Tổng quan

Chất lượng không khí đang trở thành một trong những mối quan tâm hàng đầu tại các đô thị lớn, đặc biệt là tại các quốc gia đang phát triển như Việt Nam, nơi quá trình đô thị hóa và công nghiệp hóa diễn ra mạnh mẽ. Trong bối cảnh đó, việc ứng dụng các công nghệ hiện đại nhằm giám sát và dự báo chất lượng không khí theo thời gian thực là một xu hướng tất yếu và cần thiết để hỗ trợ công tác quản lý môi trường, bảo vệ sức khỏe cộng đồng và ra quyết định chính sách.

Đồ án này đề xuất và triển khai một hệ thống giám sát và dự đoán chất lượng không khí dựa trên nền tảng Internet of Things (IoT), học sâu (Deep Learning) và điện toán đám mây (Cloud Computing). Hệ thống gồm nhiều thành phần tích hợp chặt chẽ: các nút cảm biến IoT được triển khai thực tế để thu thập các thông số môi trường (nhiệt độ, độ ẩm, bụi mịn Particulate Matter 2.5 (PM2.5), Particulate Matter 10 (PM10), các khí Nitrogen dioxyde (NO2), Sulfur dioxide (SO2), Carbon monoxide (CO)) thông qua giao thức truyền thông MQTT; một máy chủ xử lý trung tâm có nhiệm vụ nhận dữ liệu, lưu trữ vào hệ quản trị cơ sở dữ liệu PostgreSQL, đồng thời áp dụng mô hình học sâu DNN để phân loại mức độ ô nhiễm và mô hình LSTM để dự đoán xu hướng nhiệt độ trong tương lai.

Các mô hình học máy được huấn luyện trên hai tập dữ liệu thực tế: bộ dữ liệu “Air Quality and Pollution Assessment” từ Kaggle và tập dữ liệu cảm biến tại UIT. Mô hình DNN đạt độ chính xác lên đến 97.66% khi phân loại chất lượng không khí thành 4 mức độ: Good, Moderate, Poor, Hazardous.

Cuối cùng, một ứng dụng di động được phát triển trên nền tảng Android sử dụng Jetpack Compose nhằm trực quan hóa dữ liệu cảm biến và kết quả dự đoán cho người dùng cuối theo thời gian thực. Hệ thống hướng tới mục tiêu xây dựng một giải pháp giám sát môi trường thông minh, có khả năng mở rộng và áp dụng trong thực tế.

Mục tiêu nghiên cứu

• Xây dựng hệ thống IoT thu thập dữ liệu chất lượng không khí theo thời gian thực.
• Phát triển hai mô hình học sâu (LSTM, DNN) để phân tích và dự báo các chỉ số ô nhiễm.
• Thiết kế nền tảng trực quan hóa dữ liệu trên web hoặc thiết bị di động.
• Đánh giá hiệu quả hệ thống và đề xuất hướng cải tiến trong tương lai.

Đối tượng nghiên cứu

• Các thông số môi trường: PM2.5, PM10, NO2, SO2, CO, nhiệt độ, độ ẩm.
• Cảm biến IoT và mô-đun truyền thông (Wi-Fi, Message Queuing Telemetry Transport (MQTT)).
• Các mô hình học sâu cho chuỗi thời gian như LSTM và DNN.
• Kiến trúc hệ thống IoT.

Phạm vi nghiên cứu

• Không gian: Triển khai thử nghiệm tại Thành phố Hồ Chí Minh.
• Thời gian: Từ 26/02/2025 đến 07/06/2025.
• Kỹ thuật: Tập trung vào thu thập, xử lý và dự báo dữ liệu môi trường bằng IoT và AI.

Phương pháp thực hiện

Kiến trúc tổng thể hệ thống

Hệ thống giám sát và dự báo chất lượng không khí được thiết kế theo kiến trúc ba lớp chính: Thiết bị IoT (Device Layer), Máy chủ (Cloud Layer) và Giao diện người dùng (Dashboard Layer). Mỗi lớp đóng vai trò riêng biệt và phối hợp chặt chẽ để đảm bảo việc thu thập, xử lý, lưu trữ và hiển thị dữ liệu được thực hiện hiệu quả và theo thời gian thực.

• Thiết bị IoT (IoT Device Layer):
  • vi điều khiển ESP8266 được kết nối với các cảm biến như DHT11 (nhiệt độ, độ ẩm), PMS7003 (bụi mịn PM2.5), MQ7 (CO), v.v.
  • Các thiết bị này định kỳ thu thập dữ liệu môi trường và gửi lên Cloud thông
    qua giao thức MQTT.

