Hệ thống giám sát và dự báo chất lượng không khí thích ứng theo thời gian, ứng dụng IoT và học sâu liên tục

AN ADAPTIVE AIR QUALITY MONITORING AND FORECASTING SYSTEM USING IoT AND CONTINUAL DEEP LEARNING

Chất lượng không khí đang là vấn đề đáng quan tâm tại các đô thị lớn, đặc biệt ở Việt Nam, nơi đô thị hóa và công nghiệp hóa diễn ra nhanh. Vì vậy, việc xây dựng hệ thống giám sát và dự báo theo thời gian thực là cần thiết nhằm hỗ trợ quản lý môi trường và bảo vệ sức khỏe cộng đồng.

Khoá luận đề xuất và triển khai một hệ thống giám sát và dự báo chất lượng không khí dựa trên nền tảng Internet of Things (IoT), học sâu liên tục (Continual Deep Learning). Hệ thống sử dụng các nút cảm biến để thu thập dữ liệu môi trường (nhiệt độ, độ ẩm, bụi mịn Particulate Matter 2.5 (PM2.5), Particulate Matter 10 (PM10), các khí Nitrogen dioxide (NO2), Sulfur dioxide (SO2), Carbon monoxide (CO)), truyền qua MQTT về máy chủ trung tâm để lưu trữ trên PostgreSQL và thực hiện suy luận mô hình.

Trong đó, mô hình học sâu được sử dụng cho hai nhiệm vụ: (i) phân loại mức chất lượng không khí và (ii) dự báo chuỗi thời gian theo hướng học liên tục nhằm thích nghi với dữ liệu thay đổi theo thời gian và hạn chế hiện tượng quên lãng thảm hoạ khi cập nhật. Kết quả thực nghiệm cho thấy mô hình phân loại đạt độ chính xác 91.53%; mô hình dự báo đạt hiệu năng tốt trên dữ liệu triển khai, với MAE khoảng 0.50◦C cho nhiệt độ và MAE khoảng 1.76% cho độ ẩm.

Cuối cùng, ứng dụng Android (Jetpack Compose) được phát triển để trực quan hóa dữ liệu cảm biến và kết quả dự báo theo thời gian thực, hướng tới một giải pháp giám sát môi trường thông minh, dễ mở rộng và phù hợp triển khai thực tế

Xem toàn văn báo cáo tại:

Khoá luận tốt nghiệp

TÁC GIẢ

Lưu Quốc Cường, Bùi Minh Quân

GIẢNG VIÊN HƯỚNG DẪN

NGÀNH

Năm:

TỔNG QUAN

Ô nhiễm không khí đang là một trong những thách thức môi trường nghiêm trọng, đặc biệt tại các nước đô thị hóa nhanh như Việt Nam. Theo Tổ chức Y tế Thế giới World Health Organization (WHO), ô nhiễm không khí liên quan đến khoảng 7 triệu ca tử vong sớm mỗi năm trên toàn cầu và hơn 60.000 ca tử vong sớm mỗi năm tại Việt Nam. Các tác nhân phổ biến như PM2.5, PM10, NO2, SO2, CO gây ảnh hưởng đáng kể đến sức khỏe cộng đồng và chất lượng môi trường sống. 

Trong khi đó, công tác giám sát hiện nay còn hạn chế do hệ thống quan trắc truyền thống có chi phí cao, số lượng trạm đo ít và phạm vi bao phủ chưa rộng, dẫn đến thiếu linh hoạt theo không gian và khó đáp ứng nhu cầu theo dõi theo thời gian thực. Sự phát triển của Internet of Things (IoT) kết hợp Artificial Intelligence (AI) và nền tảng điện toán đám mây mở ra khả năng thu thập, truyền nhận, lưu trữ và phân tích dữ liệu môi trường theo thời gian thực với chi phí phù hợp hơn, đồng thời hỗ trợ dự báo để cảnh báo sớm và ra quyết định. 

Tuy nhiên, dữ liệu môi trường ngoài thực tế thường biến đổi theo mùa, vị trí lắp đặt và điều kiện vận hành, khiến các mô hình học máy huấn luyện theo kiểu tĩnh dễ suy giảm hiệu năng khi triển khai lâu dài. Do đó, việc áp dụng học sâu liên tục (Continual Deep Learning) nhằm giúp mô hình thích nghi với dữ liệu mới nhưng vẫn hạn chế quên lãng kiến thức đã học là hướng tiếp cận có ý nghĩa cả về khoa học lẫn ứng dụng. 

