84

Тадқиқот ишида реконструкцияланган ҳароратлар қаторларини прогнозлаш мақсадида нейрон тармоқларидан фойдаланган ҳолда вақт қаторларини вейвлет-ёйиш асосида маълумотларни қайта ишлашнинг таьсири таҳлил қилинган. Бир нечта моделлардан фойдаланиш ёндашуви кўриб чиқилган ва уларнинг гибрид комбинациясининг прогноз имкониятлари таҳлил қилинган. Вейвлет алмаштиришдан ҳарорат вақт қаторининг шовқин компонентини бартараф этиш воситаси сифатида фойдаланилади, прогнозлаш модели эса нейрон тармоғи технологиялари ва вақт қаторларини прогнозлашнинг регрессион усуллари асосида қурилган. 

  • Internet ҳавола
  • DOI
  • UzSCI тизимида яратилган сана 29-05-2024
  • Ўқишлар сони 84
  • Нашр санаси 28-12-2022
  • Мақола тилиO'zbek
  • Саҳифалар сони8-20
Русский

В данном исследовании проанализировано влияние предобработки временных рядов на основе вейвлет-разложения в сочетании с нейронными сетями в целях прогноза рядов реконструированных температур. Рассмотрены подходы с использованием нескольких моделей и анализируются их прогностические возможности в гибридном сочетании. Вейвлет-преобразование используется, как инструмент подавления шумовой составляющей временного ряда температуры, а прогностическая модель строится на основе технологий Нейронных сетей и регрессионных методов прогноза временных рядов.  

Ўзбек

Тадқиқот ишида реконструкцияланган ҳароратлар қаторларини прогнозлаш мақсадида нейрон тармоқларидан фойдаланган ҳолда вақт қаторларини вейвлет-ёйиш асосида маълумотларни қайта ишлашнинг таьсири таҳлил қилинган. Бир нечта моделлардан фойдаланиш ёндашуви кўриб чиқилган ва уларнинг гибрид комбинациясининг прогноз имкониятлари таҳлил қилинган. Вейвлет алмаштиришдан ҳарорат вақт қаторининг шовқин компонентини бартараф этиш воситаси сифатида фойдаланилади, прогнозлаш модели эса нейрон тармоғи технологиялари ва вақт қаторларини прогнозлашнинг регрессион усуллари асосида қурилган. 

English

This study analyzes the impact of time series preprocessing based on wavelet decomposition in combination with neural networks in order to predict the reconstructed temperature series. Approaches using several models are considered and their predictive capabilities in a hybrid combination are analyzed. The wavelet transform is used as a tool for suppressing the noise component of the temperature time series, and the predictive model is built on the basis of Neural Network technologies and regression methods for forecasting time series. 

№ Ҳавола номи
1 Алексеев В.И. Анализ и прогнозирование циклических временных рядов с использованием вейвлетов и нейросетевых нечетких правил вывода // Вестник Югорского госуниверситета, 2013. Вып. 3(30). – С. 3-10.
2 Арушанов М.Л. Практические вопросы использования вейвлет-преобразования в метеорологии. – Ташкент: НИГМИ, 2015. – 51 с.
3 Витязев В.П. Вейвлет-анализ временных рядов. – СПб.: СПУ. 2001. – 58 с.
4 Дьяконов В.П. Матлаб. – М.: ДМК. 2012. – 768 с.
5 Жмурко Д.Ю. Анализ данных сахарного подкомплекса АПК с применением вейвлет- преобразования (часть 2 – дискретные вейвлет преобразования) // Научный журнал КубГАУ, 2017. №130(06). – C. 12-19.
6 Канасевич Э.Р. Анализ временных последовательностей в геофизике. – М.: Недра, 1985. – 399 с.
7 Ли Г. Вейвлеты и оценка вейвлетов // Журнал экономической теории и эконометрики, 1998. №4(1). – С. 123-157.
8 Малла С. Вейвлеты в обработке сигналов. – М.: Мир, 2005. – 671 c.
9 Медведев В.С., Потемкин В.Г. Нейронные сети. MATLAB 6. – М.: ДИАЛОГ-МИФИ. 2001. – 630 с.
10 Мещерская А.В., Руховец Л.В., Юдин М.И., Яковлева Н.И. Естественные составляющие метеорологических полей. – Л.: Гидрометеоиздат, 1970. – 199 с.
11 Росси Э. Одномерные GARCH-модели // Квантиль. 2004. №8. – 67 с.
12 Alexandridis A.K., Zapranis A.D. Wavelet neural networks: A practical guide // Neural Networks, 2013. №42. – С. 3–27.
13 Hantemirov R.M., Corona C., Guillet S., Shiyatov S.G., Stoffel M., Osborn T.J., Melvin T.M., Gorlanova L.A., Kukarskih V.V., Surkov A.Y., Arx G., Fonti P. Current Siberian heating is unprecedented during the past seven millennia // Nature Communications, 2022. No. 3. – РР. 3-10.
14 Jin J., Kim J. Forecasting Natural Gas Prices Using Wavelets, Time Series, and Artificial Neural Networks // PLoS ONE, 2015. 10(11). – РP. 11-21.
15 Rioul O., Vetterli M. Wavelets and Signal Processing // IEEE SP Magazine, 1991. No. 10. – PP. 14-38.
16 Rumaih A., Ejaz Ahmed R., Bakry S.H., Al Dhalaan A. A methodology for network topology design with link and node failure tolerances // International Journal of Network Management, 1996. No. 6(1). – РP. 42–63.
Кутилмоқда