• Máy chủ đám mây (Cloud Layer):
  • MQTT Broker tiếp nhận và phân phối dữ liệu từ các thiết bị IoT.
  • Dùng các mô hình học sâu (DNN, LSTM) để phân tích và dự báo xu hướng ô
    nhiễm dựa trên dữ liệu thời gian thực.
  • Cơ sở dữ liệu (PostgreSQL): Lưu trữ lịch sử dữ liệu cảm biến, kết quả dự báo.
  • FastAPI Server dùng để giao tiếp giữa Cloud và Dashboard, phục vụ cho việc
    truy xuất dữ liệu.
• Giao diện người dùng (Dashboard Layer):
  • Người dùng có thể truy cập hệ thống thông qua ứng dụng di động.
  • Xem dữ liệu cảm biến theo thời gian thực.
  • Xem chỉ số nhiệt độ dự báo trong tương lai.

Môi trường triển khai và thiết bị thực nghiệm

• Thiết bị IoT: Cảm biến PM2.5/PM10 (PMS7003), DHT11 (nhiệt độ và độ ẩm), MQ135(NO2, SO2), MQ7(CO), Node MCU ESP8266.
• Máy chủ xử lý: Máy ảo Ubuntu, cài đặt PostgreSQL, FastAPI, Mosquitto MQTT Broker, Docker, Cedalo.
• Mô hình học sâu: DNN (dự đoán chất lượng không khí), LSTM (dự đoán nhiệt độ tương lai) huấn luyện trên Google Colab.
• Ứng dụng di động: Jetpack Compose (Android), hiển thị biểu đồ và cảnh báo theo thời gian thực.

Thiết kế phần mềm

Thực nghiệm, đánh giá và thảo luận

Đánh giá và trực quan hóa quá trình huấn luyện

Mô hình DNN được huấn luyện trên tập dữ liệu hơn 100.000 mẫu, với 7 đầu vào cảm biến và 4 lớp đầu ra tương ứng với các mức chất lượng không khí

Trong quá trình huấn luyện mô hình học sâu DNN, hai chỉ số quan trọng được theo dõi là Loss và Accuracy trên cả tập huấn luyện và tập kiểm tra. Hình 4.1 mô tả diễn tiến của hai chỉ số này qua 100 epoch.

Nhận xét:
– Loss: Giá trị loss trên tập huấn luyện và kiểm tra đều giảm ổn định qua các epoch, cho thấy mô hình đang học hiệu quả và không xảy ra hiện tượng overfitting rõ rệt.
– Accuracy: Độ chính xác trên tập huấn luyện tăng dần và đạt ngưỡng ổn định sau khoảng 50 epoch. Đáng chú ý, độ chính xác trên tập kiểm tra luôn cao hơn tập huấn luyện và duy trì mức ổn định ở khoảng 96–97%, cho thấy mô hình có khả năng tổng quát tốt.
– Đột biến nhẹ: Có thể quan sát một bước nhảy nhẹ tại khoảng epoch thứ 40, cho thấy có thể đã thực hiện điều chỉnh learning rate hoặc mô hình học được đặc trưng mạnh hơn tại thời điểm đó.

Từ biểu đồ trên, có thể kết luận rằng mô hình DNN đã được huấn luyện hiệu quả với khả năng khái quát tốt trên tập kiểm tra.

Đánh giá hiệu suất mô hình DNN

Nhìn chung, mô hình DNN có khả năng phân loại chính xác và cân bằng giữa các lớp, với tỷ lệ dự đoán đúng đạt đến 97,66%, đáp ứng tốt yêu cầu của bài toán đánh giá chất lượng không khí.

Các chỉ số đánh giá mô hình
– Độ chính xác (Accuracy): Mô hình đạt độ chính xác tổng thể là 97,66%, chứng tỏ khả năng phân loại mạnh mẽ trên các dữ liệu.
– Báo cáo phân loại (Classification Report):
⋄ Precision (Macro): 97,64%
⋄ Recall (Macro): 97,64%

⋄ F1-Score (Macro): 97,64%
⋄ Precision (Weighted): 97,65%
⋄ Recall (Weighted): 97,66%
⋄ F1-Score (Weighted): 97,65%

– Đánh giá theo từng lớp:
⋄ Lớp 0 (Good): F1-score = 0.9968, Specificity = 0.9988
⋄ Lớp 1 (Moderate): F1-score = 0.9781, Specificity = 0.9916
⋄ Lớp 2 (Poor): F1-score = 0.9751, Specificity = 0.9905
⋄ Lớp 3 (Hazardous): F1-score = 0.9555, Specificity = 0.9878

Ma trận hỗn loạn (Confusion Matrix)

Nhận xét tổng quan:
– Mô hình phân loại rất tốt với lớp “Good” và “Moderate”.
– Nhầm lẫn chủ yếu xảy ra giữa các lớp có chất lượng không khí kém gần nhau về chỉ số, đặc biệt là giữa Poor và Hazardous.

– Đây là đặc điểm thường thấy trong các bài toán phân loại môi trường, do dữ liệu thực tế không có ranh giới rõ rệt giữa các mức độ ô nhiễm.

ROC Curve và AUC

Nhận xét tổng quan:
– Hình dạng đường cong: Tất cả các đường cong ROC đều có hình dạng lý tưởng, tiến gần đến góc trên bên trái (0,1) của biểu đồ.

