Редакция сайта ТАСС
НОВОСИБИРСК, 29 декабря. /ТАСС/. Алгоритм построения метеорологических прогнозных моделей с использованием нейросетей для повышения эффективности прогнозирования погоды разработали ученые Новосибирского государственного технического университета (НГТУ). Об этом ТАСС сообщили в пресс-службе вуза.
Промышленность, сельское хозяйство, городское планирование, туризм и многие другие отрасли требуют точной и актуальной информации о погодных условиях, климатических изменениях и состоянии окружающей среды. Она основывается главным образом на наблюдениях и данных, полученных с метеорологических станций, спутников, датчиков и других устройств. Тем не менее существующие подходы имеют свои ограничения из-за большого объема данных, сложности их обработки и ограничений в пространстве и времени.
"Ученые НГТУ предложили использовать метод группировки нейронных сетей, при котором несколько независимых нейросетей обучаются выполнению одной и той же задачи с целью повышения качества прогнозирования. Важно тщательно подбирать их структуру и параметры и обучать на достаточном количестве разнообразных данных для достижения хороших результатов
Одним из способов применения группировки нейронных сетей для прогнозирования погоды является использование метода разбивки на пакеты. В этом случае нейронные сети обучаются на разных подмножествах исходных данных с разными характеристиками, например, временными интервалами и географическими районами. Прогнозы от каждой из них затем объединяются для получения окончательного прогноза погоды.
Важным аспектом в прогнозировании погоды является использование различных входных данных, таких как данные метеостанций, спутниковые наблюдения, географические и исторические данные. Группировка нейронных сетей позволяет объединять информацию из этих источников. Для достижения более высокой точности прогноза во все погодные сезоны может применяться усреднение или взвешивание вкладов каждой нейронной сети - это позволяет сглаживать возможные ошибки в отдельных моделях и учитывать различные сценарии прогноза для разных погодных сезонов. Данный метод может иметь потенциал для применения в других областях, требующих точного прогнозирования, таких как финансовые рынки, транспортные системы и энергетика.
Комментарии