Từ các lý do trên, đề tài được lựa chọn nhằm xây dựng một hệ thống giám sát và dự báo chất lượng không khí dựa trên IoT và đám mây, đồng thời tích hợp cơ chế học liên tục để duy trì hiệu năng ổn định trong bối cảnh dữ liệu môi trường biến động theo thời gian. 

Mục tiêu nghiên cứu

  • Xây dựng hệ thống IoT thu thập dữ liệu chất lượng không khí theo thời gian thực.
  • Phát triển mô hình CNN cho bài toán phân loại mức độ chất lượng không khí.
  • Phát triển mô hình CNN-LSTM theo hướng học sâu liên tục (Continual Deep Learning) cho bài toán dự đoán chuỗi thời gian (ví dụ: xu hướng nhiệt độ, độ ẩm và các chỉ số môi trường theo thời gian).
  • Tích hợp cơ chế học sâu liên tục nhằm cập nhật mô hình với dữ liệu mới nhưng vẫn hạn chế quên kiến thức cũ, duy trì hiệu năng trong triển khai thực tế.
  • Thiết kế nền tảng trực quan hóa dữ liệu trên web hoặc thiết bị di động cho người dùng cuối. 
  • Đánh giá hiệu quả mô hình và toàn hệ thống, đồng thời đề xuất hướng cải tiến trong tương lai. 

Đối tượng nghiên cứu

  • Các thông số môi trường: Nhiệt độ, độ ẩm, PM2.5, PM10, NO2, SO2, CO. 
  • Cảm biến IoT và giao thức truyền thông (Wi-Fi, Message Queuing Telemetry Transport (MQTT)). 
  • Mô hình học sâu CNN cho bài toán phân loại; mô hình CNN-LSTM cho bài toán dự đoán chuỗi thời gian, cùng chiến lược học sâu liên tục để cập nhật theo dữ liệu mới và giảm hiện tượng catastrophic forgetting.
  • Kiến trúc hệ thống IoT tích hợp Cloud và cơ sở dữ liệu phục vụ lưu trữ, phân tích. 

Phạm vi nghiên cứu

  • Không gian: Triển khai thử nghiệm tại Thành phố Hồ Chí Minh.
  • Thời gian: Từ 26/08/2025 đến 26/12/2025.
  • Kỹ thuật: Tập trung vào thu thập, xử lý và dự báo dữ liệu môi trường bằng IoT và AI.

Phương pháp nghiên cứu 

Đề tài sử dụng ba nhóm phương pháp chính: 

  • Nghiên cứu lý thuyết: Tổng hợp tài liệu về ô nhiễm không khí, hệ thống IoT, giao thức truyền thông, nền tảng Cloud và các mô hình học sâu liên quan (CNN, CNNLSTM) cùng hướng tiếp cận học sâu liên tục. 
  • Thực nghiệm: Thiết kế và cấu hình thiết bị IoT; thu thập, làm sạch và xử lý dữ liệu thực tế; huấn luyện và đánh giá mô hình CNN (phân loại) và CNN-LSTM (dự đoán); thực hiện cập nhật mô hình theo hướng học sâu liên tục và kiểm tra mức độ duy trì hiệu năng trên dữ liệu đã học. 
  • Phân tích và đánh giá: Thực hiện đánh giá theo hai nhóm: (i) hiệu năng mô hình AI và (ii) hiệu năng vận hành hệ thống. Đối với bài toán dự báo chuỗi thời gian (CNN–LSTM Continual Learning), sử dụng các chỉ số MAE, RMSE, R2 ,… để định lượng sai số và mức độ phù hợp; đồng thời so sánh kết quả giữa bộ dữ liệu nguồn và bộ dữ liệu mục tiêu nhằm nhận diện ảnh hưởng của domain shift và mức quên lãng sau khi cập nhật mô hình. Đối với bài toán phân loại chất lượng không khí (CNN), sử dụng Accuracy, Precision, Recall, F1-score kèm ma trận hỗn loạn để đánh giá khả năng phân biệt các mức chất lượng không khí. Bên cạnh đó, hệ thống IoT–Cloud được đánh giá dựa trên độ trễ truyền/nhận dữ liệu, thời gian xử lý và suy luận, độ ổn định khi vận hành liên tục, cùng khả năng lưu trữ và hiển thị dữ liệu theo thời gian thực trên ứng dụng. 

