NÂNG CAO ĐỘ CHÍNH XÁC DỰ BÁO MỰC NƯỚC BẰNG MÔ HÌNH LSTM KẾT HỢP CƠ CHẾ ATTENTION: NGHIÊN CỨU TRƯỜNG HỢP TẠI HÀ NỘI

Dự báo chính xác mực nước đóng vai trò quan trọng trong công tác quản lý tài nguyên nước và giảm thiểu rủi ro lũ lụt. Các phương pháp dự báo truyền thống, bao gồm các mô hình tuyến tính và mô hình thống kê, thường cho hiệu quả hạn chế khi xử lý các chuỗi thời gian có tính phi tuyến và phức tạp. Nghiên cứu này đề xuất một mô hình hình dự báo mực nước dựa trên LSTM, được tăng cường bằng các cơ chế chú ý, bao gồm Multi-Head Attention, DropAttention và Global Self-Attention. Các mô hình được đánh giá sử dụng bộ dữ liệu thủy văn theo ngày tại trạm Hà Nội và các hồ thủy điện thượng nguồn trong giai đoạn 2008–2016, với trọng tâm là bài toán dự báo trước 3 ngày. Hiệu suất dự báo được đánh giá thông qua các chỉ số MAE, RMSE và NSE. Kết quả cho thấy các mô hình LSTM kết hợp cơ chế chú ý vượt trội so với LSTM truyền thống, trong đó mô hình LSTM kết hợp Global Self-Attention đạt độ chính xác cao nhất. Những kết quả này khẳng định tính hiệu quả của cơ chế Attention trong bài toán dự báo mực nước, đồng thời cho thấy tiềm năng ứng dụng của mô hình trong các bài toán dự báo thủy văn thực tiễn.