Ứng dụng Edge AI để dự báo sớm lũ lụt đô thị

Abstract

Đề tài này tập trung nghiên cứu và triển khai một hệ thống dự báo lũ lụt đô thị ứng dụng trí tuệ nhân tạo (AI) kết hợp với kiến trúc Edge-Cloud. Mục tiêu chính của đề tài là xây dựng một giải pháp dự báo mực nước theo thời gian thực nhằm hỗ trợ công tác cảnh báo sớm tại các khu vực thường xuyên xảy ra ngập úng ở thành phố Đà Nẵng. Nhóm tác giả sử dụng mô hình học sâu MTS-LSTM để xử lý chuỗi thời gian nhiều biến đầu vào (lượng mưa, mực nước, các yếu tố khí tượng thuỷ văn), được huấn luyện trên tập dữ liệu thực tế từ năm 2023–2024 tại Đà Nẵng. Quá trình huấn luyện và thử nghiệm được thực hiện trên Google Colab với các kỹ thuật tiền xử lý, tối ưu mô hình và đánh giá bằng các chỉ số như NSE = 0,73 và hệ số tương quan r = 0,86. Mô hình cho thấy khả năng dự báo hiệu quả các đỉnh lũ và độ trễ ngắn, phù hợp với yêu cầu cảnh báo sớm. Hệ thống được thiết kế với kiến trúc phân tán: dữ liệu được thu thập từ cảm biến tại các trạm đo (giả lập bằng file .csv), sau đó được xử lý sơ bộ tại thiết bị Edge (mô phỏng vi điều khiển EPS32). Dữ liệu sau xử lý được truyền lên Cloud để đưa vào mô hình AI nhằm đưa ra dự báo, sau đó hiển thị kết quả mực nước dự báo. Việc mô phỏng toàn bộ hệ thống thay vì triển khai phần cứng giúp tập trung vào phát triển thuật toán lõi và đảm bảo tính khả thi trong môi trường giới hạn về thời gian và tài nguyên. Hệ thống Edge AI này giúp giảm độ trễ xử lý từ hàng giây xuống còn khoảng 100 mili-giây, tiết kiệm băng thông truyền tải dữ liệu đến 97%, đồng thời tăng cường tính bảo mật nhờ xử lý cục bộ tại thiết bị biên. Kết quả mô phỏng cho thấy kiến trúc có thể mở rộng trong tương lai, dễ tích hợp vào các nền tảng đô thị thông minh như Danang Smart City. Tất cả các phần từ tiền xử lý dữ liệu, huấn luyện mô hình, mô phỏng truyền dữ liệu đến hiển thị kết quả và cảnh báo đều được tích hợp liền mạch trong một pipeline chạy trên môi trường mô phỏng, nhưng được thiết kế linh hoạt để dễ dàng gắn kết với phần cứng thực tế trong các bước tiếp theo.