Застосування методів дослідження операцій для прогнозування температури навколишнього середовища за допомогою нейронних мереж

У статті розглядається застосування методів дослідження операцій для прогнозу- вання температури навколишнього середовища за допомогою нейронних мереж. Основна мета дослідження полягає у підвищенні точності температурних прогнозів, що є важ- ливим в умовах глобальних кліматичних змін та збільшення частоти екстремальних погодних явищ. Для досягнення цієї мети використовуються комбінація рекурентних нейронних мереж (RNN) та конволюційних нейронних мереж (CNN), що дозволяє ефек- тивно обробляти як просторові, так і часові залежності в даних. Основні результати показали, що запропоновані моделі значно перевершують традиційні методи прогнозу- вання температури за точністю. Використання таких якісних метрик, як середньоква- дратична помилка (MSE) та середня абсолютна помилка (MAE), дозволило об'єктивно оцінити продуктивність моделей. Це свідчить про потенціал запропонованого підходу для застосування у реальних умовах. Застосування точних температурних прогнозів має велике значення для таких галузей, як енергетика та сільське господарство. У енер- гетичному секторі точні прогнози дозволяють ефективніше управляти споживанням енергії, зменшуючи витрати на виробництво та транспортування. У сільському гос- подарстві точні прогнози допомагають оптимізувати управління ресурсами, такими як вода і добрива, та знижувати ризики від несприятливих погодних умов, таких як заморозки чи хвилі спеки. Стаття також підкреслює важливість подальших дослі- джень у напрямку вдосконалення моделей нейронних мереж для прогнозування кліма- тичних параметрів. Використання сучасних методів машинного навчання, таких як глибоке навчання, може сприяти подальшому підвищенню точності та надійності прогнозів. Дослідження також вказує на необхідність інтеграції різних типів даних, включаючи супутникові спостереження та дані наземних метеорологічних станцій, для покращення моделювання та прогнозування. Таким чином, використання методів дослідження операцій у поєднанні з нейронними мережами відкриває нові можливості для покращення точності прогнозування температури, що має важливе значення для багатьох галузей та сфер діяльності. Це підкреслює актуальність та перспективність подальших досліджень у цьому напрямку, що може мати значний вплив на адаптацію до змін клімату та ефективне управління ресурсами.

The article considers the application of operations research methods for forecasting the ambient temperature using neural networks. The main goal of the research is to increase the accuracy of temperature forecasts, which is important in the context of global climate changes and an increase in the frequency of extreme weather events. To achieve this goal, a combination of recurrent neural networks (RNN) and convolutional neural networks (CNN) are used, which allows for efficient processing of both spatial and temporal dependencies in the data. The main results showed that the proposed models significantly outperform traditional temperature forecasting methods in terms of accuracy. The use of such qualitative metrics as the mean squared error (MSE) and the mean absolute error (MAE) made it possible to objectively assess the performance of the models. This indicates the potential of the proposed approach for application in real conditions. The application of accurate temperature forecasts is of great importance for such industries as energy and agriculture. In the energy sector, accurate forecasts allow more efficient management of energy consumption, reducing production and transportation costs. In agriculture, accurate forecasts help optimize the management of resources such as water and fertilizers and reduce risks from adverse weather conditions such as frost or heat waves. The article also emphasizes the importance of further research in the direction of improving neural network models for forecasting climate parameters. The use of modern machine learning methods, such as deep learning, can help further increase the accuracy and reliability of predictions. The study also points to the need to integrate different types of data, including satellite observations and data from ground weather stations, to improve modeling and forecasting. Thus, the use of operations research methods in combination with neural networks opens up new opportunities to improve the accuracy of temperature forecasting, which is important for many industries and fields of activity. This emphasizes the relevance and perspective of further research in this direction, which can have a significant impact on adaptation to climate change and effective resource management.