Сравнительный анализ моделей краткосрочного прогнозирования погоды для систем автономного наблюдения
Аннотация
В условиях ограниченных вычислительных ресурсов задача краткосрочного прогнозирования погоды (температуры, давления, силы и направления ветра) решается с использованием различных методов. В данной работе, на основе данных автономной метеостанции, сравниваются три подхода: наивная модель, регрессионные модели (Хольт и линейная регрессия) и нейросеть LSTM, для прогнозов на 24 и 72 часа. Результаты показывают, что экспоненциальное сглаживание обеспечивает наилучший баланс между точностью и вычислительными затратами, в то время как нейросетевой подход LSTM, при наличии достаточных ресурсов, позволяет достичь максимальной точности прогнозов.
Литература
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 Научные проблемы водного транспорта
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
