Table | Card | RUSMARC | |
Allowed Actions: –
Action 'Read' will be available if you login or access site from another network
Group: Anonymous Network: Internet |
Annotation
Актуальность данной работы заключается в необходимости разработки моделей прогнозирования на базе нейронных сетей для портативных метеостанций, ввиду невозможности использовать для локальных исследований ресурсозатратных математических моделей. Объектом исследования являются методы на основе нейронных сетей для прогноза метеорологических параметров. Целью данной работы является разработка эффективной модели нейронной сети с долгой краткосрочной памятью для прогнозирования метеорологических элементов погоды. Для достижения поставленной в работе цели был изучен теоретический материал о рекуррентных нейронных сетях, разработаны два подхода к созданию прогноза: с помощью интерполяции полученных прогнозируемых данных и создание обучающего набора с помощью интерполяции. В соответствии с поставленной задачей была реализована нейронная сеть с долгой краткосрочной памятью с помощью фреймворка TensorFlow и библиотек Pandas, Keras, SKlearn на языке программирования Python, а также проведен сравнительный анализ методов прогнозирования метеорологических данных. Прогноз с помощью данной модели достигает точности до 90% для ряда метеорологических параметров. Нейронная сеть показала, что умеет искать периодичность в данных и при этом умеет предсказывать сезонный тренд.
The relevance of this work lies in the need to develop forecasting models based on neural networks for portable meteorological stations, due to the inability to use resource-intensive mathematical models for local research. The object of the study is methods based on neural networks for forecasting meteorological parameters. The purpose of this work is to develop an effective model of a neural network with a long short-term memory for forecasting meteorological elements of the weather. In order to achieve the goal set in the work, theoretical material on recurrent neural networks was studied, two approaches to creating a forecast were developed: using interpolation of the predicted data obtained and creating a training set using interpolation.In accordance with the task, a neural network with a long short-term memory was implemented using the TensorFlow framework and the Pandas, Keras, SKlearn bibliotech in the Python programming language, and a comparative analysis of meteorological data forecasting methods was carried out. The forecast using this model reaches an accuracy of up to 90% for a number of meteorological parameters. The neural network has shown that it is able to search for periodicity in data and at the same time is able to predict the seasonal trend.
Document access rights
Network | User group | Action | ||||
---|---|---|---|---|---|---|
ILC SPbPU Local Network | All | |||||
Internet | Authorized users SPbPU | |||||
Internet | Anonymous |
Usage statistics
Access count: 1
Last 30 days: 0 Detailed usage statistics |