logo
calendar11 Iyun 2024
view31
Основной язык:Русский

ДОЛГОСРОЧНЫЙ ПРОГНОЗ ТЕМПЕРАТУРЫ С ПОМОЩЬЮ АНСАМБЛЯ РЕКУРРЕНТНОЙ И АВТОРЕГРЕССИОННОЙ НЕЙРОННЫХ СЕТЕЙ

Область науки:
pdf

6667e9dd87b7d.pdf

PDF

Гидрометеорология и мониторинг окружающей среды

Гидрометеорология и мониторинг окружающей среды

Опубликовать статьюsee more

АННОТАЦИЯ СТАТЬИ

quote
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.

АВТОРЫ

M.Arushanov

Научно-исследовательский гидрометеорологический институт

X.Umerov

Научно-исследовательский гидрометеорологический институт

Теги

# модели прогнозирования# рекуррентные нейронные сети# нелинейные авторегрессионные ней# нейронные сети длинной кратковре# приземная температура# среднеквадратичная ошибка# ансамбли моделей.# прогнозлаш моделлари# рекуррент нейрон тармоқлар# ночизиқли авторегрессив нейрон т# қисқа муддатли катта хотира нейр# ер усти ҳарорати# ўртача квадрат хато# моделлар ансамбллари.# forecasting models# recurrent neural networks# non-linear autoregressive neural# neural networks with long short-# surface temperature# root mean square error# ensembles of models.

ДРУГИЕ СТАТЬИ ЭТОГО ЖУРНАЛА

Оценить статью

0
оценок: 0
5
4
3
2
1

Идентификаторы статьи

ROI:

https://eroi.uz/11.0191/A0624-0012

DOI:

Недоступно

Список литературы

Арушанов М.Л. Предикторы погоды на длительные сроки. – Hamburg: Lambert Academic Publishing (LAP), 2014. – 139 с.

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.

Абдусаматов Х.И. Солнце определяет климат // Наука и жизнь.  2009. №1.  C. 34-40.

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.

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.

79-390. Медведев В.С., Потемкин В.Г. Нейронные сети. MATLAB 6. – М.: ДИАЛОГ-МИФИ. – 2001. – 630 c.

Шагалова П.А., Ляхманов Д.А. Нейросетевые технологии в решении задач прогнозирования // Современные проблемы науки и образования. – 2014. № 6. – С. 6-13.

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.

Arushanov M.L. The natural reasons of change of a climate of a planet. – Hamburg: LAMBERT Aacademic Publishing (LAP), – 2012. – 170 p.

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.

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