論文頁數:49
中文關鍵詞:機器學習預測模型溶氧量(DO)
外文關鍵詞:Machine learningPrediction modelDissolved oxygen (DO)
相關次數:
  • 被引用被引用:0
  • 點閱點閱:297
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:1
氣候的變遷與工業的發展對水資源帶來較大的影響,且水質的好壞又會牽動人類及整個生態系的狀態。目前水質的檢測仰賴多種監測系統所蒐集到的資料,當中更有些資料是無法立即得知或者需要更昂貴的設備進行分析才能得知。大多數的專家都同意水中的溶氧量(DO)是判斷水質好壞的主要指標,但其資訊的得知程序較為複雜及繁瑣,若能簡化其資訊取得的難度,將可讓水資源的管理更有效率。
機器學習系統近年來常被開發來協助許多複雜的決策工作,我們開發一以LSTM為基礎之預測模型,除了設計出機器學習的模型,同時透過大量資料的提供,使其找出規律並學習以提升模型的預測能力。
透過模型對監測水質分析後,所得到的資料來判斷及預測水質狀態並能及時處理水污染的問題。

Climate change and industrial development have great influenced the statuses water resources, and the quality of water has a very significant impact on humans and the entire ecosystem. The current water quality measuring relies on the data collected by various monitoring systems, some of which are not immediately available or require more expensive equipment to analyze.
Most experts agree that the amount of dissolved oxygen (DO) in the water is the main indicator for measuring the quality of water. However, the process of obtaining information is very complicated. For managing quality of water resource efficiently, to simplify the compliment of water resource measurement is proposed.
In recent years, artificial intelligence is often developed to assist in many complex decision-making tasks. We develop a prediction model based on LSTM. We design a stacked LSTM model and provide a large amount of data to train the prediction system. Improve the predictive ability of the model. Through the model, the water quality can be monitored and analyzed, and the data obtained can be used to judge and predict the water quality state and deal with water pollution problems in time.

目錄
第 一 章 序論 1
1.1 研究背景與動機 1
1.2 研究目的與方法 2
1.3論文組織架構 7
第 二 章 文獻探討 8
2.1資料處理 8
2.2低擬合與過擬合 9
2.3機器學習 11
2.4 遞迴式神經網路 13
2.5長短期記憶神經網路 15
2.6 雙向長短期記憶神經網路 19
第 三 章 研究方法 21
3.1 研究架構 21
3.2 研究區間 21
3.3 資料預處理 22
3.3.1 皮爾森相關係數及斯皮爾曼相關係數 22
3.3.2 高斯濾波器及中值濾波器 24
3.4 建構及訓練預測模型 25
3.5 模型評估 29
3.5.1高斯濾波器及中值濾波器之比較 30
第 四 章 研究結果 32
4.1 模型評估 32
4.1.1 Single cell LSTM 模型評估 32
4.1.2 Stacked 2 LSTM模型 34
4.1.3 Bi-LSTM模型 36
4.1.4 Stacked 3 LSTM模型 38
4.2 模型選用參數之預測結果比較 39
4.3 模型預測結果比較 41
4.4 模型預測結果之水資源分析 43
第 五 章 結論與未來展望 46
第 六 章 參考文獻 47



圖目錄
圖 1:低擬合與過擬合的狀況 [25] 10
圖 2:人工智慧範疇[30] 12
圖 3:RNN架構 13
圖 4:LSTM架構 [11] 16
圖 5:LSTM架構函數說明 [12] 17
圖 6:BI-LSTM架構[14] 20
圖 7:皮爾森相關係數之變數相關性熱力圖 23
圖 8:斯皮爾曼相關係數之變數相關性熱力圖 23
圖 9:高斯分佈 25
圖 10:激勵函數RELU FUNCTION 26
圖 11:STACKED 2 LSTM模型內部架構 27
圖 12:堆疊式長短期記憶模型(STACKED 2 LSTM) 28
圖 13:堆疊式LSTM架構函數說明[32] 28
圖 14:STACKED 2 LSTM模型學習次數收斂情況 29
圖 15: SINGLE CELL LSTM 訓練預測LOSS值變化可視化 33
圖 16: SINGLE CELL LSTM 每小時預測結果可視化 33
圖 17:SINGLE CELL LSTM 前720小時預測結果可視化 34
圖 18: STACKED 2 LSTM 訓練預測LOSS值變化可視化 34
圖 19: STACKED 2 LSTM 每小時預測結果可視化 35
圖 20:STACKED 2 LSTM前720小時預測結果可視化 35
圖 21: BI-LSTM 訓練預測LOSS值變化可視化 36
圖 22: BI-LSTM 每小時預測結果可視化 37
圖 23:BI-LSTM 前720小時預測結果可視化 37
圖 24為STACKED 3 LSTM模型內部架構 38
圖 25:STACKED 3 LSTM訓練預測LOSS值變化可視化 38
圖 26: STACKED 3 LSTM 每小時預測結果可視化 39
圖 27:STACKED 3 LSTM前720小時預測結果可視化 39
圖 28:模型預測效能統計圖 43
圖 29:溶氧量(DO)每小時預測結果可視化 44
圖 30:溫度(TEMPERATURE)每小時預測結果可視化 44
圖 31:酸鹼值(PH)每小時預測結果可視化 44


