Comparative analysis of short-term weather forecasting models for autonomous observation systems
Abstract
Under conditions of limited computational resources, the task of short-term weather forecasting (temperature, pressure, wind speed, and direction) is addressed using various methods. This work compares three approaches—naive model, regression models (Holt’s and linear regression), and the LSTM neural network—based on data from an autonomous weather station, for 24- and 72-hour forecasts. Results indicate that exponential smoothing provides the best balance between accuracy and computational efficiency, while the LSTM neural network approach achieves the highest forecast accuracy when sufficient resources are available.
References
Кашин И.В., Степанов В.В. Применение машинного обучения в прогнозировании погоды: обзор // Оптика атмосферы и океана. – 2020. – Т. 33, № 5. – С. 471–478. – DOI: 10.1134/S1024856020050067
Хохрейтер С., Шмидхубер Й. Долгая краткосрочная память // Нейрокомпьютинг (Neural Computation). – 1997. – Т. 9, № 8. – С. 1735–1780. – DOI: 10.1162/neco.1997.9.8.1735
Гнайтинг Т., Рафтери А.Е. Прогнозирование погоды с использованием ансамблевых методов // Наука (Science). – 2005. – Т. 310, № 5746. – С. 248–249. – DOI: 10.1126/science.1115255
Расп С., Притчард М.С., Жантин П. Глубокое обучение для представления субсеточных процессов в климатических моделях // Труды Национальной академии наук (Proc. Natl. Acad. Sci.). – 2018. – Т. 115, № 39. – С. 9684–9689. – DOI: 10.1073/pnas.1810286115
Букабара С.-А. и др. Глобальная система прогнозирования, разрешающая конвекцию, на основе машинного обучения // Бюллетень Американского метеорологического общества (Bulletin of the American Meteorological Society). – 2022. – Т. 103, № 1. – С. E100–E115. – DOI: 10.1175/BAMS-D-20-0224.1
Ван Р., У Т., Лю Х. GraphCast: Обучение искусному среднесрочному глобальному прогнозированию погоды // Препринт arXiv. – 2023. – arXiv:2311.05558.
Би З., Ван Д., Линь Ю. Гибридная модель, сочетающая WRF и LSTM для прогнозирования погоды // Прикладные науки (Applied Sciences). – 2022. – Т. 12, № 6. – С. 2923. – DOI: 10.3390/app12062923
Любанин В.М. Модели и методы прогноза атмосферных процессов. – М.: Наука, 2019. – 328 с. (Оригинал на русском, оставлен без изменений)
Ишмухаметов И.И., Рахматуллин Ф.Х. Использование нейросетей для краткосрочного прогнозирования температуры воздуха // Вестник КГУ им. Н.А. Некрасова. – 2021. – № 3. – С. 102–108. (Оригинал на русском, оставлен без изменений)
Карпатне А. и др. Наукоемкая наука о данных: Новая парадигма научного открытия // IEEE Transactions on Knowledge and Data Engineering. – 2017. – Т. 29, № 10. – С. 2318–2331. – DOI: 10.1109/TKDE.2017.2720168
Приваленко А.А. Оптимизация навигации с использованием метеокомплекса нового поколения // Научные проблемы транспорта Сибири и Дальнего Востока. — 2025. — № 1. — С. 108–114. (Оригинал на русском, оставлен без изменений)
Copyright (c) 2025 Russian Journal of Water Transport
This work is licensed under a Creative Commons Attribution 4.0 International License.
