Прогнозирование метеорологических показателей с использованием нейросетевых технологий
Автор: Раскатова М.В., Терелецкова Е.Е., Сало А.А., Челышев Э.А.
Рубрика: Управление сложными системами
Статья в выпуске: 4, 2024 года.
Бесплатный доступ
В статье рассматривается применение нейросетевых технологий для прогнозирования метеорологических показателей в Москве. Актуальность исследования обусловлена необходимостью повышения точности и надежности прогнозов температуры, что становится особенно важным в условиях изменения климата и роста экстремальных погодных явлений. Методология включает сбор и обработку метеорологических данных, настройку и обучение нейросетевой модели с помощью языка программирования Python и его библиотек. В статье представлена работоспособная модель прогнозирования метеорологических показателей, верифицированная с использованием следующих метрик: средняя абсолютная ошибка (MAE) и коэффициент детерминации ( R5 ).
Нейросетевая модель, прогнозирование, анализ данных, метеорология, погода
Короткий адрес: https://sciup.org/148330363
IDR: 148330363 | DOI: 10.18137/RNU.V9187.24.04.P.64
Список литературы Прогнозирование метеорологических показателей с использованием нейросетевых технологий
- Раскатова М.В., Терелецкова Е.Е., Сало А.А. Нейросети и перспективы их использования в экономико-хозяйственной деятельности // Цифровая трансформация: тенденции и перспективы: II Международная научно-практическая конференция, Москва, 20 декабря 2023 г. М.: Мир науки, 2023. С. 397–404. EDN UHTNLG
- Хайкин С. Нейронные сети: полный курс. 2-е изд. / Пер. с англ. Н.Н. Куссуль, А.Ю. Шелестова. М.: Вильямс, 2006. 1104 с. ISBN 5-8459-0890-6.
- Гафаров Ф.М., Галимянов А.Ф. Искусственные нейронные сети и их приложения: учеб. пособие. Казань: Изд-во Казанского университета, 2018. 121 с.
- Головко В.А., Краснопрошин В.В. Нейросетевые технологии обработки данных: учеб. пособие. Минск: БГУ, 2017. 263 с. ISBN 978-985-566-467-4. EDN GLV GIE.
- Сысоев Д.В., Курипта О.В., Проскурин Д.К. Введение в теорию искусственного интеллекта: учеб. пособие. Воронеж: Воронежский государственный архитектурно-строительный университет, 2014. 170 с. ISBN 978-5-89040-498-5. EDN UGOVA X.
- Марченко А.Л. Python: большая книга примеров: учеб. пособие. М.: Изд-во Московского университета, 2023. 361 с. ISBN 978-5-19-011853-7.
- Буйначев С.К., Боклаг Н.Ю. Основы программирования на языке Python: учеб. пособие. Екатеринбург: Изд-во Урал. ун-та, 2014. 92 c. ISBN 978-5-7996-1198-9. EDN HIM EBZ.
- Маккинни У. Python и анализ данных: Первичная обработка данных с применением pandas, NumPy и Jupiter: учеб. пособие. 3-е изд. / Пер. с англ. А.А. Слинкина. М.: МК Пресс, 2023. 536 с. ISBN 978-5-93700-174-0.
- Лемешевский С.В. Графическая визуализация данных: учеб. пособие. Минск: Институт математики НАН Беларуси, 2020. 25 с.
- Румянцев М.И. Корреляционный анализ: методические указания. Магнитогорск: Магнитогорский государственный технический университет им. Г.И. Носова, 2017. 12 с.
- Кугаевских А.В., Муромцев Д.И., Кирсанова О.В. Классические методы машинного обучения: учеб. пособие. СПб.: Университет ИТМО, 2022. EDN MJQVRZ.
- Старовойтов В.В., Голуб Ю.И. Нормализация данных в машинном обучении // Информатика. 2021. Т. 18. № 3. С. 83–96. EDN JKAHKM. DOI: 10.37661/1816-0301-2021-18-3-83-96
