Experimental results showed that ou

Experimental results showed that our machine learning approaches including LASSO, Random Forests and Support
Vector Regression, are efficient models to forecast accurate 5-lead-days based on the operational requirements of the Mekong River Commission. The Support Vector Regression model was able to achieve the lowest mean absolute error (0.486(m)) while the acceptable of a flood forecast model is
in [0.5(m), 0.75(m)]. These data-driven models can be also applied to forecast 1, 2, 3, 4 lead days for the flood warning system.

Kết quả (Việt) 1:

Kết quả thử nghiệm đã chỉ ra rằng máy của chúng tôi học tập phương pháp tiếp cận bao gồm LASSO, ngẫu nhiên rừng và hỗ trợVector Regression, hiệu quả các mô hình để dự báo chính xác 5-chì ngày dựa trên yêu cầu hoạt động của Ủy ban sông Mê Kông. Mô hình hồi qui Vector hỗ trợ đã có thể đạt được lỗi tuyệt đối trung bình thấp nhất (0.486(m)) trong khi chấp nhận được của một lũ thời mô hìnhtrong [0.5(m), 0.75(m)]. Những mô hình dữ liệu điều khiển có thể được áp dụng cũng đến thời 1, 2, 3, 4 đầu ngày đối với hệ thống cảnh báo lũ lụt.

Kết quả (Việt) 2:

Kết quả thí nghiệm cho thấy phương pháp học máy của chúng tôi bao gồm Lasso, rừng ngẫu nhiên và Hỗ trợ
Vector Regression, là mô hình hiệu quả để dự báo chính xác 5 chì ngày dựa trên các yêu cầu hoạt động của Ủy hội sông Mê Kông. Mô hình hồi quy Support Vector đã có thể đạt được các lỗi thấp nhất trung bình tuyệt đối (0,486 (m)) trong khi chấp nhận một mô hình dự báo lũ là
trong [0,5 (m), 0.75 (m)]. Những mô hình này dựa trên dữ liệu cũng có thể được áp dụng để dự báo 1, 2, 3, 4 ngày đầu cho các hệ thống cảnh báo lũ.