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. 

image 34

Mô tả các lớp chức năng: 

  • Device Layer (IoT Device): thu thập dữ liệu môi trường từ các cảm biến (nhiệt độ, độ ẩm, bụi mịn, khí), đóng gói dữ liệu theo định dạng JSON và gửi lên cloud qua giao thức MQTT. 
  • Cloud Layer: tiếp nhận dữ liệu từ MQTT Broker, thực hiện kiểm tra–tiền xử lý, lưu trữ vào PostgreSQL, sau đó gọi mô hình học sâu để (i) dự báo nhiệt độ, độ ẩm, PM 2.5 và PM 10, NO2, SO2, CO và phân loại (CNN–LSTM Continual Learning) và (ii) phân loại mức chất lượng không khí (CNN). Kết quả được cung cấp cho ứng dụng thông qua các API (FastAPI). 
  • Application Layer: ứng dụng Android hiển thị dữ liệu theo thời gian thực, biểu đồ lịch sử và kết quả dự báo, hỗ trợ theo dõi theo vị trí (location) và cập nhật định kỳ từ API. 

Môi trường triển khai và thiết bị thực nghiệm 

image 35
  • 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 22.04, cài đặt PostgreSQL, FastAPI, Mosquitto MQTT Broker, Docker, Cedalo. 
  • Mô hình học sâu: Huấn luyện/đánh giá trên môi trường GPU (Google Colab) và xuất mô hình phục vụ suy luận. 
  • Ứng dụng di động: Android (Kotlin + Jetpack Compose), gọi API qua Retrofit. 

Thiết kế phần mềm

Luồng xử lý dữ liệu

image 36

Kiến trúc cloud được thiết kế theo mô hình “tiếp nhận–xử lý–lưu trữ–phục vụ” nhằm đảm bảo dữ liệu cảm biến được xử lý đúng thứ tự và có thể truy xuất linh hoạt cho cả hiển thị và suy luận AI. Luồng dữ liệu tổng quát: 

B1. Thiết bị IoT publish dữ liệu cảm biến lên các topic MQTT (định dạng JSON). 

B2. Backend subscribe, kiểm tra dữ liệu (định dạng, thiếu trường, ngoại lệ), chuẩn hóa thời gian và tạo đặc trưng thời gian. 

B3. Dữ liệu được lưu vào PostgreSQL (lịch sử cảm biến + dữ liệu phục vụ dự báo) 

B4. Khi đủ cửa sổ dữ liệu, backend gọi mô hình CNN–LSTM Continual Learning để dự báo nhiệt độ, nhiệt độ, độ ẩm, PM 2.5 và PM 10, NO2, SO2, CO cho tương lai và ghi kết quả. 

B5. Backend gọi mô hình CNN để phân loại mức chất lượng không khí cho tương lai từ các chỉ số đã dự đoán và ghi kết quả. 

B6. FastAPI cung cấp dữ liệu cho ứng dụng di động: dữ liệu mới nhất, chuỗi 12 điểm gần nhất, và kết quả dự báo. 

MQTT Broker (Mosquitto – Cedalo) 

Trong hệ thống này, MQTT Broker đóng vai trò trung gian truyền nhận dữ liệu giữa các thiết bị cảm biến IoT và server xử lý dữ liệu trên cloud. Mosquitto MQTT Broker được lựa chọn vì tính ổn định cao, hỗ trợ tốt trong môi trường IoT, và dễ dàng tích hợp với các nền tảng container hóa như Docker. 

Cấu hình hoạt động

  • Broker sử dụng: Mosquitto MQTT (do Cedalo phát hành).
  • Cổng giao tiếp: 1883.
  • Cổng điều khiển qua Dashboard Cedalo: 8088.
  • Cách triển khai: Cả Mosquitto và Cedalo được triển khai dưới dạng container Docker để đảm bảo tính linh hoạt, dễ cập nhật và tích hợp với hệ thống tổng thể.

Cơ chế truyền nhận dữ liệu: Các thiết bị IoT thực hiện publish dữ liệu theo thời gian thực lên topic cụ thể “sensor/air_quality” chứa các dữ liệu thô. Server phía cloud sẽ subscribe các topic này để xử lý, lưu trữ và đưa vào mô hình học sâu. 

