បញ្ហា (The Problem)៖ ឯកសារនេះដោះស្រាយអំពីបញ្ហាប្រឈមក្នុងការទស្សន៍ទាយអាកាសធាតុឱ្យបានត្រឹមត្រូវដោយសារតែលក្ខណៈចម្រុះនិងស្មុគស្មាញនៃទិន្នន័យអាកាសធាតុ (Weather Data) តាមរយៈការជំនួសវិធីសាស្ត្របុរាណដោយបញ្ញាសិប្បនិម្មិត។
វិធីសាស្ត្រ (The Methodology)៖ វិធីសាស្ត្រនៃការស្រាវជ្រាវត្រូវបានបែងចែកជាបីដំណាក់កាលសំខាន់ៗ រួមមានការរៀបចំទិន្នន័យ ការបង្កើតម៉ូដែល និងការដាក់ឱ្យដំណើរការជាមួយឧបករណ៍ IoT ក្នុងតំបន់ជាក់ស្តែង។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Gated Recurrent Unit (GRU) ម៉ូដែលបណ្ដាញសរសៃប្រសាទសិប្បនិម្មិត Gated Recurrent Unit (GRU) |
មានសមត្ថភាពខ្ពស់ក្នុងការស្វែងយល់ពីបរិបទនិងទិន្នន័យតាមលំដាប់លំដោយ (Sequential Data) ដែលជួយកាត់បន្ថយអត្រាការព្យាករណ៍ខុស (False Positives) ក្នុងការទាយទឹកភ្លៀង និងដំណើរការល្អប្រសើរជាមួយទិន្នន័យឧបករណ៍ IoT ជាក់ស្តែង។ | ទាមទារពេលវេលាហ្វឹកហាត់យូរ និងត្រូវការទិន្នន័យប្រវត្តិសាស្រ្តវែងជាង (រហូតដល់ ១៤ ថ្ងៃនៃប្រវត្តិទិន្នន័យ) ដើម្បីធ្វើការព្យាករណ៍ ដែលធ្វើឱ្យការគណនាមានភាពយឺតយ៉ាវជាង។ | ទទួលបានតម្លៃ RMSE ២.២៣ សម្រាប់ម៉ូដែល Regression (ល្អជាង XGBoost លើទិន្នន័យ IoT) និងទទួលបានពិន្ទុ F1 ០.៨៨ សម្រាប់ការធ្វើចំណាត់ថ្នាក់ទាយទឹកភ្លៀង។ |
| Extreme Gradient Boosting (XGBoost) ក្បួនដោះស្រាយ Extreme Gradient Boosting (XGBoost) |
មានល្បឿនលឿន និងទាមទារទិន្នន័យប្រវត្តិសាស្រ្តត្រឹមតែ ៧ ថ្ងៃប៉ុណ្ណោះសម្រាប់ការទស្សន៍ទាយ ព្រមទាំងដំណើរការបានល្អបំផុតនៅពេលប្រើជាមួយទិន្នន័យស្តង់ដារពីស្ថានីយឧតុនិយមធំៗ។ | ងាយនឹងជួបប្រទះបញ្ហាវិមាត្រទិន្នន័យ (Dimensionality Issues) នៅពេលទិន្នន័យមានទំហំធំ និងមានអត្រាទាយខុសថាមានភ្លៀងខ្ពស់ជាង GRU បន្តិចនៅពេលសាកល្បងជាមួយទិន្នន័យប្រែប្រួល។ | ទទួលបានតម្លៃ RMSE ១.២៧ សម្រាប់ម៉ូដែល Regression (ល្អជាង GRU លើទិន្នន័យស្ថានីយស្តង់ដារ) និងទទួលបានពិន្ទុ F1 ០.៨៦ សម្រាប់ការធ្វើចំណាត់ថ្នាក់។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តប្រព័ន្ធនេះទាមទារការរួមបញ្ចូលគ្នារវាងឧបករណ៍ផ្នែករឹង (Hardware) សម្រាប់ការប្រមូលទិន្នន័យផ្ទាល់ និងផ្នែកទន់ (Cloud/Software) សម្រាប់រក្សាទុក និងដំណើរការម៉ូដែលម៉ាស៊ីនរៀនសូត្រ។