表目錄
表- 1:各國智慧水資源管理計畫案例盤點表 4
表- 2: LSTM符號說明 16
表- 3:使用高斯濾波器及中值濾波器之堆疊式LSTM預測結果比較 31
表- 4:高斯濾波器 ( GAUSSIAN FILTER )參數值調整預測結果比較 31
表- 5:輸入參數之預測結果比較 40
表- 6:STACKED 3 LSTM與STACKED 2 LSTM預測結果比較 42
表- 7:SINGLE CELL LSTM、STACKED 2 LSTM、BI-LSTM及STACKED 3 LSTM預測結果比較 42


1.United Nations Educational, Scientific and Cultural Organization (UNESCO). (2018). The United Nations world water development report 2018: nature-based solutions for water. ISBN: 978-92-3-100264-9
2.辜樹仁。2018。雨愈下愈多,能解缺水之苦?聯合國告訴你錯了。天下雜誌第642期:滿水位的秘密。
3.陳鴻烈、蔡大偉、呂銘淵。2009。最佳水質指標選擇之研究。碩士論文。國立中興大學。
4.經濟部水利署。2017。因應氣候變遷應用大數據推估水資源供需情勢研究(1/2)。國際氣候發展智庫學會。
5.行政院主計總處。2001。我國編算成果-90年臺灣地區試編結果─環境品質質損。行政院。
6.National Museum of Marine Biology & Aquarium, (2020), Taiwan’s marine ecology information learning network. http://study.nmmba.gov.tw
7.Gillanders, B. M., Elsdon, T. S., Halliday, I. A., Jenkins, G. P., Robins, J. B., and Valesini, F.J., (2011), Potential effects of climate change on australian estuaries and fish utilising estuaries: a review. Mar. Fresh. Res. 62,1115–1131. doi: 10.1071/MF11047
8.Vilas, M. P., Marti, C. L., Adams, M. P., Oldham, C. E., and Hipsey, M. R., (2017), Invasive macrophytes control the spatial and temporal patterns of temperature and dissolved oxygen in a shallow lake: a proposed feedback mechanism of macrophyte loss. Front. Plant Sci. 8: 2097. doi:10.3389/fpls.2017.02097
9.Vilas, M. P., Marti, C. L., Oldham, C. E., and Hipsey, M. R., (2018), Macrophyte-induced thermal stratification in a shallow urban lake promotes conditions suitable for nitrogen-fixing cyanobacteria. Hydrobiologia 806, 411– 426. doi: 10.1007/s10750-017-3376-z
10.賴建宏。2018。使用長短期記憶類神經網路建構中文語音辨識器之研究。碩士論文。國立交通大學。
11.S. Hochreiter and J. Schmidhuber, (1997), "Long short-term memory," Neural computation, vol. 9, pp. 1735-1780
12.c.s. blog. (2015, August 27). Understanding LSTM Networks. Available: http://colah.github.io/posts/2015-08-Understanding-LSTMs/
13.M. Schuster and K. K. Paliwal, (1997),"Bidirectional recurrent neural networks," IEEE Transactions on Signal Processing, vol. 45, pp. 2673-2681
14.Zhiyong Cui, Ruimin Ke, Ziyuan Pu and Yinhai Wang., (2017),"Stacked Bidirectional and Unidirectional LSTM Recurrent Neural Network for Network-wide Traffic Speed Prediction", Cite as:arXiv:1801.02143
15.魏夢麗、呂秀英。1999。決定係數(R2 )在迴歸分析中的解釋及正確使用。科學農業 47(11,12): 341-345。doi: http://ir.tari.gov.tw:8080/handle/345210000/152
16.Yifan Zhan, Peter Fitch, Maria P. Vilas and Peter J. Thorburn., (2019), "Applying Multi-Layer Artificial Neural Network and Mutual Information to the Prediction of Trends in Dissolved Oxygen", doi: 10.3389/fenvs.2019.00046
17.Yifan Zhan, Peter Fitch, Maria P. Vilas and Peter J. Thorburn., (2019), "Multi-task Temporal Convolutional Network for Predicting Water Quality Sensor Data", doi: https://doi.org/10.1007/978-3-030-36808-1_14
18.D. P. Kingma and J. Ba, (2014),"Adam: A method for stochastic optimization," arXivpreprint arXiv:1412.6980
