Прогнозирование является одним из важнейших элементов современных информационных технологий принятия решений в управлении. Эффективность того или иного решения оценивается по событиям, произошедшим постфактум. Поэтому прогностическая оценка того или иного события является определённым критерием принятия решения. Рассматриваемая модель сетей длинной кратковременной памяти (LSTM), предполагает зависимость текущего значения величины y(t), как функции от некоторого набора векторов (предикторов) прошлых значений.
В данной статье решается задача прогноза приземной температуры по реконструированным, упорядоченных во времени данным, с использованием текущих данных приземной температуры воздуха. Оценивается влияние числа нейронов в скрытом слое на качество прогноза. Используется метод комбинированных (гибридных) моделей прогнозирования с применением ансамбля нейросетевых моделей.
Выполненные оценки разработанной прогностической модели приземной температуры воздуха оказались достаточно высокими, что позволяет использовать ансамбли нейросетевых моделей в оперативной работе гидрометеорологических служб в задаче долгосрочного прогноза приземной температуры воздуха.
Прогнозирование является одним из важнейших элементов современных информационных технологий принятия решений в управлении. Эффективность того или иного решения оценивается по событиям, произошедшим постфактум. Поэтому прогностическая оценка того или иного события является определённым критерием принятия решения. Рассматриваемая модель сетей длинной кратковременной памяти (LSTM), предполагает зависимость текущего значения величины y(t), как функции от некоторого набора векторов (предикторов) прошлых значений.
В данной статье решается задача прогноза приземной температуры по реконструированным, упорядоченных во времени данным, с использованием текущих данных приземной температуры воздуха. Оценивается влияние числа нейронов в скрытом слое на качество прогноза. Используется метод комбинированных (гибридных) моделей прогнозирования с применением ансамбля нейросетевых моделей.
Выполненные оценки разработанной прогностической модели приземной температуры воздуха оказались достаточно высокими, что позволяет использовать ансамбли нейросетевых моделей в оперативной работе гидрометеорологических служб в задаче долгосрочного прогноза приземной температуры воздуха.
Прогнозлаш бошқарувда қарор қабул қилиш учун замонавий ахборот технологияларининг энг муҳим элементларидан биридир. Қарорнинг самарадорлиги ҳақиқатдан кейин содир бўлган воқеалар билан баҳоланади. Шунинг учун воқеани прогностик баҳолаш қарор қабул қилишнинг маълум бир мезони ҳисобланади. Кўриб чиқилаётган қисқа муддатли катта хотира модели (LSTM) y(t) қийматига боғлиқ ҳолда ўтган қийматларнинг маълум векторлари (прогноз қилувчилари) тўпламига боғлиқлигини назарда тутади.
Ушбу мақола реконструкция қилинган, вақт бўйича тартибланган ер усти ҳаво ҳарорати маълумотларидан фойдаланиб, уни прогноз қилиш муаммосини ҳал қилади. Яширин қатламдаги нейронлар сонининг прогноз сифатига таъсири баҳоланган. Нейрон тармоқ моделлари ансамблидан фойдаланган ҳолда бирлаштирилган (гибрид) моделлар ёрдамида прогнозлаш усули қўлланилган.
Ер усти ҳаво ҳарорати учун ишлаб чиқилган прогностик моделнинг баҳолари анча юқори бўлиб чиқди, бу эса гидрометеорология хизматларининг оператив фаолиятида узоқ муддатли прогнозлаш масаласида нейрон тармоқ моделлари ансамблларидан фойдаланиш имконини беради.
Forecasting is one of the most important elements of modern information technologies for decision-making in management. The effectiveness of a decision is evaluated by the events that occurred after the fact. Therefore, the prognostic assessment of an event is a certain decision-making criterion. The long-term short-term memory model (LSTM) under consideration assumes the dependence of the current value of y(t) as a function of a certain set of vectors (predictors) of past values.
This article solves the problem of surface temperature forecasting from reconstructed, time-ordered data, using current data on surface air temperature. The influence of the number of neurons in the hidden layer on the quality of the forecast is estimated. The method of combined (hybrid) forecasting models using an ensemble of neural network models is used.
The estimates of the developed prognostic model of surface air temperature turned out to be quite high, which makes it possible to use ensembles of neural network models in the operational work of hydrometeorological services in the problem of long-term forecasting of surface air temperature.
| № | Муаллифнинг исми | Лавозими | Ташкилот номи |
|---|---|---|---|
| 1 | Arushanov M.L. | ПРОФЕССОР | Научно-исследовательский гидрометеорологический институт |
| 2 | Umerov X.U. | с. н. с | Научно-исследовательский гидрометеорологический институт |
| № | Ҳавола номи |
|---|---|
| 1 | Арушанов М.Л. Предикторы погоды на длительные сроки. – Hamburg: Lambert Academic Publishing (LAP), 2014. – 139 с. |
| 2 | Абдусаматов Х.И. О долговременных скоординированных вариациях активности, радиуса, светимости Солнца и климата / Тр. межд. конф. «Солнечная активность и космические лучи после смены знака полярного магнитного поля Солнца». C-Пб. 2002. С. 13-18. |
| 3 | Абдусаматов Х.И. Солнце определяет климат // Наука и жизнь. 2009. №1. C. 34-40. |
| 4 | Володин Е.М., Дианский Н.А., Гусев А.В. Воспроизведение современного климата с помощью моделей общей циркуляции атмосферы и океана INMC 4.0 // Известия РАН. Физика атмосферы и океана. – 2010. Том 46, № 4. – C. 448-466. |
| 5 | Замолодчиков Д.Г. Прогноз роста глобальной температуры в XXI веке на основе простой статистической модели // Компьютерные исследования и моделирование. – 2016. Том 8, № 2. – С. 379-390. |
| 6 | 79-390. Медведев В.С., Потемкин В.Г. Нейронные сети. MATLAB 6. – М.: ДИАЛОГ-МИФИ. – 2001. – 630 c. |
| 7 | Шагалова П.А., Ляхманов Д.А. Нейросетевые технологии в решении задач прогнозирования // Современные проблемы науки и образования. – 2014. № 6. – С. 6-13. |
| 8 | Abdusamatov H.I. About the long-term coordinated variations of the activity, radius, total irradiance of the Sun and the Earth’s climatic / Proc. IAU Symposium №223. Cambridge: Univ. press. – 2004. – PР. 541-542. |
| 9 | Arushanov M.L. The natural reasons of change of a climate of a planet. – Hamburg: LAMBERT Aacademic Publishing (LAP), – 2012. – 170 p. |
| 10 | Hantemirov R.M., Corona C., Guillet S., Shiyatov1 S.G., Stoffel M., Osborn T.J., Melvin T.M., Gorlanova L.A. Kukarskih V.V., Surkov1 A.Y., Arx G., Fonti P. Current Siberian heating is unprecedented during the past seven millennia //Nature Communications,– 2022. №3. – РР. 3-10. |
| 11 | Электронные ресурсы: Ефименко Г.А., Синица А.М. Нейронные сети в MatLab. URL: https://digiratory.ru/508 LSTM – Long Short-Term Memory Networks. URL: https://se.mathworks.com/help/deeplearning/ug/long-short-term-memory-networks.html |