АНАЛИЗ МЕТОДА SSA(«ГУСЕНИЦА») ДЛЯ ПРОГНОЗИРОВАНИЯ ПОГОДЫ

Успехи в прогнозировании погоды и климата связаны с достижениями в области сотворения наблюдательных систем, моделей совместной циркуляции атмосферы и океана, а еще суперкомпьютерных технологий обработки огромных потоков данных.

Имеющие место быть системы прогнозирования эволюционируют от технологий мониторинга погоды, охватывая ансамблевое прогнозирование, к всецело встроенным системам прогнозирования находящейся вокруг среды, объединяя атмосферу, океан, сушу, криосферу и экологические свойства, такие как сосредоточении небольших газовых элементах, аэрозолей и загрязняющих препаратов. Похожие встроенные (бесшовные) прогностические системы снимают препятствия меж временными масштабами, средами и дисциплинами. Они дают возможность на единственной технологической базе проводить обработку данных, издавать мониторинги на временных масштабах от нескольких мин. до нескольких лет, расценивать опасности множества иных небезопасных природных явлений: гидрологических (наводнения, затопления), морских и прибрежных (ветровые волны, штормовые нагоны), геофизических (оползни, возмущения космической погоды).

Неувязка увеличения производительности мониторингов погоды на месяц признана актуальной во всем мире, впрочем функциональную исследовательскую работу в данном направленности воплотят в жизнь лишь только большие метеорологические центры. В Гидрометцентре РФ ситуация составления и выпуска оперативных мониторингов погоды на месяц для обеспечивания дел широкого диапазона секторов экономики народного хозяйства насчитывает больше 60 лет.

Становление теории математического моделирования ориентируется степенью математического описания процессов и явлений, имеющих место в всевозможных секторах экономики науки и техники. Научно-технический прогресс каждый день развивает финансовые, технические, общественные, медицинские и иные системы, усложняя их структуру и увеличивая численность их трудных внутренних взаимосвязей и внешних моментов, от которых они находятся в зависимости и основная масса из которых невозможно учесть во внимание. В следствие этого актуальной темой считается разработка и внедрение универсальных математических моделей и способов позволяющих моделировать, предсказывать и управлять широким классом процессов.

Приоритетным обликом моделей считаются комбинированные вероятностно-детерминированные нелинейные декомпозиционные модели, т. к. при этом в модели в одно и тоже время предусматриваются и применяются как статистические, например и детерминированные элементы и трудные внутренние связи процессов, собственно что разрешает добиться лучшего свойства прогнозирования [2]. Среди детерминированных моделей приоритетным вариантом считается детерминированная модель спектрального разложения, реализующая моделирование на базе разложения по детерминированному ортонормированному базису, замечательному от гармонических функций и применяемая в способе «Гусеница»-SSa.

Способ «Гусеница»-SSA еще предполагает применение для подготовительного обобщенного коинтегрирования временных рядов при моделировании многосвязных процессов, а еще для деления на финитный и на апериодический регуляторы в случае применения предлагаемой модели в теории автоматического управления [4]. Еще вполне вероятно нелинейное усложнение передаточной функции модели одним из методик: FoS, GMDH, RBF, LARS, построенных на ключевых компонентах, их степенях и сочетаниях. В следствие этого предлагаемая выше модель ориентирована на концепцию автоматического управления, моделирования и прогнозирования технических систем и технологических процессов, в связи с тем, собственно что их передаточные функции больше детерминированные и имеют трудную нелинейную структуру.

Для того, чтобы проанализировать выбранный метода, на его основе была построена и обучена нейронная сеть. Для этого была использована выборка метеоданных, имеющая следующие поля: дата и время наблюдения, температура, давление, осадки, скорость ветра, влажность. Периодичность измерений данных в выборке составляет тридцать минут.

Выборка может быть представлена следующими зависимостями:

F_{температура} (дата и время наблюдения) = температура

F _{давление} (дата и время наблюдения) = давление

F _осадки (дата и время наблюдения) = осадки

F _{скорость ветра} (дата и время наблюдения) = скорость ветра

F _{влажность} (дата и время наблюдения) = влажность

Т.е. значение какого-либо метео-показателя является функцией от времени. Исходя из этого, мы создадим нейронную сеть для каждого из показателя.

Для прогнозирования с использованием нейронной сети (PHP FANN) необходимо выполнить ряд операций: определение формата входных/выходных данных сети, определение параметров сети, создание сети, обучение сети и вычисление результатов прогноза (прогнозирование).

Таблица 1.

Определение входных и выходных данных

F_{температура} (Месяц, День, Час) = температура

F _{давление} (Месяц, День, Час) = давление

F _осадки (Месяц, День, Час) = осадки

F _{скорость ветра} (Месяц, День, Час) = скорость ветра

F _{влажность} (Месяц, День, Час) = влажность

Таблица 2.

Определение параметров сети

Для создания сети используется функция «fann_create_standard». Данная функция создает стандартную полностью связанную нейронную сеть.

Пример кода, который создает нейронную сеть:

$num_input = 3;

$num_output = 1;

$num_layers = 3;

$num_neurons_hidden = 50;

$ann = fann_create_standard($num_layers, $num_input, $num_neurons_hidden, $num_output);

Для обучения сети используется функция «fann_train».

Пример кода, который обучает нейронную сеть:

$num_input = 3;

$num_output = 1;

$num_layers = 3;

$num_neurons_hidden = 50;

$ann = fann_create_standard($num_layers, $num_input, $num_neurons_hidden, $num_output);

fann_train ($ann, $data);

Вычисление результатов прогноза

Для вычисления прогноза используется функция «fann_run». Данная функция принимает ссылку на нейронную сеть и массив данных (в нашем случае «Месяц, День, Час»), а на выходе данной функции мы получаем массив результатов. Данном случае массив будет состоять из одного элемента (параметр «num_output»).

Пример кода, который вычисляет значение нейронной сети:

$num_input = 3;

$num_output = 1;

$num_layers = 3;

$num_neurons_hidden = 50;

$desired_error = 0.01;

$max_epochs = 500000;

$epochs_between_reports = 1000;

$ann = fann_create_standard($num_layers, $num_input, $num_neurons_hidden, $num_output);

fann_train ($ann, $data);

// $date – дата, на которую выполняется прогноз

// $this->GetMonth($date) – извлекает месяц

// $this->GetDay($date) – извлекает день

// $this->GetHour($date) – извлекает час

$input = array($this->GetMonth($date), $this->GetDay($date), $this->GetHour($date));

$output = fann_run($ann, $input);

Проанализировав метод SSA, было выявлено, что математическая модель, реализованная в виде компьютерной программы, позволяет выполнять прогнозирование погоды.

Таким образом, обобщая вышесказанное, можно сделать вывод о том, что метод SSA(«Гусеница») является одним из способов получения точного и эффективного прогнозирования не только экономических, медицинских показателей, но и параметров погоды.

Список литературы:

1. [Электронный ресурс] URL: http://meteo.perm.ru/archive?day=1&month=12&year=2013&hour=19&min=20 (08.01.2019).
2. Антониоу, Грос, Хоекстра: Семантический веб, М, ДМК-Пресс, 2016 г., 240 с.
3. Бэнкс, Порселло: React и Redux. Функциональная веб-разработка, М. Питер, 2018 г., 336 с.
4. Веллинг, Томсон: Разработка веб-приложений с помощью PHP и MySQL, М, Диалектика, 2017 г., 768 с.