Прогнозирование метеорологических показателей с использованием нейросетевых технологий

Москва как один из крупнейших мегаполисов мира сталкивается с уникальными климатическими вызовами, что делает эффективное прогнозирование погоды особенно актуальным ¹ .

Традиционные методы прогнозирования, разработанные на статистических моделях и численных методах, имеют свои ограничения, особенно в условиях быстрых изменений метеорологических условий. В последние годы нейросетевые технологии, основанные на принципах глубокого обучения, продемонстрировали значительные успехи в различных областях, включая метеорологию. Эти методы способны обрабатывать большие объемы данных и выявлять сложные паттерны, что открывает новые перспективы для повышения точности прогнозов погоды.

1 Миронов Н. Столица субтропиков: как изменится климат в Москве в ближайшие десятилетия // Вечерняя Москва. 2024. 22 июля. URL: https:// (дата обращения: 22.10.24).

Прогнозирование метеорологических показателей с использованием нейросетевых...

Раскатова Марина Викторовна кандидат технических наук, доцент кафедры вычислительных машин, систем и сетей, Национальный исследовательский университет «МЭИ», Москва. Сфера научных интересов: нейронные сети, вычислительная техника, прогнозирование временных рядов, сравнительный анализ моделей прогнозирования. Автор более 100 опубликованных научных работ. ORCID: 0000-0001-7671-3312, SPIN-код: 8053-5041, AuthorID: 609945.

Нейронная сеть

Нейронные сети являются мощным инструментом для анализа данных, обнаружения паттернов и автоматизации процессов в различных областях [1]. Профессор Саймон Хайкин в своей книге «Нейронные сети» отмечает, что «нейронная сеть – это громадный распределенный параллельный процессор, состоящий из элементарных единиц обработки информации, накапливающих экспериментальные знания и предоставляющих их для последующей обработки» [2, с. 32].

Учитывая мнения различных ученых, можно представить следующую классификацию нейронных сетей:

• •    «…по характеру обучения – нейронные сети, использующие обучение с учителем и без учителя» (Ф.М. Гафаров и А.Ф. Галимянов [3, с. 12]);

• •    «…по характеру настройки синапсов – сети с фиксированными связями. В этом случае весовые коэффициенты нейронной сети выбираются сразу исходя из условия задачи; сети с динамическими связями. Для них в процессе обучения происходит настройка синаптических связей» (В.А. Головко и В.В. Краснопрошин [4, с. 24]);

• •    «три основных типа нейронных сетей:

• -    полносвязные нейронные сети – каждый нейрон передает свой выходной сигнал остальным нейронам, в том числе и самому себе;

• -    многослойные нейронные сети – нейроны объединяются в слои;

• -    слабосвязные нейронные сети» (Д.В. Сысоев, О.В. Курипта и Д.К. Проскурин [5, с. 20]).

Язык программирования Python

Для представления «кодирования информации» можно использовать различные языки программирования, в том числе Python [6, с. 2].

С.К. Буйначев и Н.Ю. Боклаг подчеркивают, что «Python – это язык программирования с динамическим контролем типа, в котором имена во время выполнения программы могут представлять значения различных типов» [7, с. 8]. То есть образуется связь между именем и значением, где данные представлены объектами.

Анализ данных в Python

Для анализа метеорологических данных в Python используются следующие библиотеки: Tensor Flow, Num Py, scikit-learn, Pandas, Matplotlib, statsmodels – «для очистки и подготовки данных, анализа и визуализации данных, а также для создания нейронной модели» [8, с. 25].

Данные о метеорологических значениях были взяты с сайта «Прогноз погоды в Москве» .

Первым этапом решения задачи является предварительный анализ данных (см. Рисунок 1). Набор данных состоит из 57 записей с интервалом в 1 день и включает в себя следующие признаки: «Дата», «Температура», «Давление (мм)», «Ветер (м/с)», «Влажность (%)». Все перечисленные параметры являются количественными переменными, что позволяет использовать разнообразные статистические методы для их анализа. К ним относятся:

• •    проверка данных на дубликаты;

• •    пропущенные значения;

• •    повторяющиеся значения;

• •    очистка данных;

• •    статистический анализ;

• •    визуализация.

Дат*	Т*»«>*р*Турв	Д*ал«ни«(ми)	0«т«р<к/с)	Жлаоюст» (*)
е 01.09.2024	29	755	1	30
1  «2.И.2024	27	757	2	32
2  03.09.2024	27	757	1	31
3   64.09.2024	20	759	2	52
4  05.09.2024	21	761	2	42
$  00.09.2024	23	761	1	39
0  07.09.2024	24	760	1	36
7  00.09.2024	25	750	1	34
S 09.09.2024	20	754	1	40
9   10.09.2024	20	750	2	36
10 11.09.2024	24	749	2	30
11 12.09.2024	а	751	1	34
12 13.09.2024	27	754	3	30
13 14.09.2024	26	755	2	32
14 15.09.2024	26	757	2	24

Рисунок 1. Исходные данные

Источник: здесь и далее схемы, рисунки и графики составлены авторами

Прогнозирование метеорологических показателей с использованием нейросетевых...