Quản lý Broker bằng Cedalo 

Nền tảng Cedalo Mosquitto tích hợp sẵn Web Dashboard giúp theo dõi và quản lý hoạt động của Broker một cách trực quan 

  • Quản lý và giám sát các topic đang hoạt động.
  • Theo dõi các client đang kết nối. 
  • Xem trực tiếp các message publish/subscribe theo thời gian thực. 
image 37

Giao diện mẫu

image 38
image 39

THỰC NGHIỆM, ĐÁNH GIÁ VÀ THẢO LUẬN

Độ chính xác mô hình phân loại chất lượng không khí (CNN)

Kịch bản đánh giá

  • Theo dõi quá trình huấn luyện: Vẽ đường cong loss/accuracy theo epoch từ history (plot_training_history) để kiểm tra overfitting/underfitting trước khi kết luận từ kết quả tập kiểm thử. 
  • Đánh giá trên tập kiểm thử: Mô hình được đánh giá trên tập kiểm thử bằng các chỉ số Accuracy, Precision/Recall/F1 (macro và weighted) và ROC–AUC One-vs-Rest. 
  • Đánh giá theo từng lớp: Phát hiện lớp nào có nguy cơ bị bỏ sót (Recall thấp) hoặc bị dự đoán nhầm nhiều (Precision thấp). 
  • Phân tích nhầm lẫn nhãn theo mức AQI gần nhau: Dựa trên Confusion Matrix, tập trung các cặp mức liền kề (ví dụ Good–Moderate, Moderate–Poor, Poor–Hazardous) để đánh giá ranh giới quyết định và độ ổn định phân loại. 
  • Đánh giá khả năng phân biệt bằng ROC. Vẽ đường ROC theo chiến lược One-vsRest và đối chiếu AUC giữa các lớp. 

Kết quả phân loại chất lượng không khí (CNN) 

Mô hình CNN 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. Các kết quả dưới đây phản ánh năng lực học đặc trưng, khả năng tổng quát hóa và mức độ ổn định của mô hình trên dữ liệu kiểm tra.

Đánh giá và trực quan hóa quá trình huấn luyện  

image 40

Trong quá trình huấn luyện mô hình CNN, hai chỉ số quan trọng được theo dõi là Loss và Accuracy trên cả tập huấn luyện và tập kiểm tra. Loss phản ánh mức độ sai lệch giữa dự đoán và nhãn thực tế, trong khi accuracy thể hiện tỷ lệ dự đoán đúng theo lớp. Hình 4.1 mô tả diễn tiến của hai chỉ số này qua 100 epoch, qua đó cho phép đánh giá tốc độ hội tụ, độ ổn định của quá trình học và nguy cơ overfitting. 

Nhận xét:

  • Xu hướng hội tụ và ổn định: Loss trên tập huấn luyện giảm mạnh ở giai đoạn đầu, sau đó tiếp tục giảm chậm và tiến dần đến vùng ổn định. Đồng thời, loss trên tập kiểm tra cũng giảm theo xu hướng tương tự và không xuất hiện dao động bất thường. Điều này cho thấy mô hình không chỉ tối ưu trên dữ liệu huấn luyện mà còn học được các mẫu đặc trưng có khả năng khái quát. 
  • Khả năng tổng quát hóa: Accuracy trên tập kiểm tra duy trì ở mức cao và tương đối ổn định ở giai đoạn sau, phản ánh mô hình có khả năng phân loại tốt trên dữ liệu chưa thấy. Sự ổn định của đường accuracy validation cũng hàm ý mô hình ít nhạy với nhiễu ngẫu nhiên theo batch và không phụ thuộc quá mức vào một nhóm mẫu cụ thể. 
  • Chênh lệch train–val và vai trò regularization: Trường hợp accuracy validation cao hơn accuracy training có thể xảy ra khi quá trình huấn luyện áp dụng các cơ chế regularization như dropout hoặc khi dữ liệu huấn luyện đa dạng và “khó” hơn tập kiểm tra. Khi đó, mô hình trong pha training chịu tác động của dropout (làm nhiễu có kiểm soát), khiến accuracy training thấp hơn một chút so với validation. Hiện tượng này thường không đáng lo nếu loss validation không tăng và các chỉ số tổng hợp trên tập test vẫn tốt. 
  • Dấu hiệu overfitting: Overfitting thường biểu hiện qua việc loss training tiếp tục giảm nhưng loss validation tăng trở lại sau một số epoch, hoặc accuracy training tăng liên tục trong khi accuracy validation giảm. Dựa trên Hình 4.1, không quan sát thấy xu hướng này; do đó, trong phạm vi thực nghiệm, mô hình không có dấu hiệu overfitting. 
  • Hàm ý triển khai: Quá trình hội tụ mượt và ổn định là điều kiện cần để triển khai mô hình trong hệ thống giám sát, bởi mô hình ổn định thường ít “nhảy” kết quả khi dữ liệu đầu vào dao động nhỏ (một đặc trưng phổ biến của dữ liệu cảm biến môi trường). 

