Дослідження застосування штучних нейронних мереж для підвищення точності прогнозування температури навколишнього середовища

Штучні нейронні мережі стають все більш популярним інструментом у дослідженні та прогнозуванні погодних умов. Використання цих мереж для прогнозування температури навколишнього середовища на короткочасний період має великий потенціал у сферах, де точні та швидкі прогнози є критично важливими. Попередження про погоду вважаються ключовими інформаційними продуктами, оскільки вони допомагають захистити життя та майно від небезпек, пов’язаних з екстремальними погодними умовами. Велике значення має не лише сам факт попередження, а й достовірність та своєчасність отриманої інформації. Метою роботи було збільшення точності прогнозування температури та вибір найбільш ефективної моделі нейронної мережі для вирішення задачі прогнозування температури. Погодні параметри для дослідження були зібрані з кліматичного центру даних та поділені на три набори (навчальний, тестувальний та валідаційний). Було проведено навчання та тестування нейронних мереж. Як перспективний підхід для збільшення точності прогнозу було обрано рекурентну нейронну мережу (RNN) та комбінацію нейронних мереж (згорткової та повнозв’язної). З використанням наборів даних за цими моделями було зроблено прогноз майбутньої температури. Перевірка точності цих прогнозів проводилась за допомогою метрик якості, таких як середня абсолютна похибка (MAE), середня квадратична похибка (MSE), середня абсолютна відсоткова похибка (MAPE). Доведено, що запропоновані моделі мають похибку у 15.46% та 14.22% для прогнозування температури рекурентною нейронною мережею та їх комбінацією. Результати підтверджують, що запропоновані моделі мають потенціал для успішного застосування при прогнозуванні температури.

Artificial neural networks are becoming increasingly popular tools in researching and forecasting weather conditions. The use of these networks for predicting ambient temperature in the short term holds great potential in fields where accurate and rapid forecasts are critically important. Weather warnings are considered key informational products as they help protect lives and property from dangers associated with extreme weather conditions. The reliability and timeliness of the received information are of significant importance, not just the fact of the warning itself. The aim of the research was to increase the accuracy of temperature forecasting and select the most effective neural network model for addressing the temperature prediction task. Weather parameters for the research were collected from the climate data center and divided into three datasets (training, testing, and validation). Neural networks were trained and tested. A recurrent neural network (RNN) and a combination of neural networks (convolutional and fully connected) were chosen as promising approaches to increase forecast accuracy. Using these models with the datasets, forecasts of future temperatures were made. The accuracy of these forecasts was verified using quality metrics such as mean absolute error (MAE), mean squared error (MSE), and mean absolute percentage error (MAPE). It was demonstrated that the proposed models have errors of 15.46% and 14.22% for forecasting temperature with the recurrent neural network and its combination, respectively. The results confirm that proposed models have the potential for successful application in temperature forecasting.