Подал: Крамич Алексей Сергеевич (очно)
Авторы
Крамич А.С.
Организации
Объединенный институт проблем информатики НАН Беларуси
Секция
Теория и моделирование физических процессов
Научный руководитель
Крот Александр Михайлович
Место работы научного руководителя
Объединенный институт проблем информатики НАН Беларуси
Текст тезисов
Важность исследования ионосферы и геомагнитного поля связана с функционированием спутниковых систем навигации и связи. При этом процессы, происходящие в ионосфере, взаимосвязаны с внешним магнитным полем Земли. Так, вспышки на Солнце помимо ионизации верхней атмосферы Земли приводят к многочисленным геофизическим последствиям: магнитным бурям, полярным сияниям и т.д.
Для прогноза сильных возмущений, влияющих на технические системы, важно иметь представление о повторяемости и характерных особенностях возмущений магнитного поля и полного электронного содержания (ПЭС) ионосферы, предсказанию их поведения, в связи с чем в данной работе предложено спрогнозировать временные ряды ПЭС и величины магнитной индукции методами машинного обучения (нейронными сетями типа персептрон, свёрточная нейронная сеть и рекуррентная LSTM [1] сеть) и моделью ARIMA. Модель ARIMA демонстрирует результаты прогнозирования величины магнитной индукции и ПЭС гораздо лучшие, чем на основе ИНС (значения квадратного корня функции потерь rmse при прогнозировании величины магнитной индукции в ходе вычислительных экспериментов оказалось равным 0,014 против 1,5967, 1,5094 и 1,4094 для ИНС типа MLP, CNN [2] и LSTM соответственно и 0,272 против 9,1024, 9,0615 и 8,9598 для ИНС типа MLP, CNN и LSTM соответственно при предсказании ПЭС).
На основании вышеперечисленного было принято решение использовать модель ARIMA для прогнозирования временных рядом. Применение ARIMA позволило построить предсказательную модель значений полного вектора индукции геомагнитного поля и ПЭС ионосферы на сутки вперёд, что имеет значение для функционирования систем навигации и связи, электросетей, критически важных объектов инфраструктуры.
Список литературы:
1. Hochreiter, S. Long short-term memory / S. Hochreiter, J. Schmidhuber // Neural Computation. – 1997. – V. 9, № 9, P. 1735-1780.
2. Lecun, Y. Backpropagation applied to handwritten zip code recognition / Y. Lecun, B. Boser, J. S. Denker [et al.] // Neural Computation. – 1989. – V. 1, №. 4, P. 541-551.
Для прогноза сильных возмущений, влияющих на технические системы, важно иметь представление о повторяемости и характерных особенностях возмущений магнитного поля и полного электронного содержания (ПЭС) ионосферы, предсказанию их поведения, в связи с чем в данной работе предложено спрогнозировать временные ряды ПЭС и величины магнитной индукции методами машинного обучения (нейронными сетями типа персептрон, свёрточная нейронная сеть и рекуррентная LSTM [1] сеть) и моделью ARIMA. Модель ARIMA демонстрирует результаты прогнозирования величины магнитной индукции и ПЭС гораздо лучшие, чем на основе ИНС (значения квадратного корня функции потерь rmse при прогнозировании величины магнитной индукции в ходе вычислительных экспериментов оказалось равным 0,014 против 1,5967, 1,5094 и 1,4094 для ИНС типа MLP, CNN [2] и LSTM соответственно и 0,272 против 9,1024, 9,0615 и 8,9598 для ИНС типа MLP, CNN и LSTM соответственно при предсказании ПЭС).
На основании вышеперечисленного было принято решение использовать модель ARIMA для прогнозирования временных рядом. Применение ARIMA позволило построить предсказательную модель значений полного вектора индукции геомагнитного поля и ПЭС ионосферы на сутки вперёд, что имеет значение для функционирования систем навигации и связи, электросетей, критически важных объектов инфраструктуры.
Список литературы:
1. Hochreiter, S. Long short-term memory / S. Hochreiter, J. Schmidhuber // Neural Computation. – 1997. – V. 9, № 9, P. 1735-1780.
2. Lecun, Y. Backpropagation applied to handwritten zip code recognition / Y. Lecun, B. Boser, J. S. Denker [et al.] // Neural Computation. – 1989. – V. 1, №. 4, P. 541-551.