ការសិក្សានេះប្រើប្រាស់ទិន្នន័យអាកាសធាតុពីស្ថានីយឧតុនិយម BMKG នៅខេត្ត Sidoarjo ប្រទេសឥណ្ឌូនេស៊ី ដែលជាតំបន់ត្រូពិចមានលក្ខណៈអាកាសធាតុស្រដៀងនឹងប្រទេសកម្ពុជា។ ទោះជាយ៉ាងណាក៏ដោយ លក្ខណៈភូមិសាស្ត្រមីក្រូ (Microclimate) អាចមានភាពខុសគ្នា ដូច្នេះការយកមកអនុវត្តនៅកម្ពុជាទាមទារការបង្ហាត់ម៉ូដែលឡើងវិញជាមួយទិន្នន័យប្រវត្តិសាស្រ្តក្នុងស្រុកពីក្រសួងធនធានទឹក និងឧតុនិយម ទើបអាចធានាបាននូវភាពត្រឹមត្រូវខ្ពស់។
ការរួមបញ្ចូលគ្នារវាងបច្ចេកវិទ្យា IoT តម្លៃថោក និងបញ្ញាសិប្បនិម្មិតសម្រាប់ការទស្សន៍ទាយអាកាសធាតុ គឺជាដំណោះស្រាយដ៏ស័ក្តិសម និងមានសក្តានុពលខ្ពស់សម្រាប់កម្ពុជា។
សរុបមក ប្រព័ន្ធនេះផ្តល់នូវលទ្ធភាពឱ្យប្រទេសកម្ពុជាអាចកសាងបណ្តាញស្ថានីយឧតុនិយមខ្នាតតូច (Micro-weather stations) ដែលមានតម្លៃសមរម្យនៅទូទាំងប្រទេស ដើម្បីគាំទ្រដល់ការអភិវឌ្ឍសេដ្ឋកិច្ចនិងសង្គមប្រកបដោយចីរភាព។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Gated Recurrent Unit (GRU) | ជាប្រភេទបណ្ដាញសរសៃប្រសាទសិប្បនិម្មិត (Recurrent Neural Network) ដែលមានសមត្ថភាពចងចាំព័ត៌មានពីអតីតកាលក្នុងរយៈពេលវែងដោយប្រើប្រាស់ច្រកត្រួតពិនិត្យ (Update and Reset Gates) ដើម្បីសម្រេចថាព័ត៌មានណាគួររក្សាទុក ឬលុបចោល ដែលស័ក្តិសមបំផុតសម្រាប់រៀនសូត្រពីទិន្នន័យប្រែប្រួលតាមពេលវេលាដូចជាអាកាសធាតុ។ | ដូចជាសិស្សម្នាក់ដែលចេះកត់ត្រាតែមេរៀនសំខាន់ៗទុកក្នុងសៀវភៅ និងលុបចោលរឿងមិនសំខាន់ ដើម្បីត្រៀមប្រឡងនៅថ្ងៃស្អែក។ |
| Extreme Gradient Boosting (XGBoost) | ជាក្បួនដោះស្រាយម៉ាស៊ីនរៀនសូត្រ (Machine Learning) ដែលបង្កើតមែកធាងសេចក្តីសម្រេច (Decision Trees) តូចៗជាច្រើនបន្តបន្ទាប់គ្នា ដោយមែកធាងនីមួយៗព្យាយាមកែតម្រូវកំហុសរបស់មែកធាងមុនៗ ដើម្បីបង្កើតបានជាម៉ូដែលទស្សន៍ទាយមួយដ៏រឹងមាំ និងសុក្រឹត។ | ដូចជាក្រុមសិស្សដែលធ្វើការរួមគ្នា ដោយសិស្សម្នាក់ៗជួយកែចំណុចខ្សោយរបស់សិស្សមុន រហូតទទួលបានលទ្ធផលកិច្ចការស្រាវជ្រាវដ៏ល្អឥតខ្ចោះមួយរួមគ្នា។ |
| Hyperparameter Tuning | គឺជាដំណើរការនៃការស្វែងរក និងកែតម្រូវប៉ារ៉ាម៉ែត្រខាងក្រៅនៃម៉ូដែលម៉ាស៊ីនរៀនសូត្រ (ដូចជាល្បឿននៃការរៀនសូត្រ ឬចំនួនស្រទាប់បណ្តាញ) មុនពេលចាប់ផ្តើមហ្វឹកហាត់ ដើម្បីស្វែងរកការកំណត់ដែលធ្វើឱ្យម៉ូដែលនោះដំណើរការបានល្អបំផុត។ | ដូចជាការសារ៉េខ្សែហ្គីតាឱ្យត្រូវសម្លេង (Tuning) មុនពេលចាប់ផ្តើមលេងតន្ត្រី ដើម្បីឱ្យបទភ្លេងស្តាប់ទៅពិរោះរណ្តំ។ |