Từ các quan sát trên, có thể kết luận mô hình CNN được huấn luyện hiệu quả, hội tụ tốt và có khả năng tổng quát hóa trên dữ liệu kiểm tra, tạo tiền đề cho các đánh giá hiệu suất chi tiết ở phần tiếp theo. 

KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 

Kết luận 

Khóa luận với đề tài “HỆ THỐNG GIÁM SÁT VÀ DỰ BÁO CHẤT LƯỢNG KHÔNG KHÍ THÍCH ỨNG THEO THỜI GIAN ỨNG DỤNG IoT VÀ HỌC SÂU LIÊN TỤC” đã xây dựng được một hệ thống hoàn chỉnh theo hướng thu thập – xử lý – lưu trữ – phân tích AI – hiển thị thời gian thực. Các kết quả chính có thể tóm tắt như sau: 

  • Hoàn thiện pipeline IoT thu thập dữ liệu môi trường: Hệ thống thu thập dữ liệu từ cảm biến (PM2.5, PM10, nhiệt độ, độ ẩm, . . . ) và truyền tải theo giao thức MQTT, đảm bảo phù hợp với kịch bản triển khai giám sát thời gian thực.
  • Xử lý và lưu trữ dữ liệu tập trung: Thiết kế cơ chế xử lý dữ liệu đầu vào (làm sạch cơ bản, chuẩn hóa định dạng, timestamp), và lưu trữ vào cơ sở dữ liệu PostgreSQL phục vụ truy vấn nhanh, đồng thời tạo nền tảng cho huấn luyện/đánh giá mô hình sau này. 
  • Tích hợp mô hình AI cho hai nhiệm vụ cốt lõi: 
    • Phân loại chất lượng không khí (CNN): Mô hình phân loại các mức chất lượng không khí (Good, Moderate, Poor, Hazardous) và cho kết quả ổn định trên dữ liệu kiểm tra, phù hợp cho bài toán cảnh báo.
    • Dự báo nhiệt độ tương lai (CNN–LSTM theo Continual Learning): Mô hình dự báo chuỗi thời gian được xây dựng theo kịch bản học liên tục để thích nghi miền dữ liệu thực tế (UiTiOt) đồng thời kiểm soát quên lãng trên miền nguồn (TSN). Kết quả định lượng cho thấy sai số dự báo trung bình thấp và độ phù hợp cao, đáp ứng yêu cầu theo dõi xu hướng nhiệt độ trong triển khai IoT. 
  • Xây dựng lớp dịch vụ và giao diện hiển thị: Phát triển API bằng FastAPI để cung cấp dữ liệu/đầu ra dự đoán cho ứng dụng, đồng thời xây dựng ứng dụng Android (Jetpack Compose) hiển thị dữ liệu theo thời gian thực và trực quan hóa biểu đồ phục vụ người dùng cuối. 
  • Đánh giá khả năng triển khai thực tế: Thực nghiệm và báo cáo kết quả dưới dạng chỉ số định lượng và trực quan hóa (dashboard, phân tích sai số theo thời gian, phân tích domain shift, . . . ) nhằm chứng minh hệ thống có thể vận hành trong bối cảnh dữ liệu biến thiên theo thời gian và theo miền. 

Nhìn chung, khóa luận đã đạt được mục tiêu xây dựng một hệ thống giám sát và dự báo chất lượng không khí dựa trên IoT và học sâu, trong đó điểm nổi bật là việc đưa Continual Learning vào mô hình dự báo chuỗi thời gian để tăng tính thích nghi khi triển khai ngoài thực địa. 

