Sử dụng lập trình di truyền phát hiện mưa lớn ở một số tỉnh Việt Nam
179 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.77.2022.150-160Từ khóa:
Lập trình di truyền; Phân lớp với dữ liệu không cân bằng; Phân lớp mưa lớn.Tóm tắt
Bài toán phát hiện mưa lớn là một bài toán quan trọng trong lĩnh vực khí tượng học vì nó ảnh hưởng lớn đến các bài toán khác và đời sống và kinh tế của con người. Mỗi năm, hàng triệu người ở nhiều nơi trên thế giới phải chịu đựng những thiệt hại to lớn của mưa lớn như nước dạng làm bệnh tật lây lan, thiệt hại kinh tế, v.v. Lập trình di truyền (GP) là một phương pháp học máy dựa trên sự tiến hóa có thể xây dựng mô hình dưới dạng hàm của các thuộc tính. Bài bào đã thử nghiệm mô hình này trên tập dữ liệu 17 trạm đo ở các tỉnh của Việt Nam. Kết quả thử nghiệm cho thấy rằng lập trình di truyền có thể tiến hóa ra mô hình chính xác hơn so với các phương pháp máy học phổ biến khác như mạng nơ-ron, k láng giềng gần nhất, máy hỗ trợ véc-tơ, rừng ngẫu nhiên khi xác định có xảy ra mưa lớn hay không.
Tài liệu tham khảo
[1]. IFRC, "World Disaster Report 2020," International Federation of Red Cross and Red Crescent Societies, 2020.
[2]. V. D. B. D. N. L. N. L. Duc, "Research and quantitative ranifall forecasting from HRM and GSM model products," Vietnam Journal of Hydrometerorology, vol. 592, pp. 17-27, 2010.
[3]. S. V. a. F. H. P. G. Espejo, "A Survey on the Application of Genetic Programming to Classification," IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), vol. 40, no. 2, pp. 121-144, 2010.
[4]. N. S. A. B. A. Kumar, "A novel fitness function in genetic programming for medical data classification," Journal of Biomedical Informatics, vol. 112, 2020.
[5]. L. M. P. V. M. a. V. K. A. J. K. Kishore, "Application of genetic programming for multicategory pattern classification," IEEE Transactions on Evolutionary Computation, vol. 4, no. 3, pp. 242-258, 2000.
[6]. C. K. H. Liu, "A genetic programming-based approach to the classification of multiclass microarray datasets," Bioinformatics, vol. 25, no. 3, 2009.
[7]. K. T. T. W. E. T. X. Y. P. Wang, "Multiobjective genetic programming for maximizing ROC performance," Neurocomputing, vol. 125, pp. 102-118, 2014.
[8]. M. E. R. L. K. T. T. B. a. X. Y. P. Wang, "Convex Hull-Based Multiobjective Genetic Programming for Maximizing Receiver Operating Characteristic Performance," IEEE Transactions on Evolutionary Computation, vol. 19, no. 2, pp. 188-200, 2015.
[9]. A. P. S. A. a. T. M. K. Deb, "A fast and elitist multiobjective genetic algorithm: NSGA-II," IEEE Transactions on Evolutionary Computation, vol. 6, no. 2, pp. 182-197, 2002.
[10]. J. R. Koza, “Genetic Programming”. On the Programming of Computers by Means of Natural Selection, Massachusetts: MIT Press, Cambridge, 1992.
[11]. O. J. Dunn, "Multiple comparisons among means," J. Amer. Stat. Assoc., pp. 52-64, 2012.
[12]. S. a. P. L. a. B. G. a. P. S. a. S. Z. a. B. J. a. H. R. a. C. A. Luke, "Ecj: A java-based evolutionary computation research system," Downloadable versions and documentation can be found at the following url: http://cs. gmu. edu/eclab/projects/ecj, 2006.
[13]. J. R. Quinlan, “C4. 5: programs for machine learning”, Elsevier, 2014.
[14]. Y. a. L. J. a. L. J. a. Z. X. Song, "An efficient instance selection algorithm for k nearest neighbor regression," Neurocomputing, vol. 251, pp. 26-34, 2017.
[15]. R. M. a. L. E. I. Balabin, "Support vector machine regression (SVR/LS-SVM)—an alternative to neural networks (ANN) for analytical chemistry? Comparison of nonlinear methods on near infrared (NIR) spectroscopy data," Analyst, vol. 136, no. 8, pp. 1703-1712, 2011.
[16]. M. a. F. E. a. H. G. a. P. B. a. R. P. a. W. I. H. Hall, "The WEKA data mining software: an update," ACM SIGKDD explorations newsletter, vol. 11, pp. 10-18, 2009.
[17]. H. M. Doucette J., "GP Classification under Imbalanced Data sets: Active Sub-sampling and AUC Approximation," in Genetic Programming. EuroGP 2008. Lecture Notes in Computer Science, Heidelberg, Springer, Berlin, Heidelberg, 2008, pp. 266-277.
[18]. N. A. ArvindKumar, "A novel fitness function in genetic programming for medical data classification," Journal of Biomedical Informatics, vol. 112, no. 103623, pp. 1-6, 2020.
[19]. H. B. M. B. K. S. T. &. L. S. W. Madsen, "Data assimilation in rainfall-runoff forecasting," in Hydroinformatics 2000, 4th International Conference of Hydroinformatics, 23–27 July 2000, Cedar Rapids, Iowa, USA, 2000.
[20]. J. P. &. M. H. Drécourt, "Role of domain knowledge in datadrivenmodeling," in Proceedings 4th DHI Software Conference & DHI Software Courses. 6–8 June 2001, DHI, Helsingør, Denmark, 2001.
[21]. P. A. &. C. P. F. Whigham, "Modelling rainfall-runoff using genetic programming," Math. Comput. Modell., vol. 33, pp. 707-721, 2001.
[22]. S. T. K. E. C. &. P. O. Khu, "An evolutionary-based real-time updating technique for an operational rainfall-runoff forecasting model," Complexity and Integrated Resources Management, Trans., vol. 1, pp. 141-146, 2004.
[23]. J. R. P. J. S. J. &. R. D. Rabuñal, "Determination of the unit hydrograph of a typical urban basin using genetic programming and artificial neural networks," Hydrol. Process, vol. 21, no. 4, p. 476–485, 2004.
[24]. K. Rodríguez-Vázquez, "Genetic programming in time series modelling: an application to meteorological data," in Proceedings 2001 Congress on Evolutionary Computation, Seoul, Korea, 2001.
[25]. Guven, "Linear genetic programming for time-series modelling of daily flow rate," J. Earth Sci., p. 137–146., 2009.
[26]. W. N. P. K. R. E. &. F. F. D. Banzhaf, “Genetic Programming: An Introduction.”, California: Morgan Kaufmann, 1998.
[27]. S.-Y. G. T. R. K. S. T. B. V. K. M. &. M. N. Liong, "Genetic programming: a new paradigm in rainfall–runoff modelling," J. AWRA 38, pp. 705-718, 2002.
[28]. D. A. W. G. A. &. D. J. Savic, "A genetic programming approach to rainfall–runoff modelling," Wat. Res. Mngmnt., p. 219–231, 1999.