| GridSearchCV | ជាវិធីសាស្ត្រមួយក្នុងការស្វែងរកតម្លៃ Hyperparameter ល្អបំផុត ដោយវាធ្វើការសាកល្បងរាល់ការផ្គូផ្គងទាំងអស់នៃប៉ារ៉ាម៉ែត្រដែលយើងបានកំណត់ទុកជាមុន (សាកល្បងមួយជួរម្តងៗ) ដើម្បីរកមើលថាតើការផ្គូផ្គងមួយណាដែលផ្តល់លទ្ធផលកំហុសតិចជាងគេបំផុត។ | ដូចជាការសាកល្បងចាក់សោរលេខដោយរាប់តាំងពីលេខ 000 ដល់ 999 មួយម្តងៗតាមលំដាប់ រហូតទាល់តែសោររបូតបើក។ |
| Bayesian Optimization | ជាបច្ចេកទេសកែតម្រូវម៉ូដែលដោយប្រើប្រូបាប៊ីលីតេ (Probabilistic Model) ដែលវាប្រើប្រាស់បទពិសោធន៍ពីការសាកល្បងមុនៗ ដើម្បីទស្សន៍ទាយ និងជ្រើសរើសយកតម្លៃប៉ារ៉ាម៉ែត្រថ្មីណាដែលមានឱកាសខ្ពស់ក្នុងការផ្តល់លទ្ធផលល្អ ដែលជួយសន្សំសំចៃពេលវេលាជាងការសាកល្បងទាំងអស់ (Grid Search)។ | ដូចជាអ្នកស្វែងរកកំណប់ដែលចេះវិភាគសញ្ញាសម្គាល់ពីកន្លែងដែលខ្លួនធ្លាប់ជីកខុស ដើម្បីតម្រង់ទៅរកកន្លែងថ្មីដែលមានកំណប់ពិតប្រាកដ ដោយមិនចាំបាច់ជីកគ្រប់កន្លែងទាំងអស់នោះទេ។ |
| Fast Fourier Transform (FFT) | ជារូបមន្តគណិតវិទ្យាដែលបំប្លែងទិន្នន័យពីទម្រង់ពេលវេលា (Time Domain) ទៅជាទម្រង់ប្រេកង់ (Frequency Domain)។ នៅក្នុងការស្រាវជ្រាវនេះ វាត្រូវបានប្រើដើម្បីចម្រោះយកទិន្នន័យរំខាន (Noise) ចេញពីទិន្នន័យអាកាសធាតុ ជួយឱ្យម៉ូដែលងាយស្រួលចាប់យកលំនាំ (Patterns) ពិតប្រាកដ។ | ដូចជាការប្រើប្រាស់ឧបករណ៍ចម្រោះ (Filter) ដើម្បីត្រងយកកករដីចេញពីទឹកល្អក់ ធ្វើឱ្យយើងទទួលបានទឹកថ្លាដែលអាចប្រើប្រាស់បានយ៉ាងមានសុវត្ថិភាព។ |
| Root Mean Square Error (RMSE) | គឺជារង្វាស់ស្តង់ដារសម្រាប់វាស់កម្រិតកំហុសរបស់ម៉ូដែលព្យាករណ៍តំរែតំរង់ (Regression) ដោយគណនាពីគម្លាតជាមធ្យមរវាងតម្លៃដែលម៉ូដែលទាយបាន និងតម្លៃពិតប្រាកដដែលកើតឡើងជាក់ស្តែង។ តម្លៃ RMSE កាន់តែតូច បង្ហាញថាម៉ូដែលកាន់តែសុក្រឹត។ | ដូចជាការបាញ់ព្រួញទៅកាន់ផ្ទាំងគោលដៅ បើគ្រាប់ព្រួញបាញ់ទៅចំកណ្តាល ឬក្បែរៗចំណុចកណ្តាលច្រើន នោះមានន័យថាអ្នកបាញ់មានកម្រិតកំហុស (RMSE) តូចបំផុត។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