– Khoảng cách với đường chéo: Các đường cong ROC đều nằm rất xa đường chéo tham chiếu (AUC = 0.5), cho thấy mô hình có khả năng phân biệt tốt.
– Sự tương đồng giữa các lớp: Tất cả 4 lớp đều có hiệu suất rất cao và tương đương nhau.

Kết quả dự đoán nhiệt độ tương lai (LSTM)

Mô hình LSTM sử dụng 6 điểm dữ liệu gần nhất để dự đoán nhiệt độ 7 ngày tới (mỗi 15 phút). Dữ liệu đầu vào bao gồm các đặc trưng nhiệt độ và đặc trưng thời gian (sin, cos).

– Loss: Giá trị loss trên cả tập huấn luyện và kiểm tra đều giảm ổn định qua 100 epoch. Loss validation luôn thấp hơn training loss, cho thấy mô hình không xảy ra hiện tượng overfitting và có khả năng tổng quát tốt.
– RMSE: Chỉ số RMSE giảm từ 0.87 xuống 0.775 trên tập huấn luyện và từ 0.78 xuống 0.75 trên tập kiểm tra. RMSE validation thấp hơn training RMSE, cho thấy mô hình dự đoán chính xác trên dữ liệu mới.
– Giai đoạn học: Có thể chia thành 3 giai đoạn rõ rệt – học nhanh (epoch 0-10), cải thiện ổn định (epoch 10-50), và hội tụ (epoch 50-100). Mô hình đạt trạng thái ổn định mà không có dấu hiệu suy giảm hiệu suất.
– Gap train-validation: Chênh lệch nhỏ giữa train và validation (3-6%) cho thấy mô hình có khả năng tổng quát tốt và sẵn sàng triển khai thực tế.

Kết luận

Sau khi thực hiện khóa luận tốt nghiệp với đề tài “HỆ THỐNG GIÁM SÁT VÀ DỰ BÁO CHẤT LƯỢNG KHÔNG KHÍ SỬ DỤNG IoT VÀ HỌC SÂU”, chúng tôi đạt được một số kết quả sau:

• Thu thập dữ liệu từ các cảm biến môi trường (PM2.5, PM10, NO2, SO2, CO, nhiệt độ, độ ẩm) thông qua giao thức MQTT.
• Xử lý và lưu trữ dữ liệu vào hệ quản trị cơ sở dữ liệu PostgreSQL.
• Áp dụng hai mô hình học sâu:
  ⋄ Mô hình DNN: Phân loại chất lượng không khí thành các nhãn Good, Moderate, Poor, Hazardous.
  ⋄ Mô hình LSTM: Dự đoán xu hướng nhiệt độ trong tương lai dựa trên đặc trưng thời gian.
• Xây dựng API bằng FastAPI để cung cấp dữ liệu cho ứng dụng bên ngoài.
• Phát triển ứng dụng mobile Android sử dụng Jetpack Compose, hỗ trợ xem dữ liệu trực tiếp theo vị trí và biểu đồ trực quan.

Hạn chế

Dù đạt được nhiều kết quả tích cực, hệ thống vẫn tồn tại một số hạn chế:

• Phụ thuộc vào chất lượng dữ liệu: Hiệu suất của mô hình học sâu bị ảnh hưởng bởi sự thiếu hụt dữ liệu trong các điều kiện thời tiết cực đoan hoặc khi cảm biến gặp lỗi, dẫn đến độ chính xác giảm ở một số thời điểm.
• Tài nguyên tính toán: Việc huấn luyện mô hình học sâu trên cloud đòi hỏi tài nguyên lớn, gây khó khăn trong việc triển khai quy mô lớn nếu không có cơ sở hạ tầng hỗ trợ mạnh mẽ.
• Khả năng chống lỗi: Hệ thống vẫn chưa hoàn thiện cơ chế xử lý khi mất kết nối mạng hoặc khi cảm biến hỏng, dẫn đến gián đoạn dữ liệu trong thời gian ngắn.
• Phạm vi thử nghiệm hạn chế: Hệ thống chỉ được triển khai tại TP.HCM, nên cần thêm dữ liệu từ các khu vực khác để đánh giá độ tổng quát hóa

Hướng phát triển

Trong tương lai chúng tôi có một số dự định được đề ra như sau:

• Huấn luyện mô hình với dữ liệu theo khu vực: Áp dụng mô hình riêng biệt cho từng khu vực, tăng độ chính xác dự đoán theo ngữ cảnh địa phương.
• Tích hợp bản đồ trực quan: Hiển thị bản đồ các điểm đo chất lượng không khí theo thời gian thực trên ứng dụng.
• Xây dựng Dashboard quản trị: Cho phép người quản lý xem thống kê, lịch sử, cấu hình ngưỡng cảnh báo và theo dõi tình trạng hệ thống theo thời gian thực.
• Tối ưu mô hình AI: DNN/LSTM chạy được trên các thiết bị biên (Rashberry Pi 4).
• Blockchain: Sử dụng Blockchain giải quyết bài toán tái huấn luyện và cập nhật mô hình.