ІНФОРМАЦІЙНА ТЕХНОЛОГІЯ ОПТИМІЗАЦІЇ ПАРАМЕТРІВ АНСАМБЛЮ МОДЕЛЕЙ ШТУЧНОГО ІНТЕЛЕКТУ ДЛЯ ПРОГНОЗУВАННЯ НАЯВНОСТІ ОПАДІВ ЗА ДАНИМИ МЕТЕОМОНІТОРИНГУ
DOI:
https://doi.org/10.31649/1997-9266-2020-153-6-76-83Ключові слова:
інформаційна технологія, моделі штучного інтелекту, прогнозування наявності опадів, інформативні ознакиАнотація
Прогнозування даних — це тривіальна задача системного аналізу, існують різні види прогнозів та передбачення. Одним з них є бінарний прогноз, який відповідає на питання: «Відбудеться подія чи ні?». Одним з питань метеорології є питання прогнозування наявності опадів, а також яка точність буде у такого прогнозу.
В роботі розглянуто задачу прогнозування наявності опадів за даними метеорологічного моніторингу та запропонована інформаційна технологія оптимізації параметрів ансамблю таких моделей машинного навчання, як моделі градієнтного бустингу та логістичної регресії, що побудовані на основі набору інформативних ознак. Запропонована інформаційна технологія дозволяє виконати розвідувальний аналіз вхідних даних та визначити оптимальний набір інформативних ознак, а за рахунок алгоритму, який на кожному кроці визначає оптимальні одно-, дво-, три-, … елементні набори ознак, максимізувати точність прогнозування. Побудовано графіки впливу ознак на точність використаних моделей машинного навчання. Для кожного типу моделей визначено свій набір ознак. Для побудови інформаційної технології взято дані, надані Вінницьким центром з гідрометеорології. Це дані моніторингу атмосфери м. Вінниця за останні 10 років, які включають: температуру повітря, вологість повітря, точку роси, хмарність та швидкість вітру.
Для підвищення точності прогнозування запропоновано математичну модель, яка базується на оптимальному визначенні ваг ансамблю моделей градієнтного бустингу та логістичної регресії. Проведено експерименти, які показали достатньо точний результат. Точність запропонованої інформаційної технології показала 80 %. Це підвередило достовірність запропонованої технології.
Посилання
A. Bezerra, I. Silva, L. A. Guedes, D. Silva, G. Leitão, and K. Saito, “Extracting Value from Industrial Alarms and Events: A Data-Driven Approach Based on Exploratory Data Analysis,” Sensors, 2019, no. 19, issue 12, pp. 11-32.
Як роблять прогнози погоди і чому вони іноді не збуваються? Прогноз. [Електронний ресурс]. Режим доступу: https://www.bbc.com/ukrainian/features-51545290 . Назва з екрана.
Прогнози погоди і клімату та притаманні їм обмеження. [Електронний ресурс]. Режим доступу: http://prima.franko.lviv.ua/faculty/geology/phis_geo/fourman/E-books-FVV/Intera ctive%20books/Meteorology/Weather%20Forecasting/Weather%20Ukraine/Meteo-forecasting/Analyze-forecast%20of%20limits%20climate.htm . Назва з екрана.
Прогнозування погоди. [Електронний ресурс]. Режим доступу: http://prima.franko.lviv.ua/faculty/geology/phis_geo/fourman/E-books-FVV/Intera ctive%20books/Meteorology/ForecaseM.htm. Назва з екрана.
Guolin Ke, et. al.,“LightGBM: A Highly Efficient Gradient Boosting Decision Tree,” Advances in Neural Information Processing Systems 30 (NIPS 2017), pp. 3149-3157.
E. Bauer, and R. Kohavi, “An Empirical Comparison of Voting Classification Algorithms: Bagging, Boosting, and Variants,” Machine Learning, 1999, pp. 105-139.
Module pandas_profiling. [Electronic resource]. Available: https://pandas-profiling.github.io/pandas-profiling/docs/ .
Matplotlib API Overview. [Electronic resource]. Available: https://matplotlib.org/api/index.html .
A new correlation coefficient between categorical, ordinal and interval variables with Pearson characteristics. [Electronic resource]. Available: https://arxiv.org/abs/1811.11440 .
XGBoost Documentation. [Electronic resource]. Available: https://xgboost.readthedocs.io/en/latest/ .
LightGBM Documentation. [Electronic resource]. Available: https://lightgbm.readthedocs.io/en/latest/ .
##submission.downloads##
-
PDF
Завантажень: 117
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, згодні з такими умовами:
- Автори зберігають авторське право і надають журналу право першої публікації.
- Автори можуть укладати окремі, додаткові договірні угоди з неексклюзивного поширення опублікованої журналом версії статті (наприклад, розмістити її в інститутському репозиторії або опублікувати її в книзі), з визнанням її первісної публікації в цьому журналі.
- Авторам дозволяється і рекомендується розміщувати їхню роботу в Інтернеті (наприклад, в інституційних сховищах або на їхньому сайті) до і під час процесу подачі, оскільки це сприяє продуктивним обмінам, а також швидшому і ширшому цитуванню опублікованих робіт (див. вплив відкритого доступу).