19.林澔、陳源安、楊朝棟、姜自強。2019。基於深度學習技術應用於空氣品質PM2.5預測。臺灣網際網路研討會2019年。
20.維基百科。(2020)。常態分布。Available: https://zh.wikipedia.org/wiki/%E6%AD%A3%E6%80%81%E5%88%86%E5%B8%83
21.張雅茹。2018。應用機器學習分析社群網站資料以判識水災災情之研究。碩士論文。國立中興大學。
22.Muh Faisal Dinniy, Ali Ridho Barakhbah and Entin Martiana Kusumaningtyas., (2016), “Quality Measurement Classification for Water Treatment using Neural Network with Reinforcement Programming for Weighting Optimization”, 2016 Knowledge Creation and Intelligent Computing (KCIC)
23.Archana Sarkar and Prashant Pandey., (2015), “River Water Quality Modelling using Artificial Neural Network Technique”, ICWRCOE 2015
24.Junsheng Jiang., (2013), “BP Neural Network Algorithm Optimized by Genetic Algorithm and Its Simulation”, January 2013 International Journal of Computer Science Issues 10(2):516-520
25.Amazon Web Services., (2021), “Amazon Machine Learning: 開發人員指南”, 2021 Amazon Web Services, Inc. and/or its affiliates.
26.李宏毅。2016。什麼是深度學習-類神經網絡的卷土重來。Available: https://speech.ee.ntu.edu.tw/~tlkagk/document/Basic.pdf
27.Tsai, W.P., Huang, S.P., Cheng, S.T., Shao, K.T., Chang, F.J., 2016, “A data-mining framework for exploring the multi-relation between fish species and water quality through self-organizing map”, Science of the Total Environment, 579, 474-483
28.Tomoaki Kageyama, Masashi Miura, Akihiro Maeda, Akihiro Mori and Sang-Seok Lee, (2016), “A Wireless Sensor Network Platform for Water Quality Monitoring”, doi: 10.1109/ICSENS.2016.7808887
29.Ehsan Mohammady Ardehaly and Aron Culotta, (2017), “Co-training for Demographic Classification Using Deep Learning from Label Proportions”, Cite as: arXiv:1709.04108
30.Evan Touger, (2018), “What’s the Difference Between Artificial Intelligence (AI), Machine Learning, and Deep Learning?”, Available: https://www.prowesscorp.com/whats-the-difference-between-artificial-intelligence-ai-machine-learning-and-deep-learning/
31.陳慶瀚。(2014)。單元五:空間濾波。中央大學資工系。Available: http://ccy.dd.ncu.edu.tw/~chen/course/EmbeddedVision/u5/unit5_spatial_filtering.pdf
32.Chris Dyer, Miguel Ballesteros, Wang Ling, Austin Matthews, Noah A. Smith, (2015), “Transition-Based Dependency Parsing with Stack Long Short-Term Memory”, doi: 10.3115/v1/p15-1033
33.Sazia Mahfuz, Haruna Isah, Farhana Zulkernine, Pete Nicholls, (2018), “Detecting Irregular Patterns in IoT Streaming Data for Fall Detection”, doi: 10.1109/IEMCON.2018.8614822
34.Eustace M. Dogo, Abdulazeez Femi Salami, Nnamdi I. Nwulu, Clinton O. Aigbavboa, (2019), “Blockchain and Internet of Things-Based Technologies for Intelligent Water Management System”, doi: https://doi.org/10.1007/978-3-030-04110-6_7
35.IPCC, (2019), “Special Report on the Ocean and Cryosphere in a Changing Climate”, Available: https://www.unenvironment.org/resources/report/ipcc-special-report-ocean-and-cryosphere-changing-climate
36.環境資訊中心, (2019),“世紀末預言 IPCC 特別報告:人類面對更暖、更酸、更缺氧、更無魚、海平面更高的海洋”, Available: https://e-info.org.tw/node/22039


QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