Hạn chế 

Bên cạnh các kết quả đạt được, hệ thống vẫn còn một số hạn chế cần tiếp tục cải thiện: 

  • Phụ thuộc chất lượng dữ liệu cảm biến: Dữ liệu môi trường dễ bị ảnh hưởng bởi nhiễu, mất gói, lệch chuẩn cảm biến hoặc các điều kiện cực đoan. Điều này làm xuất hiện các ngoại lệ (outlier) gây tăng sai số ở một số thời điểm và ảnh hưởng đến tính ổn định của mô hình dự báo. 
  • Thiếu biến ngoại sinh cho dự báo chuỗi thời gian: Mô hình dự báo hiện chủ yếu dựa trên lịch sử nhiệt độ và đặc trưng thời gian. Khi môi trường biến động nhanh, thiếu các biến bổ trợ như độ ẩm, áp suất, mưa, bức xạ . . . có thể làm mô hình khó bắt kịp chuyển trạng thái, dẫn tới các spike sai số. 
  • Độ trễ và tối ưu suy luận chưa tốt: Một số bước xử lý/dự báo có thể còn nặng (đặc biệt với dự báo dài hạn), khiến độ trễ tăng nếu triển khai theo chế độ cập nhật dày. Hệ thống cần thêm tối ưu để phù hợp hơn với tiêu chí thời gian thực/near real-time. 
  • Khả năng chịu lỗi và tự phục hồi chưa hoàn chỉnh: Cơ chế xử lý khi mất mạng, mất MQTT broker, hoặc cảm biến lỗi vẫn còn đơn giản; chưa có chiến lược tự động reconnect, queue/buffer dữ liệu, và đồng bộ lại khi hệ thống hoạt động trở lại. 
  • Phạm vi thử nghiệm còn giới hạn: Thực nghiệm chủ yếu trong phạm vi một miền dữ liệu và thời gian quan sát nhất định. Điều này làm hạn chế khả năng kết luận về mức độ tổng quát hóa khi triển khai ở nhiều khu vực/thiết bị/điều kiện khí hậu khác nhau. 

Hướng phát triển 

Để nâng cao độ chính xác, tính ổn định và khả năng mở rộng, các hướng phát triển đề xuất gồm: 

  • Mở rộng dữ liệu và đánh giá đa miền: Thu thập dữ liệu ở nhiều vị trí, nhiều loại cảm biến và nhiều mùa khác nhau; xây dựng quy trình đánh giá domain shift rõ ràng hơn để kiểm chứng tính tổng quát và tính bền vững của Continual Learning. 
  • Bổ sung biến ngoại sinh và đặc trưng ngữ cảnh: Tích hợp độ ẩm, áp suất, mưa, tốc độ gió hoặc dữ liệu thời tiết mở (nếu khả thi) để giảm spike sai số; cải tiến đặc trưng thời gian (Fourier features, holiday/weekend, . . . ) nhằm nâng cao dự báo.
  • Tăng cường cơ chế học liên tục và chống quên lãng: Nghiên cứu chiến lược replay (rehearsal), regularization (EWC/LwF) hoặc mô hình hóa theo task/miền nhằm giảm catastrophic forgetting khi số miền tăng và domain shift mạnh hơn.
  • Hoàn thiện độ tin cậy hệ thống (reliability): Thiết kế cơ chế buffer khi mất mạng, retry/backoff, giám sát tình trạng cảm biến, cảnh báo lỗi, và tự phục hồi dịch vụ nhằm đảm bảo dữ liệu liên tục. 
  • Tối ưu triển khai và suy luận: Nén mô hình (quantization, pruning), tối ưu pipeline suy luận (batching/scheduling), và hướng tới triển khai trên thiết bị biên như Raspberry Pi/mini-PC để giảm phụ thuộc hạ tầng. 
  • Xây dựng dashboard quản trị và bản đồ trực quan: Phát triển trang quản trị (web dashboard) cho thống kê, theo dõi trạng thái hệ thống, cấu hình ngưỡng cảnh báo; tích hợp bản đồ hiển thị điểm đo và lớp AQI theo thời gian thực. 
  • Nâng cấp bảo mật và quản trị mô hình: Bổ sung quản lý phiên bản mô hình, theo dõi chất lượng dữ liệu (data drift), theo dõi chất lượng mô hình (model drift) và quy trình cập nhật an toàn. Trong hướng dài hạn có thể cân nhắc cơ chế lưu vết/audit cho quá trình cập nhật mô hình (không nhất thiết phải dùng blockchain, ưu tiên giải pháp nhẹ và phù hợp hệ thống). 

Tổng kết lại, hệ thống đã đáp ứng được mục tiêu xây dựng mô hình giám sát–dự báo dựa trên IoT và học sâu, đồng thời mở ra hướng nghiên cứu/ứng dụng tiềm năng về học sâu liên tục trong các bài toán môi trường có dữ liệu thay đổi theo thời gian và theo miền triển khai. 

No posts to display