На Рисунке 2 представлены результаты проверки на дубликаты (используется метод duplicated), пропущенные значения (можно выявить с помощью метода isnull), уникальные значения (nunique).

Дата            в
Температура      е
Давление(мм)     в
Ветер(м/с)       в
Влажность (X) в
dtype: int64
в
Температура	Дааленне(мм)	Ветер(м/с)	Влажность (X)
count 57.000000	57.ееееее	57.000000	57.000000
■•an     17.298246	752.964912	2.859649	54.333333
*td      7.176263	5.223453	1.705439	21.429563
■in      4.000000	74е.ееееее	a ль^льльа/ь А	24.000600
25X     u.eoeeeo	749.ееееее		35.000000
sex     is.eeeeee	753.000080	* алаллл	53.000000
7SX     гз.ееееее	757.008000	4.000000	72.000000
■ax      гэ.ееееее	761.000000		95.000000
Дата             57
Тамларатура      28
Даалемиа(мм)     19
Ветер(м/с)        7
Влажность (X)    42

Рисунок 2. Предварительный анализ данных

В результате предварительного анализа не выявлены дубликаты и пропущенные значения. Было найдено количество уникальных значений для каждого столбца и проведен статистический анализ. Все это обеспечивает отсутствие неточностей при выполнении машинного обучения. По проведенной обработке данных можно сделать вывод, что показатели корректны для дальнейших этапов создания модели прогнозирования.

«Визуализация данных – это набор методов, которые позволяют использовать визуальное представление для изучения, анализа и коммуникации количественных данных, в том числе видеть тенденции и закономерности» ² . В работе использовались следующие способы визуализации: гистограмма, диаграмма размаха и корреляционный анализ.

«Конечная цель визуализации данных – способствовать принятию более эффективных решений и мер» ³ .

Гистограмма – это своего рода столбчатая диаграмма, которая дает дискретное отображение частоты значений [9, с. 18].

Диаграмма размаха – особый вид диаграммы, компактно показывающий распределение элементов. На ней видно медиану, размах, можно оценить дисперсию, асимметрию и определить выбросы.

Корреляционный анализ – это метод математической статистики, который позволяет определить степень взаимосвязи между различными параметрами [10, с. 2].

По матрице корреляций можно увидеть, что на прогнозируемую переменную «Температура» больше всего влияет переменная «Влажность (%)», однако переменные «Давление (мм)» и «Ветер (м/с)» также влияют на эту зависимую переменную, но в меньшей степени (см. Рисунок 3).

Рисунок 3. Визуализация данных

Прогнозирование метеорологических данных с помощью нейронной сети

Для прогнозирования переменной «Температура» данные были разделены на обучающую и тестовую выборки в соотношении 80 % на 20 %, где 80 % – (training set) – используется исключительно для обучения модели. Тестовая выборка (testing set) полностью независима от обучающей выборки и предназначена для оценки качества работы модели. Без ее применения нельзя гарантировать несмещенность оценок модели [11, с. 7].

Далее была выполнена стандартизация модели. Преобразование данных в набор, имеющий определенные статистические характеристики, но неопределенные минимальные и максимальные значения, называется стандартизацией данных [12, с. 87]. После этого была разработана архитектура нейронной сети с одним входным слоем (64 нейрона), одним скрытым слоем (32 нейрона) и одним выходным слоем, который прогнозирует температуру. Далее разработанная нейронная модель обучалась на тренировочных данных в течение 100 эпох с размером пакета 32. После этого оценка проводилась на тестовых данных. Здесь вычисляются метрики производительности: средняя абсолютная ошибка

Прогнозирование метеорологических показателей с использованием нейросетевых...

(MAE) и коэффициент детерминации ( R 2), которые могут быть использованы для оценки качества прогноза модели. В данном случае ошибка R2 = 0,77; MAE = 3,08, что считается хорошим результатом (см. Рисунок 4).

МАЕ: 3.086972916548428

RA2: 0.7733358995710944

Предсказанная температура воздуха на 28.10.24: 23 ° PS C:\Users\user> Q

Рисунок 4. Вывод предсказанной погоды

В целом представленная модель – это полноценная система для обработки данных погоды, предсказания температуры и выполнения прогноза на основе новых входных данных. Она обеспечивает анализ, обработку, обучение и оценку системы, создавая основу для использования в реальных задачах предсказания.

Заключение

Таким образом, в статье показано применение нейронных сетей с использованием языка программирования Python и различных библиотек, в частности для прогнозирования метеорологических показателей. В статье также представлен предварительный анализ данных, выявлены ключевые взаимосвязи и построена модель нейронной сети, которая показала высокую точность предсказаний (R2 = 0,77; MAE = 3,08). Результаты подтверждают эффективность нейронных сетей в этой области и их потенциал для точного прогнозирования.